IBM Hadirkan AI yang Mensimulasikan Fungsi Jantung dalam Beberapa Menit
- Metode baru menggunakan algoritma komputasi berkinerja tinggi untuk meningkatkan simulasi Fractional Flow Reserve virtual.
- Algoritma didasarkan pada metode percepatan machine learning dan deep learning yang disebut Gaussian Process regression.
- Ia dapat mensimulasikan apa yang terjadi di dalam jantung dengan sempurna dalam 1-2 menit.
Sebagian besar model multi-scale mekanika jantung tampak menjanjikan tetapi ketika datang ke diagnosis dan pengobatan, kemampuannya cukup terbatas. Karena mereka tidak mampu menangani data klinis secara efisien, membatasi variabel yang tidak ditetapkan, dan menangani kompleksitas komputasi, mereka tidak dapat memberikan bantuan yang efektif untuk keputusan klinis dan perawatan medis.
Jenis penyakit jantung yang paling umum adalah Penyakit Arteri Koroner (CAD), yang mempengaruhi hampir 16,5 juta orang dewasa Amerika Serikat. Ini juga adalah penyebab kematian utama bagi perempuan dan pria di AS. Menurut Cleveland Clinic, seseorang di AS mengalami serangan jantung setiap 40 detik.
Ini adalah kondisi di mana arteri koroner tersumbat (atau menyempit) akibat tumpukan lemak dan kolesterol (disebut plak) pada dinding dalam arteri. Plak ini membatasi aliran darah yang dapat mengarah pada serangan jantung.
Mensimulasikan Aliran Darah dalam Arteri
Untuk meningkatkan diagnosis penyakit seperti itu, peneliti mengeksplorasi metode baru untuk memeriksa blokir arteri menggunakan teknik yang disebut virtual Fractional Flow Reserve (vFFR). Ini menggunakan Computational Fluid Dynamics dan X-ray angiogram untuk menyelidiki gerakan fluida dan mensimulasikan aliran darah dalam arteri koroner.
Untuk mengamati plak di dalam arteri, pasien perlu menjalani suntikan agen hiperemik. Namun, simulasi jenis ini menghilangkan kebutuhan akan kateter kawat tekanan.
vFFR yang ada berdasarkan algoritma computational fluid dynamics sering memakan waktu lebih dari satu hari untuk menghasilkan simulasi lengkap. Untuk menggunakan metode vFFR secara efektif, perlu untuk meningkatkan algoritma yang dijalankannya, tanpa mengurangi akurasi diagnosis. Ia harus dapat menghitung simulasi lengkap dalam menit, memberikan tampilan yang lebih luas tentang arteri yang tersumbat.
Untuk memenuhi persyaratan ini, peneliti IBM mengembangkan metode baru yang menggunakan algoritma komputasi berkinerja tinggi untuk meningkatkan simulasi vFFR. Algoritma didasarkan pada machine learning dan metode percepatan deep learning yang disebut Gaussian Process regression. Ini dapat digunakan untuk membantu algoritma optimasi, bahkan dalam skenario sulit di mana objektif fungsional tidak dapat diturunkan dengan mudah.
Referensi: Frontiers Physiology | doi:10.3389/fphys.2018.01002 | IBM
Algoritma menggunakan ukuran, lokasi, dan kedalaman transmural infark sebagai variabel input dan model perubahan yang dihitung dalam simulasi. Ia dapat mengeksekusi 40 simulasi infark dengan lokasi dan bentuk yang bervariasi. Setelah dilatih pada hasil simulasi elemen hingga, algoritma memberikan representasi yang berguna untuk menyelidiki efek kompleks.
Simulasi hemodinamis untuk diagnosis berbasis vFFR dieksekusi dalam 1-2 menit pada sistem POWER9 dengan GPU NVIDIA Tesla V100. Menurut peneliti, ini adalah simulasi jenis pertama yang dieksekusi hampir secara real-time.
Simulasi model yang cepat dapat mengurangi tenaga kerja manual dan membantu dokter dengan cepat memeriksa kondisi jantung, meringankan beban mental bagi pasien yang menunggu laporan tes.
Baca: Google Mengembangkan AI yang Memprediksi Penyakit Jantung dengan Memindai Mata Anda
Studi ini adalah bagian dari kerja IBM untuk membangun gambaran yang lengkap dan lebih tepat tentang mekanisme dalam jantung dengan kecerdasan buatan dan model biofisik. Mereka telah menerbitkan teknik baru untuk memvisualisasikan apa yang terjadi di dalam jantung pada tingkat seluler dan anatomis.
