Το μοντέλο βαθιάς μάθησης χρησιμοποιεί ακτινογραφίες θώρακος για την ανίχνευση καρδιακών παθήσεων – Physics World

Το υπερηχογράφημα της καρδιάς είναι η πιο συχνά χρησιμοποιούμενη απεικονιστική μέθοδος για την αξιολόγηση της καρδιακής λειτουργίας και των ασθενειών. Η τεχνική, ωστόσο, απαιτεί εξειδικευμένες δεξιότητες που συχνά είναι ελλιπείς. Μια εναλλακτική επιλογή θα μπορούσε να είναι η χρήση ακτινογραφιών θώρακος, μιας από τις πιο κοινές και ευρέως διαθέσιμες ιατρικές εξετάσεις, που χρησιμοποιείται κυρίως για τη διάγνωση και τη διαχείριση πνευμονικών παθήσεων. Όμως, ενώ η καρδιά είναι ορατή στις ακτινογραφίες θώρακος, η σχέση μεταξύ των ακτινογραφιών θώρακος και της καρδιακής υγείας είναι ελάχιστα κατανοητή.

Με στόχο να γεφυρώσει αυτό το χάσμα, μια ερευνητική ομάδα με επικεφαλής τον Daiju Ueda του Μητροπολιτικό Πανεπιστήμιο της Οσάκα έχει αναπτύξει ένα μοντέλο βαθιάς μάθησης που χρησιμοποιεί τεχνητή νοημοσύνη για την ανίχνευση βαλβιδοπάθειας και την ταξινόμηση της καρδιακής λειτουργίας από ακτινογραφίες θώρακα με πρωτοφανή ακρίβεια. Οι ερευνητές δημοσιεύουν τα αποτελέσματά τους στο Η ψηφιακή υγεία Lancet.

Τα μοντέλα βαθιάς μάθησης που εκπαιδεύονται και δοκιμάζονται σε ένα μεμονωμένο σύνολο δεδομένων μπορεί να είναι επιρρεπή σε υπερπροσαρμογή, στα οποία το τελικό μοντέλο λειτουργεί καλά μόνο για εικόνες στο σύνολο δεδομένων εκπαίδευσης. Για να αποφευχθεί αυτό, ο Ueda και οι συνεργάτες του ανέπτυξαν το μοντέλο τους χρησιμοποιώντας δεδομένα από τέσσερα διαφορετικά ιδρύματα, με συνολικά 22,551 ακτινογραφίες θώρακα συν σχετιζόμενα ηχοκαρδιογραφήματα που συλλέχθηκαν από 16,946 ασθενείς.

Οι ερευνητές χρησιμοποίησαν 17,293 ακτινογραφίες από τρία ιδρύματα για να εκπαιδεύσουν το μοντέλο βαθιάς μάθησης, συν 1947 ακτινογραφίες από τις ίδιες τοποθεσίες με τα εσωτερικά σύνολα δεδομένων δοκιμών. Για τον εξωτερικό έλεγχο, χρησιμοποίησαν 3311 ακτινογραφίες από 2617 ασθενείς σε ξεχωριστό ίδρυμα.

Αφού επισήμαναν τις ακτινογραφίες θώρακος χρησιμοποιώντας τις αναφορές ηχοκαρδιογραφίας ως βασική αλήθεια, οι ερευνητές εκπαίδευσαν το μοντέλο τους για να μάθει χαρακτηριστικά που συνδέουν τα δύο σύνολα δεδομένων. Εξέτασαν έξι τύπους βαλβιδικής καρδιακής νόσου – ανεπάρκεια μιτροειδούς, στένωση αορτής, ανεπάρκεια αορτής, στένωση μιτροειδούς, τριγλώχινα και πνευμονική ανεπάρκεια – ταξινομώντας τη βαρύτητα κάθε νόσου ως καμία, ήπια, μέτρια ή σοβαρή. Ταξινόμησαν επίσης τρεις μετρήσεις της καρδιακής λειτουργίας: το κλάσμα εξώθησης της αριστερής κοιλίας, την ταχύτητα παλινδρόμησης της τριγλώχινας και τη διαστολή της κάτω κοίλης φλέβας.

Για να αξιολογήσουν τη διαγνωστική απόδοση του μοντέλου βαθειάς μάθησης, οι ερευνητές υπολόγισαν την περιοχή κάτω από τη χαρακτηριστική καμπύλη λειτουργίας του δέκτη (AUC) για εννέα κύριους ταξινομητές - μια αποκοπή της μη ήπιας έναντι της μέτριας σοβαρής για καθεμία από τις έξι βαλβιδικές καρδιακές παθήσεις. συν αποκοπές 40% για το κλάσμα εξώθησης της αριστερής κοιλίας, 2.8 m/s για την ταχύτητα παλινδρόμησης της τριγλώχινας και 21 mm για τη διαστολή της εσωτερικής κοίλης φλέβας – για τα εσωτερικά και εξωτερικά σύνολα δεδομένων δοκιμής.

