Predicción mediada por aprendizaje profundo de la vía accesoria oculta

En la edición del 2 de agosto de 2023 del Annals of Noninvasive Electrocardiology, investigadores chinos publicaron su convicción referente a la predicción mediada por aprendizaje profundo de la vía accesoria oculta basada en electrocardiogramas en rítmo sinusal

Aprendizaje profundo es un conjunto de algoritmos de aprendizaje automático que intenta modelar abstracciones de alto nivel en datos usando arquitecturas computacionales que admiten transformaciones no lineales múltiples e iterativas de datos expresados en forma matricial o tensorial.

La vía accesoria (AP), ubicada entre las aurículas y los ventrículos, genera un circuito anatómico que media en la taquicardia de macrorreentrada, lo que lleva a las palpitaciones de los pacientes y al deterioro de la calidad de vida.

La mayoría de las AP pueden conducir tanto de forma anterógrada como retrógrada, mientras que algunos AP son capaces de propagar impulsos en una sola dirección.

Cuando la AP es capaz de conducción anterógrada, la preexcitación ventricular se observa comúnmente en pacientes con síndrome de Wolf-Parkinson-White (WPW), que se conoce como AP manifiesta y puede diagnosticarse mediante electrocardiografía (ECG) rítmica sinusal con varios signos, incluida la onda delta, el intervalo PR corto y el complejo QRS ancho.

Por el contrario, los AP que conducen solo en dirección retrógrada ocurren con mayor frecuencia, denominadas AP ocultas.

Los cardiólogos no pueden diagnosticar las AP ocultas con ECG durante el ritmo sinusal, pero pueden confirmarse mediante el inicio de la taquicardia y el procedimiento electrofisiológico.

Los pacientes con AP ocultas pueden pasar años sin ser diagnosticados.

Por lo tanto, es importante desarrollar un método no invasivo y de bajo costo para detectar AP ocultas.

La electrocardiografía es una herramienta fácil y rápida para el diagnóstico de enfermedades del corazón.

Sin embargo, los ECG pueden contener información crucial que no fue reconocida ni siquiera por cardiólogos bien capacitados.

Con el rápido desarrollo de la inteligencia artificial (IA) en la visión por computadora y la imagen médica, la identificación automática de anomalías tan sutiles en los ECG aumenta la tasa de diagnóstico temprano de arritmias con alta precisión.

La consideración de las redes neuronales convolucionales (CNN) ha demostrado un rendimiento sobresaliente en tareas de análisis de imágenes médicas en los últimos años debido a su capacidad de preservar las relaciones espaciales al filtrar imágenes médicas de entrada.

Una red neuronal convolucional es un tipo de red neuronal artificial donde las neuronas artificiales, corresponden a campos receptivos de una manera muy similar a las neuronas en la corteza visual primaria de un cerebro biológico. Sin embargo, aún no está claro acerca de la efectividad de las CNN para identificar AP oculta con ECG de ritmo sinusal normal.

Además, el ajuste fino de las CNN preentrenadas es una estrategia preferida para conjuntos de datos pequeños según la sabiduría convencional.

Sin embargo, antes del predominio del paradigma de «entrenamiento previo y ajuste fino», los clasificadores generalmente se entrenaban desde cero sin entrenamiento previo, lo que se pasa por alto hoy en día cuando las tareas objetivo tienen menos datos de entrenamiento.

El propósito de este estudio fue evaluar la eficacia de las CNN de última generación en la predicción de PA oculta con ECG de ritmo sinusal normal y el rendimiento superior entre modelos inicializados aleatoriamente y modelos preentrenados de ajuste fino.

