מענק של 4 מיליון דולר מהמכונים הלאומיים לבריאות מסייע לחוקרי סגל בבית הספר להנדסה ומדע יישומי של אוניברסיטת וירג'יניה לפתח כלי בינה מלאכותית להתאמה אישית של טיפולים לאנשים עם אי ספיקת לב.
מקבל הפרס, Miaomiao Zhang, עוזר פרופסור להנדסת חשמל ומחשבים ומדעי המחשב, משתף פעולה עם עמיתים בהנדסה ביו-רפואית וקלינאים ב-UVA Health כדי לפתח את GenStrain, מודל בינה מלאכותית שיכול יום אחד לעזור לרופאים לקבוע איזה סוג של טיפול בקצב צפוי להועיל למטופל בודד.
אם תצליח, GenStrain יכולה להפוך סריקת MRI שגרתית הזמינה ברוב בתי החולים לתמונה מפורטת של האופן שבו שריר הלב של המטופל נע – לעזור לרופאים לבחור את טיפול הקצוב שהסביר ביותר יעבוד ולהוביל לטיפול טוב יותר בלב ולתוצאות המטופל.
מדוע טיפול בקוצב לעיתים קרובות נופל
יותר מ-6 מיליון אמריקאים חיים עם אי ספיקת לב, על פי איגוד הלב האמריקאי. אצל אנשים רבים עם אי ספיקת לב, החדרים התחתונים של הלב אינם מתכווצים עוד בסנכרון, מה שמחליש כל פעימת לב.
מכשירי קוצב לב מושתלים המשחזרים את הקואורדינציה הזו שיפרו והצילו אינספור חיים, אך 30% עד 40% מהמטופלים המקבלים טיפול בסינכרון מחדש של הלב, או CRT – הנפוץ ביותר מבין טיפולי הקיצוב הללו – עדיין לא מגיבים כפי שציפו. ג'אנג והצוות שלה מקווים שהגישה שלהם תעזור לפתור את זה.
רופאים, כולל החוקר השותף של ג'אנג, הקרדיולוג הבריאותי של UVA Kenneth Bilchick, מסתמכים כיום על שתי גישות קצב עיקריות להפחתת אי ספיקת לב. CRT מסורתי משתמש בקצב דו-חדרי, הממריץ את שני החדרים התחתונים של הלב. אפשרות חדשה יותר, קצב אזור ענף שמאלי, או LBBAP, פועלת דרך חלק ממערכת החשמל הטבעית של הלב.
שתי הגישות יכולות להיות יעילות, אבל לרופאים אין עדיין דרך אמינה להחליט מה הכי טוב עבור מטופל נתון – וזה מתחיל בנתונים.
אחת הדרכים לשפר את ההחלטות הללו היא למדוד מתח אזורי של שריר הלב, או עד כמה שריר הלב נמתח ומתכווץ עם כל פעימה. אמנם אין כלל מודרך קלינית לבחירת גישה אחת על פני האחרת, אך נתוני הזנים יכולים להציע רמזים לאיזה טיפול צפויים מטופלים להגיב על ידי הצגת היכן וכיצד הלב אינו מסונכרן.
"נכון לעכשיו, תקן הזהב למדידת זה הוא טכניקת ה-DENSE MRI, אך היא דורשת זמן סריקה נוסף ואינה זמינה ברוב סורקי בתי החולים", אמר Rihov Paul, Ph.D. סטודנט שעבד בצוות המחקר של ג'אנג במשך שלוש שנים.
DENSE, קיצור של קידוד תזוזה עם הדים מעוררים, עוקב בדיוק אחר האופן שבו רקמת הלב נעה, אך סוג זה של MRI זמין בדרך כלל רק בבתי חולים מחקריים ובמתקני לב מיוחדים.
סריקות MRI סטנדרטיות ללב (זזות) זמינות רבות אך אינן יכולות ללכוד את אותה רמת פירוט. זה משאיר את הרופאים עם דילמה: סריקת ה-MRI שמודדת את המתח בצורה הטובה ביותר, ויכולה לעזור להם להחליט איזה מהלך הטיפול הוא הטוב ביותר עבור חולי אי ספיקת לב, היא זו שרוב החולים האלה לא יכולים לקבל בקלות.
כיצד AI גנראטיבי יכול לקבל יותר מ-MRI לבבי סטנדרטי
הצוות של ג'אנג מפתח מודל AI מחולל שלומד מסריקות MRI DENSE איך נראית תנועת לב מדויקת, ואז מיישם את הידע הזה על סריקות MRI סטנדרטיות, אמר פול, המפתח הראשי מאחורי GenStrain.
"המטרה היא לייצר הערכות תנועה ומתח באיכות DENSE מ-MRI סטנדרטי, שנרכש באופן שגרתי בלבד, ללא סריקה נוספת", אמר.
ג'אנג החלה לחקור כיצד להשיג יותר מסריקות MRI שגרתיות לבביות בשנת 2023, כאשר קיבלה פרס NIH R21 Trailblazer. עבודה זו הניחה את הבסיס לפרס החדש, שמתמודד עם אותה בעיה: עזרה לרופאים להתאים לחולי אי ספיקת לב את הטיפול הקיצוני שסביר שיועיל להם.
מה שהשתנה מאז 2023 הוא קנה המידה של הפרויקט. המענק החדש מרחיב את הגישה של ג'אנג לנתונים ממספר מוסדות מעבר ל-UVA. הצוות שלה גם מפתח שיטות בינה מלאכותית מתקדמות יותר שנועדו לעבוד בצורה אמינה על פני מסגרות קליניות מגוונות.
