Prediction of Ventricular Pressure and Diagnosis from Cardiac Magnetic Resonance Imaging Using Artificial Neural Networks

Die diastolische Herzinsuffizienz ist weltweit die häufigste Ursache für eine Herzinsuffizienz. Die Diagnose wird in der Regel durch hämodynamische Messungen während einer invasiven Herzkatheteruntersuchung gestellt. Dies ist jedoch mit interventionellen Risiken für den Patienten verbunden. In dieser Dissertation wird künstliche Intelligenz (KI) zur Vorhersage des linksventrikulären Füllungsdrucks auf der Grundlage der nicht-invasiven kardialen Magnetresonanztomographie (MRT) vorgeschlagen. Insgesamt wurde eine Kohorte von 66.936 Patienten untersucht, bei denen eine Herzkatheteruntersuchung durchgeführt wurde, einschließlich 11.699 kardialen MRT-Untersuchungen. Das entwickelte KI-Modell konnte zwischen erhöhtem und normalem Füllungsdruck unterscheiden und damit wichtige Informationen über die diastolische Funktion des Herzens liefern. Der neu-entwickelte Ansatz erwies sich als überlegen gegenüber etablierten echokardiografischen Biomarkern und menschlichen Experten. Ein sekundäres KI-Modell wurde entwickelt, um verschiedene Arten von Kardiomyopathien anhand von kardialen MRTs automatisch zu diagnostizieren. Die erkennbaren Krankheitsbilder waren: hypertrophe, dilatative und ischämische Kardiomyopathie, kardiale Amyloidose und Kontrollgruppe. Die KI benötigte nur ein einziges MRT-Bild, um eine Diagnose zu stellen, was zukünftig weniger zeitintensive MRT-Protokolle ermöglichen könnte. Beide KI-Anwendungen wurden durch Aufmerksamkeitslokalisierung untersucht, welche den Ansatz der KI zur Lösung dieser Aufgaben offenbart und zur Erklärbarkeit beiträgt. Das KI-Modell für die Füllungsdruckvorhersage wurde in drei unabhängigen Krankenhäusern unter Verwendung mehrerer MRT-Hersteller, Protokolle und Modelle validiert. Im Wesentlichen können künstliche neuronale Netze den Füllungsdruck und die Diagnose aus kardialen MRTs vorhersagen, was angesichts der überlasteten Gesundheitssysteme einen hochgradig skalierbaren Ansatz darstellt, der sich möglicherweise auf künftige Diagnose- und Behandlungsstrategien auswirkt.