Se presentan experimentos en estos modelos, incluidos AlexNet (una de las primeras redes convolucionales capaz de reconocer una imagen y clasificarla por su contenido), VGG19 (VGG-19 es una red neuronal convolucional con 19 capas de profundidad. Puede cargar una versión preentrenada de la red entrenada en más de un millón de imágenes desde la base de datos de ImageNet (una gran base de datos visual diseñada para su uso en la investigación de software de reconocimiento de objetos visuales)., Resnet26 (red neuronal residual conocida como “ResNet” es una renombrada red neuronal artificial), SE-Resnet50 (red neuronal convolucional con 50 capas de profundidad. Puede cargar una versión preentrenada de la red neuronal entrenada con más de un millón de imágenes desde la base de datos de ImageNet), MobilenetV3_large_100 y DenseNet169, también proporcionan un análisis experimental detallado sobre el rendimiento de los modelos anteriores, en términos de precisión, sensibilidad, especificidad, precisión, F1 puntaje, curva ROC y área bajo la curva, para demostrar la efectividad y el valor de estas CNN seleccionadas.

La vía accesoria oculta (AP) puede causar taquicardia por reentrada atrioventricular que afecta la salud de los pacientes. Sin embargo, es asintomático e indetectable durante el ritmo sinusal.

Para detectar AP oculta con imágenes de electrocardiografía (ECG), se recolectaron imágenes de ECG rítmicas sinusales normales de pacientes con AP oculta y sujetos sanos.

Todas las imágenes de ECG se asignaron aleatoriamente a los conjuntos de datos de entrenamiento y prueba, y se usaron para entrenar y probar seis redes neuronales convolucionales populares del preentrenamiento e inicialización aleatoria de ImageNet, respectivamente.

Se examinaron 152 registros de ECG en el grupo AP oculto y 600 registros de ECG en el grupo de control.

No hubo diferencias estadísticamente significativas en las características del ECG entre el grupo de control y el grupo AP oculto en términos de intervalo PR y QRS.

Sin embargo, el intervalo QT y el QTc fueron ligeramente superiores en el grupo de control que en el grupo de PA oculta.

En el conjunto de pruebas, ResNet26, SE-ResNet50, MobileNetV3_large_100 y DenseNet169 lograron una tasa de sensibilidad superior al 87,0 % con una tasa de especificidad superior al 98,0 %.

Y los modelos entrenados a partir de la inicialización aleatoria mostraron un rendimiento y una convergencia similares a los modelos entrenados a partir del entrenamiento previo de ImageNet.

Conclusión

Nuestro estudio sugiere que el aprendizaje profundo podría ser una forma eficaz de predecir la AP oculta con imágenes de ECG rítmicas sinusales normales. Y nuestros resultados podrían alentar a las personas a repensar la posibilidad de entrenar a partir de la inicialización aleatoria en tareas de imágenes de ECG.

Se sabía que el diagnóstico de PA oculta dependía del estudio electrofisiológico.

En el presente estudio, se informó un método de aprendizaje profundo no invasivo para la detección de puntos de acceso ocultos a partir de registros de ECG mediante el entrenamiento de seis modelos clásicos de CNN a través de la inicialización aleatoria y la inicialización previamente entrenada de ImageNet, respectivamente.

Los principales hallazgos de este estudio fueron los siguientes:

(1) el aprendizaje profundo con CNN tuvo efectos significativos en la extracción automática de características sutiles invisibles a simple vista de las grabaciones de ECG, lo que podría ayudar a diagnosticar el AP oculto;

(2) Los modelos entrenados en imágenes naturales (como ImageNet) podrían no ser los mejores modelos para imágenes de ECG, mientras que la precisión competitiva de la predicción oculta de AP se podía lograr cuando se entrenaba en un conjunto de datos de AP a partir de una inicialización aleatoria («desde cero») sin ninguna preparación o capacitación previa..

El aprendizaje profundo es un subtipo de aprendizaje automático y ha demostrado un rendimiento de vanguardia en imagen médica.

Un modelo de aprendizaje profundo bien entrenado podría aprender patrones dentro de los ECG sin procesar para diagnosticar el ritmo sinusal y las arritmias múltiples con un rendimiento convincente para los cardiólogos.

