Model głębokiego uczenia wykorzystuje zdjęcia rentgenowskie klatki piersiowej do wykrywania chorób serca – Physics World

Model głębokiego uczenia wykorzystuje zdjęcia rentgenowskie klatki piersiowej do wykrywania chorób serca – Physics World

Znacznik czasu: 20 lipca 2023 5:33

Diagnozowanie chorób serca na podstawie prześwietlenia klatki piersiowej
Diagnozowanie chorób serca Po lewej: zdjęcie rentgenowskie klatki piersiowej z zestawu danych testowych. Po prawej: nałożona mapa istotności przedstawiająca podstawy oceny funkcji serca za pomocą modelu głębokiego uczenia się. (Dzięki uprzejmości: Daiju Ueda, OMU)

Echokardiografia – badanie ultrasonograficzne serca – jest najczęściej stosowaną metodą obrazowania do oceny funkcji i chorób serca. Technika ta wymaga jednak specjalistycznych umiejętności, których często brakuje. Alternatywną opcją mogłoby być wykonanie zdjęcia rentgenowskiego klatki piersiowej, jednego z najbardziej powszechnych i powszechnie dostępnych badań lekarskich, stosowanego głównie do diagnozowania i leczenia chorób płuc. Ale chociaż serce jest widoczne na radiogramach klatki piersiowej, związek między radiogramami klatki piersiowej a zdrowiem serca jest słabo poznany.

Dążąc do wypełnienia tej luki, zespół badawczy kierowany przez Daiju Ueda z Uniwersytet Metropolitalny w Osace opracowała model głębokiego uczenia, który wykorzystuje sztuczną inteligencję do wykrywania wad zastawek i klasyfikowania funkcji serca na podstawie radiogramów klatki piersiowej z niespotykaną dokładnością. Naukowcy publikują swoje wyniki w Lancet Digital Health.

Modele uczenia głębokiego, które są trenowane i testowane na pojedynczym zbiorze danych, mogą być podatne na nadmierne dopasowanie, w którym ostateczny model działa dobrze tylko w przypadku obrazów w zbiorze danych szkoleniowych. Aby temu zapobiec, Ueda i współpracownicy opracowali swój model, korzystając z danych z czterech różnych instytucji, z łącznie 22,551 16,946 radiogramami klatki piersiowej i powiązanymi echokardiogramami zebranymi od XNUMX XNUMX pacjentów.

Do szkolenia modelu głębokiego uczenia się naukowcy wykorzystali 17,293 1947 zdjęcia rentgenowskie z trzech instytucji oraz 3311 zdjęć rentgenowskich z tych samych ośrodków, które stanowią zbiory danych do testów wewnętrznych. Do testów zewnętrznych wykorzystano 2617 zdjęć rentgenowskich od XNUMX pacjentów w oddzielnej instytucji.

Po oznaczeniu zdjęć rentgenowskich klatki piersiowej za pomocą raportów echokardiograficznych jako podstawowej prawdy, naukowcy przeszkolili swój model, aby poznać cechy łączące te dwa zestawy danych. Zbadali sześć typów wad zastawkowych serca – niedomykalność zastawki mitralnej, zwężenie zastawki aortalnej, niedomykalność zastawki aortalnej, zwężenie zastawki mitralnej, niedomykalność zastawki trójdzielnej i niedomykalność płuc – klasyfikując ciężkość każdej choroby jako brak, łagodną, ​​umiarkowaną lub ciężką. Sklasyfikowali również trzy miary funkcji serca: frakcję wyrzutową lewej komory, prędkość niedomykalności zastawki trójdzielnej i rozszerzenie żyły głównej dolnej.

Aby ocenić wydajność diagnostyczną ich modelu głębokiego uczenia się, naukowcy obliczyli obszar pod krzywą charakterystyki działania odbiornika (AUC) dla dziewięciu głównych klasyfikatorów – odcięcie braku łagodnego do umiarkowanego ciężkiego dla każdej z sześciu wad zastawkowych serca, plus wartości odcięcia 40% dla frakcji wyrzutowej lewej komory, 2.8 m/s dla prędkości niedomykalności zastawki trójdzielnej i 21 mm dla rozszerzenia żyły głównej wewnętrznej – dla wewnętrznych i zewnętrznych zestawów danych testowych.

Zespół odkrył, że model może dokładnie klasyfikować funkcje serca i choroby serca, informacje zwykle uzyskiwane z echokardiografii, wykorzystując informacje z radiogramów klatki piersiowej. Ogólne średnie wartości AUC dla głównych klasyfikatorów wyniosły 0.89, 0.90 i 0.92 dla wewnętrznych zestawów danych testowych oraz 0.87 dla zewnętrznego zestawu danych testowych (wartości bliższe 1 wskazują na lepszą klasyfikację).

Skupiając się na zewnętrznym zbiorze danych testowych, model mógł precyzyjnie sklasyfikować sześć typów wad zastawkowych serca, z AUC w zakresie od 0.83 do 0.92. AUC dla klasyfikacji frakcji wyrzutowej lewej komory wynosiło 0.92, podczas gdy AUC zarówno dla prędkości niedomykalności zastawki trójdzielnej, jak i rozszerzenia żyły głównej wewnętrznej wynosiło 0.85.

„Według naszej najlepszej wiedzy, to badanie jest pierwszym, które stworzyło i zweryfikowało oparty na głębokim uczeniu model klasyfikacji funkcji serca i wad zastawkowych serca przy użyciu radiogramów klatki piersiowej z wielu instytucji” – napisali naukowcy.

Wskazują, że model ma kilka zalet w porównaniu z oceną chorób serca opartą na echokardiografii. Zdjęcia rentgenowskie klatki piersiowej są łatwe i szybkie do zarejestrowania, a model można szybko zastosować przy niewielkich wymaganiach obliczeniowych. Po wstępnym wdrożeniu model mógł być używany bez specjalistycznych umiejętności iw dowolnym momencie. Ponadto powinna istnieć możliwość wykorzystania istniejących radiogramów klatki piersiowej w celu uzyskania informacji o czynności serca, gdy jest to konieczne, bez konieczności wykonywania dodatkowych badań.

„Dojście do tych wyników zajęło nam bardzo dużo czasu, ale uważam, że są to znaczące badania”, mówi Ueda w oświadczeniu prasowym. „Oprócz poprawy efektywności diagnoz lekarskich, system może być również wykorzystywany w miejscach, gdzie nie ma specjalistów, w nocnych nagłych wypadkach oraz u pacjentów, u których wykonanie echokardiografii jest utrudnione”.

„W przyszłości mamy nadzieję ocenić realną przydatność naszego modelu w różnych warunkach klinicznych”, mówi współautorka Shannon Walston Świat Fizyki. „Kluczowe jest dla nas zrozumienie, w jaki sposób nasz model oparty na sztucznej inteligencji można bezproblemowo zintegrować z przepływami pracy klinicznej i jak może przyczynić się do poprawy opieki nad pacjentem”.

Znak czasu:

Więcej z Świat Fizyki