Viktor Van der Valk

Samenvatting

In deze thesis wordt de integratie van AI, en in het bijzonder deep learning, in verschillende stadia van de klinische workflow van het myocardinfarct (MI) belicht, varierend van beeldvorming en fysiologische monitoring tot het verkrijgen van gestructureerde data uit vrije-tekst rapporten. In verschillende data modaliteiten en voor verschillende taken wordt onderzocht hoe AI en, indien relevant, explainable AI-methoden de klinische werkdruk kunnen verminderen.

In Hoofdstuk 2 gaan we in op de groeiende interesse in deep learning gebaseerde analyse methoden voor invasieve coronaire angiografie (ICA) door een systematische review van het vakgebied te doen. Het veld wordt gekenmerkt door heterogeniteit in taken, evaluatie methoden en datasets, wat directe vergelijking en klinische translatie bemoeilijkt. Door de bestaande literatuur te verdelen in vier primaire taken van de klinische workflow: frameselectie, vatsegmentatie, laesielocalisatie en laesiebeoordeling, hebben we geprobeerd structuur aan te brengen in een gefragmenteerd onderzoekslandschap. We identificeren daarnaast methodologische trends en veelvoorkomende beperkingen, en stellen klinisch relevante toekomstige richtingen en aanbevelingen voor, om eerlijke benchmarking te faciliteren.

In Hoofdstuk 3 onderzoeken we hoe LLM’s de extractie van klinisch relevante variabelen uit semi-gestructureerde ICA- en echocardiografie-rapporten kunnen automatiseren. Door meerdere LLM trainingstechnieken, prompt engineering en fine-tuning te evalueren op GPUs van verschillende grootte, tonen we aan dat de nauwkeurigheid van LLM’s over het algemeen goed is, maar afhangt van taakcomplexiteit, modelgrootte en klassenverdeling.

Desalniettemin laten we zien dat zelfs kleinere lokaal draaiende LLM’s bruikbaar zijn voor de accurate extractie van eenvoudige labels, zoals linkerventrikelfunctie (LVF) of behandelstrategie, uit rapporten van hartpatienten. Dit werk maakt de geautomatiseerde structurering van grote hoeveelheden klinische data mogelijk en legt de basis voor schaalbare cohortcreatie, modeltraining en retrospectieve analyse. De succesvolle classificatie van echocardiogramrapporten met LLM’s versnelde direct het labelproces voor de ECG classificatiestudies in Hoofdstuk 4, 5 en 6. LLM’s hebben hier een directe toepassing die de onderzoeksworkflow versnelt, maar zouden op vergelijkbare wijze ook de klinische workflow kunnen versnellen.

Tot slot richten we ons in Hoofdstuk 4, 5 en 6 op het ECG als een breed toegankelijke, niet-invasieve databron voor het beoordelen van vaatlijden. We behandelen de ontwikkeling en evaluatie van explainable AI-modellen gebaseerd op VAEs, gericht op het voorspellen van LVF, een cruciale prognostische marker na MI, en mortaliteit.

In Hoofdstuk 4 verbeteren we deze voorspelling (AUC=0.853) en explainability door reconstructie- en classificatiedoelen gezamenlijk te optimaliseren, hiermee tonen we aan dat betekenisvolle kenmerken kunnen worden geextraheerd uit het 12-afleidingen ECG. In Hoofdstuk 5 breiden we deze aanpak uit door LVF-specifieke kenmerken expliciet te ontkoppelen in de latente ruimte van de VAE via supervised adversarial learning. Dit stelt ons niet alleen in staat om de voorspellende waarde te behouden (AUC=0.868), maar ook om interpreteerbare signaal-specifieke visualisaties te genereren van hoe variaties in het ECG signaal zich verhoud tot de LVF. Dit vergroot de transparantie en betrouwbaarheid van het model in een klinische setting. In Hoofdstuk 6 passen we dezelfde methode toe op het 1-afleiding smartwatch ECG en vergelijken we de LVF-voorspelling van het 1-afleiding (AUC=0.883) en het 12-afleidingen (AUC=0.897) ECG. Deze vergelijking is bedoeld om het gebruik van het 1-afleiding ECG als proxy te evalueren voor zowel LVF voorspeld met het 12-afleidingen ECG als direct van het echocardiogram.

De studies in deze thesis tonen aan hoe deep learning-modellen, wanneer zorgvuldig afgestemd op klinische taken, kunnen bijdragen aan een efficientere en schaalbare MI-workflow. Van het automatiseren van complexe beeldanalyses tot het structureren van tekst en het afleiden van interpreteerbare fysiologische markers, kan AI handige oplossingen bieden om de toenemende druk op zorgsystemen te verlichten. Er zijn echter nog een groot aantal uitdagingen bij het gebruik van AI in de cardiologie.

Conclusie

Het MI-zorgpad is complex en arbeidsintensief en zal daarom steeds onhoudbaarder worden gezien de toenemende prevalentie van cardiovasculaire aandoeningen [1]. Deze thesis presenteert hiervoor een veelzijdige aanpak met behulp van schaalbare explainable AI-methoden voor beeldvorming, fysiologische signalen en klinische tekst.

We hebben aangetoond dat deep learning de diagnostische nauwkeurigheid en explainability kan verbeteren in ICA- en ECG-analyse, en dat grote taalmodellen labels uit ongestructureerde klinische rapporten kunnen halen, beide cruciale factoren voor het genereren van grote, gelabelde datasets en het ondersteunen van data-driven besluitvorming. Door methodologische tekortkomingen te identificeren, praktische oplossingen voor te stellen en proof-of-concept implementaties te demonstreren, draagt dit werk bij aan de groeiende hoeveelheid onderzoek die erop gericht is de kloof tussen AI-ontwikkeling en klinische adoptie te overbruggen.

Uiteindelijk zal de impact van AI in de cardiologie niet alleen afhangen van technische vooruitgang, maar ook van zorgvuldige integratie in klinische workflows, transparantie van algoritmen en de beschikbaarheid van hoogwaardige data. Interdisciplinaire samenwerking tussen clinici, ingenieurs en datawetenschappers zal cruciaal zijn om ervoor te zorgen dat het volledige potentieel van AI wordt benut om patientuitkomsten in cardiovasculaire zorg te verbeteren.