Les stimulateurs cardiaques et autres dispositifs implantables qui rétablissent des rythmes cardiaques normaux ont sauvé des millions de vies.
Chez certains patients, un stimulateur cardiaque ou un défibrillateur automatique implantable modifié pour la « thérapie de resynchronisation cardiaque », ou CRT, peut améliorer considérablement l’insuffisance cardiaque en synchronisant la fonction de pompage du cœur. Malheureusement, beaucoup de gens ne répondent pas au CRT et parmi ceux qui le font, certains ne réalisent pas tout son potentiel – ; y compris une capacité d’exercice accrue et le fait de ne pas rester à l’hôpital.
Le CRT peut sauver ou changer de nombreuses autres vies, déclare Miaomiao Zhang, professeur adjoint à la faculté d’ingénierie et de sciences appliquées de l’Université de Virginie. Elle espère améliorer considérablement les résultats du CRT grâce à un nouveau projet, « Deep Learning to Automate Late Mechanical Activation Detection from Cardiac Magnetic Resonance Images », pour lequel elle a reçu un prix Trailblazer R21 du National Institute of Biomedical Imaging and Bioengineering.
Dans un cœur sain, des signaux électriques synchronisés stimulent la contraction simultanée des cavités. « Activation mécanique tardive » signifie que la contraction d’une ou plusieurs chambres est retardée par rapport aux autres lorsque le muscle cardiaque traverse le cycle cardiaque.
La thérapie de resynchronisation cardiaque, ou CRT, est utilisée pour envoyer des impulsions électriques via des électrodes aux sites affectés, leur indiquant quand se déclencher. Le placement incorrect des électrodes est un facteur important contribuant à l’échec du CRT, a déclaré Zhang, qui occupe des postes conjoints au Département de génie électrique et informatique de Charles L. Brown et au Département d’informatique.
L’objectif de la recherche de Zhang est d’aider les cardiologues à identifier rapidement et avec précision l’emplacement des anomalies cardiaques et à guider le placement des électrodes CRT. Pour ce faire, elle prévoit de développer des techniques avancées d’apprentissage automatique et d’intelligence artificielle pour analyser l’imagerie par résonance magnétique ciné, une procédure d’IRM qui visualise le muscle cardiaque en action.
Et c’est là que ses collaborateurs -; Frederick Epstein, professeur Mac Wade d’UVA en génie biomédical et professeur de radiologie et d’imagerie médicale, et le cardiologue UVA Health Kenneth Bilchick – ; Entrez.
Zhang utilisera un ensemble de données unique provenant de plus de 200 patients de Bilchick qui ont été traités par CRT à UVA Health pour former ses algorithmes. Les données anonymisées des patients comprennent les données démographiques, d’autres risques pour la santé et les IRM ciné DENSE, qui sont des IRM ciné acquis avec une technologie améliorée appelée « codage de déplacement utilisant des échos stimulés ». Cette imagerie est effectuée avant l’implantation du CRT et pendant plusieurs années après pour évaluer les résultats.
Les IRM Cine DENSE sont beaucoup plus précises que les IRM ciné standard pour mesurer la fonction cardiaque. Epstein et son groupe de recherche à l’UVA ont été à l’avant-garde du développement de l’IRM ciné DENSE au cours des deux dernières décennies.
Bilchick utilise régulièrement la technique d’imagerie non seulement pour placer correctement les électrodes CRT pour de meilleurs résultats, mais pour aider à déterminer si la CRT est susceptible de bénéficier au patient.
En utilisant l’ensemble de données d’UVA pour entraîner ses algorithmes à identifier les anomalies à partir d’IRM standard, Zhang espère automatiser efficacement l’analyse IRM.
La recherche pourrait être un égaliseur, a déclaré Zhang.
« Tous les centres cliniques ne disposent pas d’une installation d’IRM DENSE, et tous les patients ne peuvent pas tolérer une procédure d’IRM prolongée », a-t-elle déclaré. « Nous pensons que nous pouvons atteindre la même précision en utilisant la technologie IRM standard sans DENSE qui est disponible dans les sites cliniques du monde entier. »
Le National Institutes of Health Trailblazer Award fournira au projet 660 000 $ sur trois ans en utilisant une disposition améliorée du R21, le programme des NIH pour la recherche exploratoire ou développementale. Les bourses Trailblazer sont conçues pour les «chercheurs nouveaux et en début de carrière définis par les NIH».
L’équipe de recherche de Zhang a reçu une subvention de démarrage du Centre d’ingénierie en médecine de l’UVA pour développer des données préliminaires pour la proposition R21.
Zhang a également reçu un prix CAREER de la National Science Foundation cette année -; un autre honneur prestigieux pour les professeurs en début de carrière, qui reconnaît le potentiel de leadership dans la recherche et l’éducation.
Zhang a obtenu son doctorat. en informatique à l’Université de l’Utah en 2016 et a été postdoctorant associé au laboratoire d’informatique et d’intelligence artificielle du Massachusetts Institute of Technology. En 2014, elle a remporté un Young Scientist Award de la Medical Image Computing and Computer Assisted Intervention Society, dont elle est membre active et présidente de secteur.
La combinaison de sa formation spécialisée et des avancées exceptionnelles dans la théorie de l’apprentissage automatique est unique, a déclaré Scott Acton, professeur à l’UVA et directeur du département de génie électrique et informatique.
Tous les ingénieurs ne peuvent pas communiquer efficacement avec les chercheurs médicaux et faire progresser l’état de l’art en ingénierie et en informatique en même temps. Le professeur Zhang est la colle et le stimulant de recherche rares qui peuvent avoir un impact significatif en médecine. »
Scott Acton , professeur UVA et directeur du département de génie électrique et informatique
Ce potentiel d’impact a attiré Zhang vers UVA Engineering, qui offre de solides recherches sur l’apprentissage automatique, le traitement d’images et l’imagerie biomédicale, ainsi que la proximité de l’école de médecine de classe mondiale d’UVA. Ici, elle et des médecins comme Bilchick peuvent collaborer pour concevoir, tester et valider en continu des algorithmes d’IA dans des contextes cliniques réels.
« L’IA explose partout dans notre vie quotidienne », a déclaré Zhang. « Mais l’utilisation de l’IA dans des applications du monde réel telles que les soins de santé présente encore de nombreux défis. Faire le pont entre l’IA d’apprentissage automatique et la médecine clinique est passionnant et gratifiant. Il est important pour moi que mon travail puisse faire une différence pour les gens. «
