Syväoppimismalli käyttää rintakehän röntgensäteitä sydänsairauksien havaitsemiseen – Physics World

Ekokardiografia eli sydämen ultraäänitutkimus on yleisimmin käytetty kuvantamismenetelmä sydämen toiminnan ja sairauksien arvioinnissa. Tekniikka vaatii kuitenkin erikoisosaamista, joista on usein pulaa. Vaihtoehtoinen vaihtoehto voisi olla käyttää rintakehän röntgensäteitä, joka on yksi yleisimmistä ja laajimmin saatavilla olevista lääketieteellisistä tutkimuksista, jota käytetään ensisijaisesti keuhkosairauksien diagnosointiin ja hoitoon. Mutta vaikka sydän näkyy rintakehän röntgenkuvissa, rintakehän röntgenkuvien ja sydämen terveyden välinen suhde on huonosti ymmärretty.

Tämän kuilun kuromiseksi umpeen Daiju Uedan johtama tutkimusryhmä Osaka Metropolitan University on kehittänyt syväoppimismallin, joka käyttää tekoälyä havaitsemaan läppäsairauksia ja luokittelemaan sydämen toimintaa rintakehän röntgenkuvista ennennäkemättömällä tarkkuudella. Tutkijat julkaisevat tulokset v Lancet Digital Health.

Syväoppimismallit, jotka on koulutettu ja testattu yhdellä tietojoukolla, voivat olla alttiita ylisovituksille, jolloin lopullinen malli toimii hyvin vain koulutustietojoukon kuville. Tämän estämiseksi Ueda ja kollegat kehittivät mallinsa käyttämällä neljän eri laitoksen tietoja. Yhteensä 22,551 16,946 rintakehän röntgenkuvaa sekä niihin liittyvä kaikukardiogrammi kerättiin XNUMX XNUMX potilaalta.

Tutkijat käyttivät 17,293 1947 röntgenkuvaa kolmesta laitoksesta syväoppimismallin kouluttamiseen sekä 3311 röntgenkuvaa samoista paikoista kuin sisäiset testiaineistot. Ulkoiseen testaukseen he käyttivät 2617 XNUMX röntgenkuvaa XNUMX XNUMX potilaasta erillisessä laitoksessa.

Merkittyään rintakehän röntgensäteet käyttämällä kaikukardiografiaraportteja perustotuudeksi, tutkijat kouluttivat malliaan oppimaan ominaisuuksia, jotka yhdistävät kaksi tietojoukkoa. He tutkivat kuutta läppäsydänsairaustyyppiä – mitraalisen regurgitaatiota, aorttastenoosia, aortan regurgitaatiota, mitraalista ahtaumaa, kolmikulmaista regurgitaatiota ja keuhkojen regurgitaatiota – luokittelemalla kunkin sairauden vaikeusasteeksi ei mitään, lievä, kohtalainen tai vaikea. He myös luokittelivat kolme sydämen toiminnan mittaa: vasemman kammion ejektiofraktio, kolmikulmainen regurgitanttinopeus ja inferiori onttolaskimon laajeneminen.

Syväoppimismallinsa diagnostisen suorituskyvyn arvioimiseksi tutkijat laskivat vastaanottimen toimintakäyrän (AUC) alla olevan alueen yhdeksälle ensisijaiselle luokittelijalle – raja ei mikään – lievä vs. kohtalainen – vaikea kussakin kuudessa sydänläppäsairaudessa, plus 40 %:n rajat vasemman kammion ejektiofraktiolle, 2.8 mm/s kammion kammion avausnopeus ja 21 mm/s. sisäisille ja ulkoisille testitietosarjoille.

Ryhmä havaitsi, että malli pystyi luokittelemaan tarkasti sydämen toiminnot ja sydänsairaudet, tyypillisesti kaikukardiografiasta saadut tiedot, käyttämällä rintakehän röntgenkuvista saatuja tietoja. Yleiset keskimääräiset AUC-arvot ensisijaisille luokittelijoille olivat 0.89, 0.90 ja 0.92 sisäisille testiaineistoille ja 0.87 ulkoiselle testiaineistolle (arvot lähempänä 1:tä osoittavat parempaa luokittelua).

Ulkoiseen testiaineistoon keskittyen malli voisi luokitella tarkasti kuusi läppäsydänsairaustyyppiä, joiden AUC-arvot vaihtelivat välillä 0.83-0.92. Vasemman kammion ejektiofraktion luokittelun AUC oli 0.92, kun taas kolmikulmaisen regurgitaation nopeuden ja sisäisen onttolaskimon laajenemisen AUC oli 0.85.

"Parhaan tietomme mukaan tämä tutkimus on ensimmäinen, joka luo ja validoi syvään oppimiseen perustuvan luokittelumallin sydämen toiminnoille ja läppäsydänsairauksille käyttämällä useiden laitosten rintakehän röntgenkuvia", tutkijat kirjoittavat.

He huomauttavat, että mallilla on useita etuja kaikukardiografiaan perustuvaan sydänsairauksien arviointiin verrattuna. Rintakehän röntgenkuvat on helppo ja nopea tallentaa, ja mallia voidaan soveltaa nopeasti alhaisilla laskentavaatimuksilla. Ensimmäisen käyttöönoton jälkeen mallia voitiin käyttää ilman erityistaitoja ja milloin tahansa. Lisäksi olisi voitava käyttää olemassa olevia rintakehän röntgenkuvia antamaan tarvittaessa tietoa sydämen toiminnasta ilman lisätutkimuksia.

Tekoälymalli määrittää kardiovaskulaarisen riskin rutiininomaisesta rintakehän röntgenkuvauksesta

"Meillä kesti hyvin kauan päästä näihin tuloksiin, mutta uskon, että tämä on merkittävä tutkimus", Ueda sanoo tiedotteessa. "Lääkäreiden diagnoosien tehokkuuden lisäksi järjestelmää voitaisiin käyttää myös alueilla, joilla ei ole erikoislääkäreitä, yöaikaisissa hätätilanteissa sekä potilaille, joilla on vaikeuksia sydämen kaikututkimuksessa."

"Toivomme tulevaisuudessa arvioida mallimme soveltuvuutta todelliseen maailmaan erilaisissa kliinisissä ympäristöissä", toinen kirjoittaja Shannon Walston kertoo. Fysiikan maailma. "Meille on tärkeää ymmärtää, kuinka tekoälypohjainen mallimme voidaan integroida saumattomasti kliinisiin työnkulkuihin ja miten se voi parantaa potilaiden hoitoa."

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
• Lähde: https://physicsworld.com/a/deep-learning-model-uses-chest-x-rays-to-detect-heart-disease/