A mélytanulási modell mellkasröntgenfelvételeket használ a szívbetegségek kimutatására – Physics World

Az echokardiográfia – a szív ultrahangos vizsgálata – a leggyakrabban használt képalkotó módszer a szívműködés és a betegségek felmérésére. A technika azonban speciális készségeket igényel, amelyek gyakran hiányosak. Alternatív lehetőség lehet a mellkasröntgen alkalmazása, amely az egyik legelterjedtebb és legszélesebb körben elérhető orvosi vizsgálat, amelyet elsősorban a tüdőbetegségek diagnosztizálására és kezelésére alkalmaznak. De míg a szív látható a mellkas röntgenfelvételein, a mellkas röntgenfelvételei és a szív egészsége közötti kapcsolat kevéssé ismert.

Ezt a szakadékot hivatott áthidalni a Daiju Ueda által vezetett kutatócsoport Osaka Metropolitan Egyetem kifejlesztett egy mélytanulási modellt, amely mesterséges intelligenciát használ a billentyűbetegségek kimutatására és a mellkas röntgenfelvételeiből a szívműködés példátlan pontosságú osztályozására. A kutatók eredményeiket publikálják A Lancet digitális egészség.

Az egyetlen adatkészleten betanított és tesztelt mélytanulási modellek hajlamosak lehetnek a túlillesztésre, amelyben a végső modell csak a betanítási adatkészletben lévő képek esetében működik jól. Ennek megelőzése érdekében Ueda és munkatársai négy különböző intézmény adatait felhasználva fejlesztették ki modelljüket, összesen 22,551 16,946 mellkas röntgenfelvételt és a kapcsolódó echokardiogramot XNUMX XNUMX betegtől.

A kutatók három intézmény 17,293 1947 röntgenfelvételét használták fel a mélytanulási modell betanításához, valamint 3311 röntgenfelvételt, amelyek ugyanazokról a helyekről készültek, mint a belső vizsgálati adatkészletek. A külső vizsgálatokhoz 2617 beteg XNUMX röntgenfelvételét alkalmazták egy külön intézményben.

Miután a mellkasröntgenfelvételeket az echokardiográfiás jelentések alapján alapigazságként jelölték meg, a kutatók kiképezték modelljüket, hogy megtanulják a két adatkészletet összekötő jellemzőket. A szívbillentyű-betegség hat típusát – mitralis regurgitációt, aorta szűkületet, aorta regurgitációt, mitralis szűkületet, tricuspidalis regurgitációt és pulmonalis regurgitációt – vizsgálták, az egyes betegségek súlyosságát semmilyen, enyhe, közepes vagy súlyos kategóriába sorolva. A szívműködés három mérőszámát is besorolták: bal kamrai ejekciós frakciót, tricuspidalis regurgitáns sebességet és inferior vena cava dilatációt.

A mélytanulási modell diagnosztikai teljesítményének értékelése érdekében a kutatók kilenc elsődleges osztályozó esetében kiszámították a vevőműködési jelleggörbe (AUC) alatti területet – a hat szívbillentyű-betegség mindegyike esetében az egyik sem – enyhe, illetve közepes – súlyos határértéket. plusz 40%-os küszöbérték a bal kamrai ejekciós frakcióra, 2.8 m/s a tricuspidalis regurgitáns sebességére és 21 mm a belső vena cava dilatációra – a belső és külső vizsgálati adatkészletekhez.

A csapat úgy találta, hogy a modell pontosan osztályozza a szívműködéseket és a szívbetegségeket, amelyek általában az echokardiográfiából származnak, a mellkasröntgenfelvételek információi alapján. Az elsődleges osztályozók összesített átlagos AUC értéke 0.89, 0.90 és 0.92 volt a belső vizsgálati adatkészleteknél, és 0.87 a külső tesztadatkészletnél (az 1-hez közelebbi értékek jobb osztályozást jeleznek).

A külső tesztadatokra összpontosítva a modell pontosan besorolhatja a szívbillentyű-betegség hat típusát, amelyek AUC értéke 0.83 és 0.92 között mozog. A bal kamrai ejekciós frakció osztályozásának AUC értéke 0.92 volt, míg mind a tricuspidalis regurgitációs sebesség, mind a belső vena cava dilatáció AUC értéke 0.85 volt.

"Legjobb tudomásunk szerint ez a tanulmány az első, amely egy mély tanuláson alapuló osztályozási modellt hozott létre és validált a szívfunkciókra és a szívbillentyű-betegségekre több intézmény mellkasi röntgenfelvételei alapján" - írják a kutatók.

Rámutatnak, hogy a modellnek számos előnye van a szívbetegségek echokardiográfián alapuló értékelésével szemben. A mellkasröntgenfelvételek könnyen és gyorsan rögzíthetők, és a modell alacsony számítási igény mellett gyorsan alkalmazható. A kezdeti megvalósítás után a modell bármilyen szaktudás nélkül és bármikor használható volt. Ezenkívül lehetővé kell tenni a meglévő mellkasi röntgenfelvételek felhasználását a szívműködésre vonatkozó információk nyújtására, ha szükséges, anélkül, hogy további vizsgálatokra lenne szükség.

Az AI-modell a rutin mellkasröntgen alapján határozza meg a szív- és érrendszeri kockázatot

„Nagyon hosszú időbe telt, mire eljutottunk ezekhez az eredményekhez, de úgy gondolom, hogy ez jelentős kutatás” – mondja Ueda sajtónyilatkozatában. „Amellett, hogy javítja az orvosok diagnózisának hatékonyságát, a rendszert olyan területeken is alkalmazni lehetne, ahol nincsenek szakorvosok, éjszakai sürgősségi esetekben és olyan betegeknél, akiknek nehézségei vannak az echokardiográfiás vizsgálaton.”

"Reméljük, hogy a jövőben értékelni tudjuk modellünk valós alkalmazhatóságát különböző klinikai körülmények között" - mondja Shannon Walston társszerző. Fizika Világa. „Létfontosságú, hogy megértsük, hogyan integrálható AI-alapú modellünk zökkenőmentesen a klinikai munkafolyamatokba, és hogyan járulhat hozzá a jobb betegellátáshoz.”

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
• Forrás: https://physicsworld.com/a/deep-learning-model-uses-chest-x-rays-to-detect-heart-disease/