Attia et al. utilizó el aprendizaje profundo para detectar pacientes con la firma electrocardiográfica de fibrilación auricular presente durante el ritmo sinusal normal y tuvo implicaciones prácticas para la detección de fibrilación auricular.

Joe et al. entrenó un modelo de aprendizaje profundo para detectar PSVT (taquicardia supraventricular paroxística) utilizando ECG de pacientes con PSVT diagnosticados clínicamente durante el ritmo sinusal normal, lo que demostró un alto rendimiento en la identificación de PSVT.

En un estudio anterior, se entrenó una CNN con ECG de ritmo sinusal normal de pacientes de control negativo y pacientes de procedimiento PSVT (taquicardia supraventricular paroxística).

Este modelo demostró un buen desempeño para identificar a las personas con una alta probabilidad de PSVT y podría tener implicaciones útiles para la detección y el diagnóstico de PSVT.

En el presente estudio, se entrenaron modelos de aprendizaje profundo con ECG de pacientes sanos y pacientes con PA oculta confirmados por estudio electrofisiológico y ablación por radiofrecuencia.

Los datos demostraron que ResNet26, SE-ResNet50, MobileNetV3_large_100 y DenseNet169, pero no Alexnet y VGG19, podían detectar AP oculto a través de ECG rítmicos sinusales normales.

Estos resultados podrían proporcionar un enfoque novedoso para identificar AP oculto con ECG a tiempo que no se pudo lograr antes.

A pesar de que el diagnóstico precoz no se determina únicamente a partir de un registro ECG, un tamizaje inicial de los casos sería útil para la aplicación oportuna del tratamiento correspondiente, como medicamentos o cirugía para mejorar la calidad de vida de los pacientes.

Es bien sabido que el éxito del aprendizaje profundo depende en gran medida del tamaño y la calidad del conjunto de datos, y entrenar un modelo de aprendizaje profundo a menudo requiere una gran cantidad de datos.

Un gran conjunto de datos contribuye a un mejor rendimiento y capacidad de generalización del modelo en general, ya que puede aprender más características de más datos.

Sin embargo, un conjunto de datos más grande consume más costos de etiquetado, necesita una computadora más poderosa y un modelo complicado para extraer todas las características.

En el presente estudio, solo se recogieron 150 imágenes de ECG de 421 pacientes con PA oculta.

El número de ECG incluidos fue relativamente pequeño.

Un pequeño conjunto de datos basado en alta calidad también podría lograr un rendimiento convincente. Ng informó que la calidad de los datos era más importante que el tamaño de los datos.

Un pequeño conjunto de datos uniformemente distribuido, marcado con precisión y limpio podría resolver grandes problemas, como la eficiencia, la precisión y el sesgo del modelo.

En algunos escenarios, solo hay un pequeño conjunto de datos.

Recopilar un conjunto de datos de alta calidad y ajustar los hiperparámetros del modelo nos ayudaría a lograr un rendimiento aceptable.

Para superar el problema del tamaño de datos limitado, se aplicaron modelos de CNN previamente entrenados con ImageNet (aprendizaje de transferencia) y se entrenaron modelos desde cero para comparar el rendimiento.

Alquran et al. aplicó estrategias de aprendizaje de transferencia en AlexNet y GoogleNet previamente entrenados para clasificar cinco arritmias diferentes de la forma de onda de ECG, obteniendo la precisión promedio más alta del 97,8% (Alquran et al., 2019  ) .

Pal et al. empleó el principio de transferencia de aprendizaje para la detección de arritmias y, específicamente, utilizó DenseNet previamente capacitado, que se entrenó en el conjunto de datos de ImageNet para clasificar 29 tipos de latidos cardíacos y logró una alta precisión de clasificación del 98,92 % .

En un estudio anterior, la CNN preentrenada podría ser eficaz en entornos de imágenes de modalidad cruzada, como imágenes naturales a imágenes de ECG.

