Model pembelajaran mendalam menggunakan sinar-X dada untuk mendeteksi penyakit jantung – Dunia Fisika

Ekokardiografi – pemindaian ultrasonografi jantung – adalah modalitas pencitraan yang paling sering digunakan untuk menilai fungsi dan penyakit jantung. Teknik ini, bagaimanapun, membutuhkan keterampilan khusus yang seringkali tidak tersedia. Pilihan alternatif bisa menggunakan rontgen dada, salah satu pemeriksaan medis yang paling umum dan tersedia secara luas, terutama digunakan untuk diagnosis dan pengelolaan penyakit paru-paru. Tapi sementara jantung terlihat pada rontgen dada, hubungan antara rontgen dada dan kesehatan jantung kurang dipahami.

Bertujuan untuk menjembatani kesenjangan ini, tim peneliti yang dipimpin oleh Daiju Ueda dari Universitas Metropolitan Osaka telah mengembangkan model pembelajaran mendalam yang menggunakan kecerdasan buatan untuk mendeteksi penyakit katup dan mengklasifikasikan fungsi jantung dari radiografi dada dengan akurasi yang belum pernah ada sebelumnya. Para peneliti mempublikasikan hasilnya di Kesehatan Digital Lancet.

Model pembelajaran mendalam yang dilatih dan diuji pada satu kumpulan data dapat rentan terhadap overfitting, di mana model terakhir hanya berfungsi dengan baik untuk gambar dalam kumpulan data pelatihan. Untuk mencegah hal ini, Ueda dan rekannya mengembangkan model mereka menggunakan data dari empat institusi berbeda, dengan total 22,551 radiografi dada ditambah ekokardiogram terkait yang dikumpulkan dari 16,946 pasien.

Para peneliti menggunakan 17,293 radiografi dari tiga institusi untuk melatih model pembelajaran mendalam, ditambah 1947 radiografi dari situs yang sama sebagai kumpulan data pengujian internal. Untuk pengujian eksternal, mereka menggunakan 3311 radiografi dari 2617 pasien di institusi terpisah.

Setelah melabeli rontgen dada menggunakan laporan ekokardiografi sebagai kebenaran dasar, para peneliti melatih model mereka untuk mempelajari fitur yang menghubungkan kedua kumpulan data. Mereka memeriksa enam jenis penyakit katup jantung – regurgitasi mitral, stenosis aorta, regurgitasi aorta, stenosis mitral, regurgitasi trikuspid, dan regurgitasi paru – mengklasifikasikan tingkat keparahan setiap penyakit sebagai tidak ada, ringan, sedang, atau berat. Mereka juga mengklasifikasikan tiga ukuran fungsi jantung: fraksi ejeksi ventrikel kiri, kecepatan regurgitasi trikuspid, dan pelebaran vena kava inferior.

Untuk mengevaluasi kinerja diagnostik model pembelajaran mendalam mereka, para peneliti menghitung area di bawah kurva karakteristik operasi penerima (AUC) untuk sembilan pengklasifikasi utama – batas tidak ada-ringan versus sedang-berat untuk masing-masing dari enam penyakit katup jantung, ditambah batas 40% untuk fraksi ejeksi ventrikel kiri, 2.8 m/s untuk kecepatan regurgitasi trikuspid, dan 21 mm untuk pelebaran vena cava interior – untuk dataset uji internal dan eksternal.

Tim menemukan bahwa model tersebut dapat secara akurat mengklasifikasikan fungsi jantung dan penyakit jantung, informasi biasanya diperoleh dari ekokardiografi, menggunakan informasi dari radiografi dada. AUC rata-rata keseluruhan untuk pengklasifikasi utama adalah 0.89, 0.90 dan 0.92 untuk kumpulan data uji internal, dan 0.87 untuk kumpulan data uji eksternal (nilai yang mendekati 1 menunjukkan klasifikasi yang lebih baik).

Berfokus pada kumpulan data uji eksternal, model tersebut dapat dengan tepat mengkategorikan enam jenis penyakit katup jantung, dengan AUC mulai dari 0.83 hingga 0.92. AUC untuk mengklasifikasikan fraksi ejeksi ventrikel kiri adalah 0.92, sedangkan AUC untuk kecepatan regurgitasi trikuspid dan dilatasi vena kava interior adalah 0.85.

“Sejauh pengetahuan kami, penelitian ini adalah yang pertama membuat dan memvalidasi model klasifikasi berbasis pembelajaran mendalam untuk fungsi jantung dan penyakit katup jantung menggunakan radiografi dada dari berbagai institusi,” tulis para peneliti.

Mereka menunjukkan bahwa model tersebut memiliki beberapa keunggulan dibandingkan evaluasi penyakit jantung berbasis ekokardiografi. Rontgen dada mudah dan cepat direkam dan modelnya dapat diterapkan dengan cepat dengan kebutuhan komputasi yang rendah. Setelah implementasi awal, model dapat digunakan tanpa keahlian khusus dan kapan saja. Selain itu, radiografi dada yang ada harus dapat digunakan untuk memberikan informasi tentang fungsi jantung bila diperlukan, tanpa perlu tes tambahan.

Model AI menentukan risiko kardiovaskular dari rontgen dada rutin

“Kami membutuhkan waktu yang sangat lama untuk mendapatkan hasil ini, tetapi saya yakin ini adalah penelitian yang signifikan,” kata Ueda dalam pernyataan pers. “Selain meningkatkan efisiensi diagnosis dokter, sistem ini juga dapat digunakan di area yang tidak memiliki spesialis, dalam keadaan darurat malam hari, dan untuk pasien yang mengalami kesulitan menjalani ekokardiografi.”

“Di masa depan kami berharap untuk mengevaluasi penerapan model kami di dunia nyata dalam berbagai pengaturan klinis,” rekan penulis Shannon Walston memberi tahu Dunia Fisika. “Sangat penting bagi kami untuk memahami bagaimana model berbasis AI kami dapat diintegrasikan dengan mulus ke dalam alur kerja klinis, dan bagaimana model tersebut dapat berkontribusi pada perawatan pasien yang lebih baik.”

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
• Sumber: https://physicsworld.com/a/deep-learning-model-uses-chest-x-rays-to-detect-heart-disease/