Η ομάδα διαπίστωσε ότι το μοντέλο θα μπορούσε να ταξινομήσει με ακρίβεια τις καρδιακές λειτουργίες και τις καρδιακές παθήσεις, πληροφορίες που συνήθως λαμβάνονται από ηχοκαρδιογραφία, χρησιμοποιώντας πληροφορίες από τις ακτινογραφίες θώρακα. Οι συνολικές μέσες AUC για τους κύριους ταξινομητές ήταν 0.89, 0.90 και 0.92 για τα σύνολα δεδομένων εσωτερικών δοκιμών και 0.87 για το εξωτερικό σύνολο δεδομένων δοκιμής (τιμές πιο κοντά στο 1 υποδεικνύουν καλύτερη ταξινόμηση).

Εστιάζοντας στο σύνολο δεδομένων εξωτερικών δοκιμών, το μοντέλο θα μπορούσε να κατηγοριοποιήσει με ακρίβεια τους έξι τύπους βαλβιδικής καρδιακής νόσου, με AUC να κυμαίνονται από 0.83 έως 0.92. Η AUC για την ταξινόμηση του κλάσματος εξώθησης της αριστερής κοιλίας ήταν 0.92, ενώ η AUC τόσο για την ταχύτητα παλινδρόμησης της τριγλώχινας όσο και για τη διαστολή της εσωτερικής κοίλης φλέβας ήταν 0.85.

«Από όσο γνωρίζουμε, αυτή η μελέτη είναι η πρώτη που δημιουργεί και επικυρώνει ένα μοντέλο ταξινόμησης βασισμένο στη βαθιά μάθηση για τις καρδιακές λειτουργίες και τη βαλβιδική καρδιακή νόσο χρησιμοποιώντας ακτινογραφίες θώρακος από πολλά ιδρύματα», γράφουν οι ερευνητές.

Επισημαίνουν ότι το μοντέλο έχει πολλά πλεονεκτήματα σε σχέση με την αξιολόγηση της καρδιακής νόσου που βασίζεται σε ηχοκαρδιογραφία. Οι ακτινογραφίες θώρακος καταγράφονται εύκολα και γρήγορα και το μοντέλο μπορεί να εφαρμοστεί γρήγορα με χαμηλές υπολογιστικές απαιτήσεις. Μετά την αρχική του εφαρμογή, το μοντέλο θα μπορούσε να χρησιμοποιηθεί χωρίς ειδικές δεξιότητες και ανά πάσα στιγμή. Επιπλέον, θα πρέπει να είναι δυνατή η χρήση υπαρχουσών ακτινογραφιών θώρακος για την παροχή πληροφοριών σχετικά με την καρδιακή λειτουργία όταν είναι απαραίτητο, χωρίς να χρειάζονται πρόσθετες εξετάσεις.

Το μοντέλο AI καθορίζει τον καρδιαγγειακό κίνδυνο από τη συνήθη ακτινογραφία θώρακος

«Μας πήρε πολύ χρόνο για να φτάσουμε σε αυτά τα αποτελέσματα, αλλά πιστεύω ότι πρόκειται για σημαντική έρευνα», λέει ο Ueda σε μια δήλωση τύπου. «Εκτός από τη βελτίωση της αποτελεσματικότητας των διαγνώσεων των γιατρών, το σύστημα μπορεί επίσης να χρησιμοποιηθεί σε περιοχές όπου δεν υπάρχουν ειδικοί, σε επείγοντα περιστατικά τη νύχτα και για ασθενείς που δυσκολεύονται να υποβληθούν σε ηχοκαρδιογραφία».

«Στο μέλλον ελπίζουμε να αξιολογήσουμε την πραγματική εφαρμογή του μοντέλου μας σε διάφορα κλινικά περιβάλλοντα», λέει η συν-συγγραφέας Shannon Walston. Κόσμος Φυσικής. «Είναι σημαντικό για εμάς να κατανοήσουμε πώς το μοντέλο μας που βασίζεται στην τεχνητή νοημοσύνη μπορεί να ενσωματωθεί απρόσκοπτα στις κλινικές ροές εργασιών και πώς μπορεί να συμβάλει στη βελτιωμένη φροντίδα των ασθενών».

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Αυτοκίνητο / EVs, Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• BlockOffsets. Εκσυγχρονισμός της περιβαλλοντικής αντιστάθμισης ιδιοκτησίας. Πρόσβαση εδώ.
• πηγή: https://physicsworld.com/a/deep-learning-model-uses-chest-x-rays-to-detect-heart-disease/