Sviluppo di un algoritmo di deep learning per l'identificazione automatica della dilatazione atriale sinistra in radiografie toraciche di gatto

Feline cardiomyopathies are a common cardiac disease and cause of cardio-vascular mortality in feline population. Diagnosis and staging of feline cardiomyopathies are based on American College of Veterinary Internal Medicine (ACVIM) guidelines, identifying four different stages based on clinical, radiographic and echocardiographic findings. Left atrial enlargement (LAE) is considered as one of the most important prognostic markers in cats with cardiac disease since it is associated to the development of complicating and possibly life-threatening conditions such as congestive heart failure and/or arterial thromboembolism. Even though echocardiographic examination is the gold standard for feline cardiomyopathies diagnosis and staging, it requires a well-trained operator and a specialized equipment, thus making this evaluation not always easily available, especially in routine exams and emergency conditions. This highlights the need for a tool that allows early detection of LAE and supports clinical decision-making. The application of artificial intelligence (AI) in veterinary medicine and, in particular, in veterinary diagnostic imaging is a field of raising importance, outgoing a wide and impactful growth both in research and clinical areas. Therefore, developing a deep learning-based algorithm to evaluate LAE in cats could be a valuable diagnostic aid, helping determine whether further cardiologic evaluation is warranted. The aim of this study is to develop a convolutional neural network (CNN) to classify different stages of severity of LAE in cats. The algorithm developed showed a fair to moderate ability in distinguish the four stages of severity of LAE from both LL or DV/VD radiographs. Considering the four categories separately in the multiclass classification, In LL radiographs algorithm had an overall precision of 0.60, with an AUC of 0.75, 0.71, 0.68 and 0.78 for no, mild, moderate and severe LAE, respectively. In DV radiographs the algorithm had an overall precision of 0.58, with an AUC of 0.73, 0.71, 0.65 and 0.77 for no, mild, moderate and severe LAE, respectively. The binary classification achieved a higher overall precision. In this classification, the algorithm applied to LL radiographs showed an overall precision of 0.81 and an AUC of 0.83 for both groups, and for DV radiographs showed an overall precision of 0.79 and an AUC of 0.82 for both groups. This study developed a deep learning-based algorithm able to predict moderate to severe LAE in cats from thoracic radiographs. The model represents a potentially promising, cost-effective tool to support clinical decision-making in cats with suspected heart disease.

Le cardiomiopatie feline sono una malattia cardiaca comune e una causa frequente di mortalità cardiovascolare nella popolazione felina. La diagnosi e la stadiazione delle cardiomiopatie feline si basano sulle linee guida dell’American College of Veterinary Internal Medicine (ACVIM), che identificano quattro diversi stadi in base a reperti clinici, radiografici ed ecocardiografici. La dilatazione dell’atrio sinistro (LAE) è considerato uno dei più importanti marcatori prognostici nei gatti con malattia cardiaca, poiché è associato allo sviluppo di condizioni complicanti e potenzialmente letali come insufficienza cardiaca congestizia o tromboembolismo arterioso. Sebbene l’esame ecocardiografico rimanga il gold standard per la diagnosi e la stadiazione delle cardiomiopatie feline, esso richiede un operatore ben addestrato e attrezzature specializzate, rendendo questa valutazione non sempre facilmente disponibile, specialmente negli esami di routine e nelle condizioni di emergenza. Questo evidenzia la necessità di uno strumento che consenta la rilevazione precoce del LAE e supporti il processo decisionale clinico. L’applicazione dell’intelligenza artificiale (AI) nella medicina veterinaria, e in particolare nella diagnostica per immagini, è un campo di crescente importanza. Pertanto, sviluppare un algoritmo basato su deep learning per valutare il LAE nei gatti potrebbe essere un valido ausilio diagnostico, aiutando a determinare se sia necessario un ulteriore indagine specialistica cardiologica. L’obiettivo di questo studio è sviluppare una convolutional neural network (CNN) per classificare i diversi stadi di gravità del LAE nei gatti. L’algoritmo sviluppato ha mostrato una capacità da scarsa a buona nel distinguere i quattro stadi di gravità del LAE da radiografie LL o DV/VD. Nella classificazione multiclasse l’algoritmo alle radiografie in LL, l’algoritmo ha ottenuto una precisione complessiva di 0.60, con un’AUC di 0.75, 0.71, 0.68 e 0.78 per no, mild, moderate e severe LAE, rispettivamente. Considerando l’applicazione alle radiografie in DV ha raggiunto una precisione complessiva di 0.58, con un’AUC di 0.73, 0.71, 0.65 e 0.77 per no, mild, moderate e severe LAE, rispettivamente. La classificazione binaria ha raggiunto una precisione complessiva più elevata. In questo approccio, l’algoritmo applicato alle radiografie LL ha mostrato una precisione complessiva di 0.81 e un’AUC di 0.83 per entrambi i gruppi, mentre per le radiografie DV ha riportato una precisione complessiva di 0.79 e un’AUC di 0.82 per entrambi i gruppi. Questo studio ha sviluppato un algoritmo di deep learning in grado di predire la presenza di LAE moderato-severo nei gatti a partire da radiografie toraciche. Il modello rappresenta uno strumento potenzialmente promettente ed economicamente vantaggioso a supporto del processo clinico decisionale nei gatti con sospetta patologia cardiaca.