___Un equipo de investigadores dirigidos por Oscar Camara, miembro del grupo Physense, adscrito a la unidad de investigación BCN MedTech de la UPF, ha estudiado cómo predecir el riesgo de trombosis cerebrovascular en pacientes con trastornos cardíacos. Las conclusiones han sido compartidas en Frontiers in Physiology.

La fibrilación auricular viene caracterizada por una activación eléctrica caótica de la aurícula izquierda, resultando en su contracción irregular e impidiendo el flujo eficaz de la sangre hacia el ventrículo izquierdo. Estas alteraciones de la hemodinámica, entre otros factores, favorecen la formación de coágulos de sangre o trombos, que expone a los pacientes de fibrilación auricular a un mayor riesgo de padecer accidentes cerebrovasculares.

Sorprendentemente, hasta un 99% de todos los ictus isquémicos de origen cardiaco en pacientes con fibrilación auricular se originan en la orejuela de la aurícula izquierda, una estructura tubular heterogénea situada en la pared anterior de la aurícula izquierda. Se ha hipotetizado que la morfología especifica de la orejuela de cada paciente podría ser el principal catalizador del proceso de trombogénesis al promover el estancamiento de la sangre. Numerosos estudios han tratado de categorizar las orejuelas en función de la morfología y relacionar cada grupo con su respectivo riesgo de trombosis, pero los resultados obtenidos han sido ambiguos, ya que las directrices de clasificación morfológica de la orejuela suelen ser completamente subjetivas, subrayando la necesidad de procedimientos analíticos más sistemáticos e independientes del observador.

Procedimientos analíticos más sistemáticos e independientes del observador

Recientemente, la adopción de las simulaciones de dinámica computacional de fluidos (DCF) han aportado un gran conocimiento sobre la interacción entre la morfología, la hemodinámica y la trombosis en el apéndice auricular izquierdo. La DCF soluciona las ecuaciones físicas que describen el comportamiento de los fluidos, en este caso la sangre, para conocer su velocidad y dirección a lo largo de todo el ciclo cardiaco. Sin embargo, aunque ofrecen gran precisión las simulaciones DCF son notoriamente lentas, exigen una gran cantidad de recursos computacionales e implican una gran cantidad de preprocesamiento que da lugar a estudios con unos tamaños de muestra muy pequeños.

Como respuesta a estas limitaciones, el aprendizaje profundo ha empezado a emplearse como substituto efectivo de sistemas físicos complejos como es el caso de la dinámica de fluidos. El aprendizaje profundo consiste en solapar varias capas de neuronas artificiales que funcionan como pequeños computadores que pueden alterar el valor de entrada que reciben a través de una operación simple. Aunque estos modelos requieren de cantidades ingentes de datos para ser precisos, una vez entrenados pueden realizar la inferencia de forma casi instantánea.

"Es por ello por lo que las redes neuronales se ajustan a la perfección a nuestro problema, ya que buscamos evaluar de forma rápida el riesgo de un paciente de generar un trombo sin tener que esperar a completar la simulación. Una vez entrenada, introduciríamos a la red los datos relativos a la morfología de la orejuela de cada paciente y la red sería capaz de predecir los parámetros de riesgo trombótico que obteníamos con las simulaciones de forma instantánea", explica Xabier Morales, primer autor de un trabajo recientemente publicado en Frontiers in Physiology. "Más aun, durante el entrenamiento la red aprenderá por si misma las características morfológicas más relevantes frente al riesgo de trombosis, evitando así definir nosotros mismos las características morfológicas de interés de forma completamente subjetiva e imparcial", añade este miembro del grupo de investigación Physense, de la Unidad BCN MedTech del Departamento de Tecnologías de la Información y las Comunicaciones DTIC de la UPF. En el estudio hay participación internacional de centros académicos y de investigación de Dinamarca y Francia.

Mallas triangulares para representar imágenes anatómicas

No obstante, uno de los principales cuellos de botella que impiden el uso generalizado de estos modelos es que las redes neuronales convencionales no se adaptan bien a datos que no están estructurados en cuadriculas regulares como las imágenes. Sin embargo, la forma más eficiente de representar objetos 3D como la anatomía de los órganos humanos es a través de mallas triangulares. A diferencia de los pixeles de una imagen, en una malla geométrica el número de nodos adyacentes a un vértice puede variar. Un ejemplo equivalente sería una lista con los seguidores de cada usuario de Twitter, que obviamente variará para cada persona mientras que un píxel en una imagen 2D siempre tendrá 8 vecinos independientemente de su posición. Esto complica enormemente definir operaciones como convoluciones que son la piedra angular del aprendizaje profundo sobre las propias mallas.

Por norma general, los métodos convencionales de aprendizaje profundo requieren generar correspondencia a través de un mapeo 2D o regularizar la estructura de alguna manera similar. En este sentido, el aprendizaje profundo geométrico comprende todo un conjunto de métodos recientes que permiten extender dichas operaciones a datos de estructuración compleja, lo que permite trabajar directamente sobre las mallas sin ninguna transformación previa.

Por lo tanto, "En este estudio buscamos desarrollar un marco de aprendizaje profundo capaz de predecir el potencial de activación de las células endoteliales (ECAP), un índice típicamente derivado de las simulaciones DCF vinculado al riesgo de trombosis, únicamente a partir de la morfología de la orejuela específica del paciente. Para ello, comparamos dos enfoques convencionales de aprendizaje profundo, las redes "fully-connected" (todas las neuronas están conectadas a todas las neuronas de la siguiente capa) y redes neuronales convolucionales, que requieren de un procesado y transformación previo de las mallas para regularizar su estructura, con una arquitectura de aprendizaje profundo geométrico que puede trabajar directamente sobre la estructura nativa de la malla triangular", indica Oscar Camara, líder del proyecto.

El modelo geométrico mostró mejor precisión

Para entrenar las redes, los investigadores completaron un total de 370 simulaciones DCF consistiendo en dos conjuntos de datos. Un primer dataset más simple, haciendo uso de una aurícula artificial y mezclando orejuelas reales y sintéticas derivados de modelos estadísticos, y un segundo más completo de casos reales que consideraba la aurícula entera de cada paciente.

En primer lugar, los 3 modelos consiguieron predecir instantáneamente el ECAP únicamente a partir de la malla anatómica de la orejuela en el dataset simplificado, omitiendo efectivamente la necesidad de ejecutar simulaciones de dinámica computacional de fluidos DCF. Aun así, el modelo geométrico mostró una mejor precisión y una capacidad de generalización significativamente superior. Al poder trabajar directamente sobre la forma nativa de los datos la red geométrica demostró ser capaz de aprender características morfológicas más universales ya que obtuvo resultados parejos al predecir sobre orejuelas reales entrenando únicamente sobre datos sintéticos. Además, este mismo modelo mostró una buena capacidad de predicción en el segundo conjunto de datos, que incluyen simulaciones más avanzadas y consideraban la anatomía completa de la aurícula.

Estos resultados podrían sentar las bases para la monitorización en tiempo real del riesgo de trombosis en el futuro y abrir interesantes vías para futuras aplicaciones e interfaces preoperatorias en las que un usuario clínico podría cambiar interactivamente los ajustes de un dispositivo de oclusión de la orejuela y evaluar instantáneamente el riesgo asociado.