Süvaõppe mudel kasutab südamehaiguste tuvastamiseks rindkere röntgenikiirgust – Physics World

Ehhokardiograafia – südame ultraheliuuring – on kõige sagedamini kasutatav pildistamismeetod südame funktsiooni ja haiguste hindamiseks. Tehnika nõuab aga erioskusi, millest sageli napib. Alternatiivne võimalus võiks olla rindkere röntgenikiirgus, üks levinumaid ja laialdasemalt kättesaadavaid meditsiinilisi uuringuid, mida kasutatakse peamiselt kopsuhaiguste diagnoosimiseks ja raviks. Kuid kuigi süda on rindkere röntgenograafias nähtav, on rindkere röntgenograafia ja südame tervise seos halvasti mõistetav.

Selle lõhe ületamiseks on Daiju Ueda juhitud uurimisrühm Osaka Metropolitani ülikool on välja töötanud süvaõppe mudeli, mis kasutab tehisintellekti klapihaiguse tuvastamiseks ja südamefunktsiooni klassifitseerimiseks rindkere röntgenülesvõtetest enneolematu täpsusega. Teadlased avaldavad oma tulemused aastal Lanceti digitaalne tervis.

Ühe andmestiku põhjal koolitatud ja testitud süvaõppemudelid võivad olla altid ülepaigutamisele, mille puhul lõplik mudel töötab hästi ainult koolitusandmestiku piltide puhul. Selle vältimiseks töötas Ueda ja kolleegid oma mudeli välja, kasutades nelja erineva asutuse andmeid, kokku 22,551 16,946 rindkere röntgenograafiat ja nendega seotud ehhokardiogrammi, mis koguti XNUMX XNUMX patsiendilt.

Teadlased kasutasid süvaõppe mudeli koolitamiseks 17,293 1947 röntgenipilti kolmest institutsioonist, millele lisandus 3311 röntgenipilti samadest kohtadest kui sisemiste testide andmekogumid. Väliseks testimiseks kasutasid nad eraldi asutuses 2617 radiograafiat XNUMX patsiendilt.

Pärast rindkere röntgenikiirte märgistamist ehhokardiograafia aruannete põhjal põhitõeks koolitasid teadlased oma mudelit, et õppida kahte andmekogumit ühendavaid funktsioone. Nad uurisid kuut tüüpi südameklapi haigusi – mitraalregurgitatsioon, aordi stenoos, aordi regurgitatsioon, mitraalstenoos, trikuspidaalregurgitatsioon ja kopsuregurgitatsioon –, klassifitseerides iga haiguse raskusastme puudulikuks, kergeks, mõõdukaks või raskeks. Nad klassifitseerisid ka kolm südamefunktsiooni mõõdikut: vasaku vatsakese väljutusfraktsioon, trikuspidaalse regurgitandi kiirus ja õõnesveeni alumine laienemine.

Oma süvaõppemudeli diagnostilise jõudluse hindamiseks arvutasid teadlased üheksa peamise klassifikaatori jaoks vastuvõtja töökarakteristiku kõvera (AUC) aluse pindala – iga kuue südameklapihaiguse piirväärtus on mitte-kerge versus mõõdukas-raske. pluss piirväärtused 40% vasaku vatsakese väljutusfraktsiooni jaoks, 2.8 m/s trikuspidaalse regurgitandi kiiruse ja 21 mm sisemise õõnesveeni dilatatsiooni jaoks – sisemiste ja väliste testide jaoks.

Meeskond leidis, et mudel suudab täpselt klassifitseerida südamefunktsioone ja südamehaigusi, mis on tavaliselt ehhokardiograafiast saadud teave, kasutades rindkere röntgenograafias saadud teavet. Esmaste klassifikaatorite üldised keskmised AUC-d olid sisemiste testide andmekogumite puhul 0.89, 0.90 ja 0.92 ning välise testi andmestiku puhul 0.87 (väärtused, mis on lähedasemad 1-le, näitavad paremat klassifikatsiooni).

Keskendudes välistele testiandmetele, võib mudel täpselt kategoriseerida kuut tüüpi südameklapi haigusi, mille AUC on vahemikus 0.83, 0.92 kuni 0.92, 0.85. Vasaku vatsakese väljutusfraktsiooni klassifitseerimise AUC oli XNUMX, samal ajal kui nii trikuspidaalse regurgitatsiooni kiiruse kui ka sisemise õõnesveeni dilatatsiooni AUC oli XNUMX.

"Meie teadmiste kohaselt on see uuring esimene, mis loob ja kinnitab sügava õppimisel põhineva klassifikatsioonimudeli südamefunktsioonide ja südameklapihaiguste jaoks, kasutades mitme institutsiooni rindkere röntgenograafiaid," kirjutavad teadlased.

Nad juhivad tähelepanu sellele, et mudelil on südamehaiguste ehhokardiograafiapõhise hindamise ees mitmeid eeliseid. Rindkere röntgenülesvõtteid on lihtne ja kiire salvestada ning mudelit saab kiiresti rakendada madalate arvutusnõuetega. Pärast selle esmast rakendamist sai mudelit kasutada ilma erioskusteta ja igal ajal. Lisaks peaks olema võimalik kasutada olemasolevaid rindkere röntgenograafiaid, et anda vajaduse korral teavet südamefunktsiooni kohta, ilma et oleks vaja täiendavaid analüüse.

AI-mudel määrab südame-veresoonkonna riski rutiinse rindkere röntgenülesvõttega

"Nende tulemusteni jõudmine võttis meil väga kaua aega, kuid ma usun, et see on oluline uurimus," ütleb Ueda pressiteates. "Lisaks arstide diagnoosimise tõhustamisele võib süsteemi kasutada ka piirkondades, kus puuduvad eriarstid, öistes hädaolukordades ja patsientidel, kellel on raskusi ehhokardiograafiaga."

"Loodame tulevikus hinnata meie mudeli reaalset rakendatavust erinevates kliinilistes tingimustes, " ütleb kaasautor Shannon Walston. Füüsika maailm. "Meie jaoks on ülioluline mõista, kuidas meie tehisintellektil põhinevat mudelit saab sujuvalt kliinilistesse töövoogudesse integreerida ja kuidas see võib aidata parandada patsientide ravi."

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Autod/elektrisõidukid, Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• BlockOffsets. Keskkonnakompensatsiooni omandi ajakohastamine. Juurdepääs siia.
• Allikas: https://physicsworld.com/a/deep-learning-model-uses-chest-x-rays-to-detect-heart-disease/