Por lo tanto, si hay una brecha significativa entre la tarea de preentrenamiento de origen y la tarea de destino, las soluciones que vale la pena probar son la recopilación de más datos, la creación de modelos específicos y el entrenamiento en la tarea de destino desde cero.

En la literatura actual, los modelos CNN entrenados desde cero o ajustados a partir de modelos ImageNet superaron a los CNN que usaban pesos internos fijos.

Como las modalidades de las imágenes naturales y médicas diferían considerablemente, algunos investigadores cuestionaron las últimas investigaciones médicas y prefirieron ImageNet a los datos médicos, y demostraron que la capacitación médica previa tenía un potencial significativo.

Teniendo en cuenta que la particularidad de la imagen de ECG difiere de la imagen natural, también se entrenó estos modelos desde cero adoptando pesos inicializados aleatorios en lugar de pesos preentrenados y se actualizaron durante la fase de entrenamiento.

Este estudio demostró que el rendimiento de los modelos CNN con inicialización aleatoria no fue peor que su correspondiente inicialización previamente entrenada.

Alzubaidi et al. descubrió que el modelo liviano entrenado desde cero logró un rendimiento más competitivo en comparación con el modelo preentrenado de ImageNet, utilizando tres conjuntos de datos de imágenes médicas diferentes. Amit et al. también planteó el punto de que cuando se utilizan muestras de entrenamiento pequeñas, el entrenamiento desde cero de modelos profundos específicos de dominio (si el tamaño del modelo se selecciona correctamente) podría lograr un rendimiento superior en comparación con el aprendizaje de transferencia de una red que había sido previamente entrenado usando grandes muestras de entrenamiento en otro dominio.

Él et al. informaron que el entrenamiento desde cero no podría ser peor que sus contrapartes de entrenamiento previo de ImageNet en muchas circunstancias, aunque el entrenamiento previo de ImageNet aceleró la convergencia al principio del entrenamiento, pero el entrenamiento a partir de la inicialización aleatoria fue más sólido.

Por lo tanto, aunque los modelos preentrenados han mostrado un desempeño efectivo en varios dominios de aplicación, es posible que los modelos preentrenados no ofrezcan beneficios significativos en todos los casos cuando se trata de escenarios de imágenes médicas.

Esta investigación presenta limitaciones

El trabajo actual reflejó uno de los estudios piloto de detección de puntos de acceso ocultos. Inscribir a pacientes AP ocultos y recopilar imágenes de ECG previas al procedimiento fue un proceso continuo del proyecto y permitiría usar un conjunto de datos más completo para el entrenamiento de modelos y luego obtener una precisión de predicción más confiable de estos modelos.

Además, la predicción automática de casos se realizó utilizando solo un registro de ECG en lugar de un enfoque más holístico basado en otros factores que podrían comportarse como factores de riesgo para la aparición de la enfermedad.

Los criterios de exclusión no pudieron descartar a todos los pacientes con PA oculta.

Tal vez los pacientes sufran de taquicardia de reentrada auriculoventricular basada en un AP oculto después de la recopilación de datos.

Además, el estudio futuro se centrará en ubicar la forma de onda que se tratará como características importantes y el algoritmo las extraerá. que no solo resuelven el problema de la caja negra en el aprendizaje profundo, sino que también hacen que el resultado sea más convincente. Algunas limitaciones de este estudio pueden ser superadas en futuras investigaciones.

Como conclusión el presente estudio contribuyó a la posibilidad de un método de bajo costo, rápido y no invasivo para diagnosticar pacientes con PA oculta.

La adopción de modelos entrenados a partir de la inicialización aleatoria también puede ser una buena opción cuando se trata de un pequeño conjunto de datos médicos.

* Wang L, Yang F, Bao XJ, Bo XP, Dang S, Wang RX, Pan F. Deep learning-mediated prediction of concealed accessory pathway based on sinus rhythmic electrocardiograms. Ann Noninvasive Electrocardiol. 2023 Aug 2:e13072. doi: 10.1111/anec.13072. Epub ahead of print. PMID: 37530078.