IBM bricht Durchbruch: KI simuliert Herzfunktion in Minuten

• Neue Methode nutzt High-Performance-Computing-Algorithmen zur Verbesserung virtueller Fractional Flow Reserve-Simulationen.
• Algorithmus basiert auf Machine Learning und Deep Learning Beschleunigungsmethode Gaussian Process Regression.
• Simuliert Herzinneres perfekt innerhalb von 1–2 Minuten.

Die meisten Mehrskalenmodelle der Herzmechanik sehen vielversprechend aus, aber bei Diagnose und Behandlung sind ihre Fähigkeiten begrenzt. Da sie klinische Daten nicht effizient handhaben, unfeste Variablen nicht eingrenzen und computergestützte Komplexität nicht bewältigen können, bieten sie keine effektive Unterstützung für klinische Entscheidungen und medizinische Versorgung.

Die häufigste Herzerkrankung ist Koronare Herzkrankheit (KHK), die fast 16,5 Millionen US-Erwachsene betrifft. Sie ist auch die führende Todesursache für Frauen und Männer in den USA. Laut Cleveland Clinic erleidet alle 40 Sekunden jemand in den USA einen Herzinfarkt.

Es handelt sich um einen Zustand, bei dem Koronararterien durch Ablagerungen von Fett und Cholesterin (Plaques) an den inneren Arterienwänden blockiert oder verengt werden. Diese Plaques behindern den Blutfluss, was zu Herzinfarkt führen kann.

Blutfluss in Arterien simulieren

Zur Verbesserung der Diagnose solcher Erkrankungen erforschen Wissenschaftler neue Methoden zur Untersuchung von Arterienblockaden mittels virtual Fractional Flow Reserve (vFFR). Es nutzt Computational Fluid Dynamics und Röntgenangiogramme, um Flüssigkeitsbewegungen zu untersuchen und Blutfluss in Koronararterien zu simulieren.

Um Plaques in Arterien zu sehen, muss ein Patient hyperämische Agentinjektionen durchlaufen. Solche Simulationen machen jedoch einen Druckdrahtkatheter überflüssig.

Bestehende vFFR auf Basis computergestützter Fluiddynamik-Algorithmen brauchen oft mehr als einen Tag für eine vollständige Simulation. Für effektive vFFR-Nutzung müssen die Algorithmen verbessert werden, ohne diagnostische Genauigkeit zu reduzieren. Sie sollten eine Vollsimulation in Minuten berechnen und einen breiteren Blick auf blockierte Arterien bieten.

IBM-Forscher entwickelten eine neue Methode mit High-Performance-Computing-Algorithmen zur Verbesserung von vFFR-Simulationen. Der Algorithmus basiert auf Machine Learning und Deep Learning Beschleunigung durch Gaussian Process Regression. Er kann Optimierungsalgorithmen unterstützen, selbst in kniffligen Szenarien, wo Zielfunktionen nicht leicht differenzierbar sind.

Referenz: Frontiers Physiology | doi:10.3389/fphys.2018.01002 | IBM

Der Algorithmus nimmt Größe, Lage und transmurale Tiefe des Infarkts als Eingabevariablen und modelliert berechnete Änderungen in Simulationen. Er kann 40 Simulationen von Infarkten an verschiedenen Orten und Formen ausführen. Nach Training an Ergebnissen finiter Element-Simulationen liefert der Algorithmus eine nützliche Repräsentation zur Untersuchung komplexer Effekte.

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

Schnelle Modellsimulationen reduzieren manuellen Aufwand und helfen Klinikern, Herzzustände schnell zu prüfen, was die mentale Belastung für Patienten verkürzt, die auf Testergebnisse warten.

Weiterlesen: Google entwickelt KI, die Herzkrankheiten durch Scannen Ihrer Augen vorhersagt

Diese Studie ist Teil von IBMs Arbeit, ein vollständiges und präziseres Bild innerer Herzmechanismen mit KI und biophysikalischen Modellen zu erstellen. Sie veröffentlichten neue Techniken zur Visualisierung zellulärer und anatomischer Herzprozesse.