Interpretovatelné zobrazování perfuze plic s modelováním na základě charakteristických rysů souvisejících se srdečním signálem EIT

Abstract

Získanie distribúcie perfúzie pľúc kontinuálnym, neinvazívnym spôsobom sa považuje za sľubnú metódu, keďže súčasný zlatý štandard, tradičná zobrazovacia metóda založená na žiarení, predstavuje invazívne a potenciálne škodlivé riešenie. Cieľom tejto práce je vyvinúť štatistický model založený na údajoch, ktorý dokáže posúdiť perfúziu neinvazívne a v reálnom čase, pričom sa zameriava na využitie srdcovej zložky signálu z elektrickej impedančnej tomografie a využitie extrahovaných znakov zo signálu. V práci sa využívajú dve hlavné štatistické úlohy: regresia na kvantifikáciu perfúzie pľúc a klasifikácia na posúdenie ich blokády. Modely sa trénujú na skutočných údajoch zvierat s rôznou mierou perfúzie, pričom ako referencia slúži prietok odvodený zo signálu po podaní kontrastného roztoku. Pre objektívne vyhodnotenie výsledkov sa používajú techniky krížovej validácie, ktoré odhaľujú variabilitu dat medzi zvieratami, ktorá ovplyvňuje kvalitu modelov. Interpretovateľné modely, od jednoduchej logistickej regresie až po zovšeobecnené aditívne modely sú implementované s cieľom poskytnúť riešenie a porovnávajú sa s black-box modelmi, ako napríklad Random Forests a XGBoost. Hoci black-box modely všeobecne mierne prekonávajú interpretovateľné modely, aj oni vykazujú sľubné výsledky v regresii a klasifikácii v porovnaní s jednopríznakovým lineárnym modelom porovnateľným so state-of-the-art modelom, označeným ako baseline model. Táto práca úspešne skúma signál súvisiaci so srdcom v kontexte perfúzie pľúc, pričom poukazuje na jeho možnosti a limity. Výsledky a budúce výskumy môžu viesť k vývoju neinvazívneho prístupu na určenie perfúzie pľúc v reálnom čase.

Obtaining the lung perfusion distribution in a continuous, non-invasive way is considered a promising method, as the current gold standard, traditional radiation-based imaging method, represents an invasive and potentially harmful solution. The aim of this thesis is to develop a data-driven statistical model capable of assessing perfusion in real-time and non-invasively by focusing on leveraging the cardiac component of the electrical impedance tomography signal and utilizing extracted features from the signal. The thesis employs two main statistical tasks: regression to quantify lung perfusion and classification to assess lung blockages. Models are trained on real animal data with varying perfusion insufficiencies, with the flow derived from the enhanced signal after saline contrast injection, as a reference. Cross-validation techniques are used for unbiased evaluation of results, revealing variability in data among animals that affects model performance. Interpretable models, ranging from simple logistic regression to variants of the generalized additive model are implemented to provide a solution and are compared with black-box models like Random Forests and XGBoost. Although black-box models generally slightly outperform interpretable ones, interpretable models show promising results in both regression and classification tasks compared to a single-feature linear model comparable to the state-of-the-art, termed as a baseline model. This thesis successfully investigates the cardiac-related signal in the context of lung perfusion evaluation, highlighting its capabilities and limitations. The results and future investigations may lead to the development of a non-invasive and real-time approach to assess lung perfusion.