Angiografía computacional: modelado basado en física y aprendizaje automático para el diagnóstico de enfermedades vasculares
Una investigación, presentada en iHEALTH Seminar Series del martes 14 de abril por el profesor C. Alberto Figueroa de la Universidad de Michigan, busca desarrollar métodos computacionales que aborden la disfunción microvascular aprovechando la información que entrega la angiografía coronaria.
La disfunción microvascular coronaria (DMC) es una enfermedad cardíaca donde los pequeños vasos sanguíneos del corazón no se dilatan adecuadamente, reduciendo el flujo sanguíneo y provocando isquemia, a menudo sin obstrucciones en las arterias grandes. Causa dolor torácico (angina), fatiga y falta de aire, siendo más común en mujeres.
Existen procedimientos diagnósticos, tanto anatómicos como funcionales, para la evaluación de esta patología, que van desde pruebas de esfuerzo funcionales, sin obtención de imágenes vasculares, hasta la tomografía por emisión de positrones (PET) una prueba de imagen nuclear no invasiva que utiliza trazadores para evaluar el flujo sanguíneo y el metabolismo del corazón y que permite evaluar déficits de perfusión en reposo y bajo estrés.
"En cuanto a los dispositivos disponibles, se pueden clasificar según si evalúan el sistema globalmente, sólo vasos grandes o vasos pequeños”. No obstante, como señaló Figueroa: “los métodos computacionales que abordan específicamente la disfunción microvascular son actualmente escasos. Nuestra investigación se enfoca en desarrollar métodos que aprovechen la información de la angiografía coronaria para este propósito” explicó C. Alberto Figueroa en su exposición Computational Angiography: Leveraging Physics-based Computational Modeling and Machine Learning for Large and Small Vessel Disease Diagnosis.
La angiografía coronaria se basa en imagen de rayos X, es bidimensional y usa un agente de contraste. Al describir las características técnicas de la angiografía moderna, Figueroa destacó tanto sus fortalezas como sus limitaciones: "los sistemas modernos permiten adquirir videos de forma estereoscópica con dos brazos simultáneos. Sus ventajas incluyen mayor resolución que la TC y capacidad en tiempo real, a 10-15 cuadros por segundo. Sus desventajas son que es bidimensional y que los videos no están sincronizados".
Según datos presentados por el especialista, se realizan al menos 4 millones de angiografías al año solo en Estados Unidos y Europa, y probablemente 10 millones en todo el mundo. Sin embargo, esa masividad contrasta con el uso limitado que se ha hecho de la información que estas imágenes contienen. "Históricamente, la cardiología las ha usado solo para propósitos anatómicos, aunque contienen mucha información sobre la física del flujo", señaló Figueroa.
Por ello, el laboratorio del investigador desarrolla herramientas de modelado del flujo sanguíneo que combinan imágenes médicas, aprendizaje automático y mecánica computacional de fluidos y sólidos. A través de IA evalúan las arterias coronarias mediante angiografía de rayos X.
“Nuestro objetivo principal es el territorio microvascular. Si se puede describir la posición del agente de contraste cuadro a cuadro, es posible crear histogramas de intensidad de contraste en todo el árbol coronario. La pregunta es: ¿pueden estos histogramas revelar lo que ocurre en la microcirculación?” cuestiona el investigador.
La respuesta, según Figueroa, es afirmativa, y su equipo ya cuenta con evidencia computacional que lo respalda. Para demostrarlo, desarrollaron un modelo que simula físicamente cómo se comporta el agente de contraste dentro del sistema vascular: "acoplamos las ecuaciones de Navier-Stokes con una ecuación de advección-difusión para simular la inyección de contraste, lo que nos permite calibrar modelos y crear angiogramas computacionales. Al variar solo la resistencia microvascular, manteniendo todo lo demás constante, obtenemos exactamente lo que la intuición predice: mayor resistencia equivale a lavado más lento".
Stokes-PINNs
La segunda presentación del Seminar Series, realizada por Jeremías Garay, investigador postdoctoral en iHEALTH, abordó cómo simular el flujo sanguíneo en geometrías complejas, aquellas que aparecen frecuentemente en el sistema cardiovascular: arterias coronarias, intracraneales, y también en la aorta.
“Cuando tenemos toda la información disponible, los métodos numéricos clásicos funcionan muy bien. El problema es que a menudo no tenemos todos los datos, y si usamos parámetros promediados, perdemos la especificidad del paciente” analizó el investigador que actualmente se desempeña como profesor en el Departamento de Informática de la Universidad Técnica Federico Santa María.
Es así como las redes neuronales informadas por física (PINNs) ofrecen más flexibilidad “permiten resolver problemas e inferir datos faltantes al mismo tiempo que se resuelve el problema directo” complementa Jeremías.
"Basados en el método de modos de Stokes, codificamos toda la información geométrica antes, produciendo un conjunto infinito de soluciones base, cada una adaptada a la geometría del dominio, tanto para velocidad como para presión. Esta información rica se entrega a la red antes del entrenamiento, lo que llamamos Stokes-PINNs", explicó el investigador.
Los resultados validan la apuesta: con pocos sensores disponibles, Stokes-PINNs logra aproximar la solución de manera notablemente más precisa que los PINNs clásicos. Para Garay, la clave está en no desperdiciar lo que ya se sabe antes de entrenar el modelo: "aprovechamos al máximo toda la información disponible antes del entrenamiento".
