Die neue KI von IBM simuliert Herzfunktionen innerhalb von Minuten

• Eine neue Methode verwendet Hochleistungsrechenalgorithmen, um virtuelle Simulationen von Fractional Flow Reserves zu verbessern.
• Der Algorithmus basiert auf einer Methode zur Beschleunigung des maschinellen Lernens und des Deep Learning, die als Gaußsche Prozessregression bezeichnet wird.
• Es kann innerhalb von 1-2 Minuten perfekt simulieren, was im Herzen passiert.

Die meisten Multiskalenmodelle der Herzmechanik sehen vielversprechend aus, aber wenn es um Diagnose und Behandlung geht, sind ihre Fähigkeiten ziemlich begrenzt. Da sie nicht in der Lage sind, klinische Daten effizient zu verarbeiten, nicht festgelegte Variablen einzuschränken und die Rechenkomplexität zu bewältigen, können sie keine wirksame Unterstützung bei klinischen Entscheidungen und medizinischer Versorgung bieten.

Die häufigste Art von Herzkrankheit ist die koronare Herzkrankheit (KHK), von der fast 16,5 Millionen amerikanische Erwachsene betroffen sind. Es ist auch die häufigste Todesursache sowohl bei Frauen als auch bei Männern in den USA. Laut der Cleveland Clinic erleidet in den USA alle 40 Sekunden jemand einen Herzinfarkt.

Es ist ein Zustand, bei dem Koronararterien aufgrund der Ansammlung von Fett- und Cholesterinablagerungen (bekannt als Plaques) an den Innenwänden der Arterien blockiert (oder verengt) werden. Diese Plaques schränken den Blutfluss ein, was zu einem Herzinfarkt führen kann.

Simulation des Blutflusses in Arterien

Um die Diagnose solcher Krankheiten zu verbessern, erforschen Forscher neue Methoden, um Blockaden in Arterien mit einer Technik namens Virtual Fractional Flow Reserve (vFFR) zu untersuchen. Es nutzt Computational Fluid Dynamics und Röntgenangiogramme, um die Flüssigkeitsbewegungen zu untersuchen und den Blutfluss in den Koronararterien zu simulieren.

Um die Plaque in den Arterien zu beobachten, muss sich ein Patient hyperämischen Wirkstoffinjektionen unterziehen. Diese Simulationsarten machen jedoch einen Druckdrahtkatheter überflüssig.

Bestehende vFFR, die auf computergestützten fluiddynamischen Algorithmen basieren, benötigen oft mehr als einen Tag, um eine vollständige Simulation zu erstellen. Um die vFFR-Methode(n) effektiv nutzen zu können, müssen die Algorithmen verbessert werden, auf denen sie ausgeführt werden, ohne die Diagnosegenauigkeit zu verringern. Es sollte in der Lage sein, innerhalb von Minuten eine vollständige Simulation zu berechnen und eine breitere Sicht auf blockierte Arterien zu bieten.

Um diese Anforderungen zu erfüllen, haben IBM-Forscher eine neue Methode entwickelt, die Hochleistungs-Computing-Algorithmen verwendet, um vFFR-Simulationen zu verbessern. Der Algorithmus basiert auf Machine Learning und Deep Learning Beschleunigungsmethode namens Gaussian Process Regression. Es kann verwendet werden, um Optimierungsalgorithmen zu unterstützen, selbst in kniffligen Szenarien, in denen objektive Funktionale nicht leicht zu unterscheiden sind.

Referenz:Grenzphysiologie | doi:10.3389/fphys.2018.01002 | IBM

Der Algorithmus verwendet Größe, Lage und transmurale Tiefe des Infarkts als Eingabevariablen und modelliert berechnete Änderungen in Simulationen. Es kann 40 Infarktsimulationen an unterschiedlichen Orten und Formen ausführen. Nach dem Training der Ergebnisse von Finite-Elemente-Simulationen bietet der Algorithmus eine nützliche Darstellung zur Untersuchung komplexer Effekte.

Die hämodynamischen Simulationen für die vFFR-basierte Diagnose werden auf POWER9-Systemen mit NVIDIA Tesla V100-GPUs innerhalb von 1-2 Minuten ausgeführt. Laut den Forschern ist dies die erste Simulation dieser Art, die nahezu in Echtzeit ausgeführt wird.

Die schnellen Modellsimulationen können die manuelle Arbeit reduzieren und Ärzten helfen, Herzerkrankungen schnell zu untersuchen, wodurch die psychische Belastung der Patienten, die auf Testberichte warten, verringert wird.

Lesen Sie:Google entwickelt KI, die Herzkrankheiten vorhersagt, indem sie Ihre Augen scannt

Diese Studie ist Teil der Arbeit von IBM, mit künstlicher Intelligenz und biophysikalischen Modellen ein vollständiges und genaueres Bild der inneren Mechanismen des Herzens zu erstellen. Sie haben neue Techniken veröffentlicht, um zu visualisieren, was im Herzen auf zellulärer und anatomischer Ebene vor sich geht.