אנחנו כבר לא מתמקדים רק בשאלה אם הדגם עובד ב-UVA. אנחנו רוצים לדעת אם זה נשאר אמין במספר מרכזים קליניים ובמקרים מאתגרים של חולים".
מיאומיאו ג'אנג, עוזר פרופסור להנדסת חשמל ומחשבים ומדעי המחשב, בית הספר להנדסה ומדע יישומי של וירג'יניה
מקרה לשיתוף פעולה
במשך מספר שנים, ג'אנג עבד עם פרדריק אפשטיין, פרופסור מק ווייד מ-UVA להנדסה ביו-רפואית ופרופסור לרדיולוגיה והדמיה רפואית, ו-Bilchick.
אפשטיין וקבוצת המחקר שלו היו בחזית הפיתוח של cine DENSE MRI בשני העשורים האחרונים. הצוות שלו מספק את נתוני ההדמיה האיכותיים המשמשים את הקבוצה של ג'אנג כדי לבנות ולהעריך את המודלים של AI, בעוד Bilchick עוזר לזהות את השאלות הקליניות שהטכנולוגיה שלהם תענה בסופו של דבר.
"הצוות שלנו מפגיש מומחיות משלימה", אמר ג'אנג. "מדעני הדמיה מספקים את הנתונים האיכותיים, מהנדסים מפתחים את כלי הבינה המלאכותית וקרדיולוגים עוזרים להבטיח שהעבודה נותנת מענה לצרכים קליניים אמיתיים".
חוקרים משתפים פעולה עם צוותים באוניברסיטת וירג'יניה קומונווולת', מכללת ביילור לרפואה, אוניברסיטת יוטה ומוסדות שותפים אחרים כדי לבדוק את GenStrain מעבר ל-UVA. הצוותים ישתמשו בהדמיה אנונימית ובנתונים קליניים כדי להעריך באיזו מידה המודל מתפקד באוכלוסיות מטופלים ובסביבות קליניות שונות.
Ph.D שנה א'. הסטודנט Zafer Yildiz נרגש מהפוטנציאל של המודל לעזור למטופלים.
"אני מעוניין בבניית מערכות בינה מלאכותיות שהן לא רק מדויקות, אלא גם אמינות ומעשיות במסגרות קליניות", אמר ילדיז, אך ציין כי העבודה עם נתוני הדמיה רפואית היא מאתגרת מטבעה.
לפעמים צוות המחקר, הכולל סטודנטים לתואר ראשון, מוצא חוסר עקביות בין הנתונים של GenStrain לבין רישומי חולים אנונימיים בפועל שיש לפתור ולהתייחס אליהם במודל.
"סריקות רפואיות לא תמיד מושלמות, ולפעמים קשה לראות את הפרטים אפילו עבור רדיולוג מומחה", אמר ילדיז. "ללמד מודל למצוא אותם זה אפילו יותר קשה."
דרך לניסויים קליניים
בעוד שההתקדמות המהירה של AI הרחיבה את מה שג'אנג והצוות שלה יכולים לעשות, דיוק לבדו אינו מספיק. החוקרים מפתחים גם שיטות להכשיר את המודלים שלהם להסביר את ה"חשיבה" הבסיסית כך שההמלצות יהיו אמינות יותר וניתנות לפרשנות עבור קלינאים.
"עבור שירותי בריאות, AI לא יכול להיות פשוט קופסה שחורה", אמר ג'אנג. "הקלינאים צריכים להבין מדוע הכלי נותן המלצה מסוימת."
במהלך חמש השנים הקרובות, הצוות יפתח ויאמת את GenStrain באמצעות נתונים מ-UVA והמוסדות השותפים שלה. ניסוי קליני יהיה צעד עתידי, לאחר שהחוקרים יקבעו שהטכנולוגיה פועלת בצורה מדויקת ואמינה במסגרות מגוונות.
סקוט אקטון, יו"ר המחלקה להנדסת חשמל ומחשבים של צ'ארלס ל. בראון ופרופסור להנדסה של חברת הטלפונים והטלגרפים האמריקאית, אמר שהתמיכה של UVA במחקר בין-תחומי מספקת קרקע פורייה לעבודה חדשנית כמו זו של ג'אנג.
"פרויקט זה במימון NIH מציב את מיאומיאו ג'אנג ומשתפי הפעולה שלה בחזית השינוי של רפואת הלב וכלי הדם באמצעות בינה מלאכותית וראייה ממוחשבת", אמר. "העבודה שלהם עוזרת לעצב את העתיד של האופן שבו טכנולוגיות אלו משולבות בטיפול קרדיווסקולרי ומראה את היצירתיות שהחוקרים מביאים לפתרון אתגרים אלו."
זו דוגמה מצוינת ליכולות הבינה המלאכותית הטובה לעשות אם מיושמת אותה כהלכה, אמר ג'אנג.
"AI הוא נהדר אם אתה מנצל אותו בצורה הנכונה. זה בהחלט יכול לשנות את חייהם של אנשים, במיוחד בתחום הבריאות", אמרה. "מצד שני, אנחנו צריכים גם לפתח בקפידה את הטכניקות האלה כדי שיועיל לחברה בלי נזקים לא מכוונים".
זה הופך את הלולאה מהנדסה ליישום קליני חזרה להנדסה לקריטית יותר, מכיוון שפיתוח כלי בינה מלאכותית לבריאות בדרך הנכונה הוא מאתגר, אמר ג'אנג.
UVA מעודדת באופן פעיל סוג כזה של מחקר בין-תחומי, וזה עושה את ההבדל, היא הוסיפה. "הפגישה של מהנדסים, פיזיולוגים וקרדיולוגים היה חיוני לקידום העבודה הזו".
