โมเดลการเรียนรู้เชิงลึกใช้เอ็กซ์เรย์ทรวงอกเพื่อตรวจหาโรคหัวใจ – Physics World

โมเดลการเรียนรู้เชิงลึกใช้เอ็กซ์เรย์ทรวงอกเพื่อตรวจหาโรคหัวใจ – Physics World

ประทับเวลา: 20 กรกฎาคม 2023 5:33 น

การวินิจฉัยโรคหัวใจจากการเอกซเรย์ทรวงอก
การวินิจฉัยโรคหัวใจ ซ้าย: ภาพรังสีทรวงอกจากชุดข้อมูลทดสอบ ขวา: แผนที่ความเด่นที่ซ้อนทับแสดงเหตุผลสำหรับการประเมินการทำงานของหัวใจด้วยโมเดลการเรียนรู้เชิงลึก (ขอบคุณ: Daiju Ueda, OMU)

Echocardiography - การสแกนอัลตราซาวนด์ของหัวใจ - เป็นวิธีการถ่ายภาพที่ใช้บ่อยที่สุดในการประเมินการทำงานของหัวใจและโรคต่างๆ อย่างไรก็ตาม เทคนิคนี้ต้องใช้ทักษะเฉพาะทางซึ่งมักจะขาดแคลน อีกทางเลือกหนึ่งคือการใช้การเอ็กซ์เรย์ทรวงอก ซึ่งเป็นหนึ่งในการตรวจทางการแพทย์ที่พบได้บ่อยที่สุดและแพร่หลาย โดยหลักแล้วใช้สำหรับการวินิจฉัยและการจัดการโรคปอด แต่ในขณะที่ภาพรังสีทรวงอกมองเห็นหัวใจได้ ความสัมพันธ์ระหว่างภาพรังสีทรวงอกกับสุขภาพหัวใจยังไม่เป็นที่เข้าใจ

ทีมวิจัยที่นำโดย Daiju Ueda แห่ง มหาวิทยาลัยมหานครโอซาก้า ได้พัฒนาโมเดลการเรียนรู้เชิงลึกที่ใช้ปัญญาประดิษฐ์เพื่อตรวจหาโรคลิ้นหัวใจและจำแนกการทำงานของหัวใจจากภาพรังสีทรวงอกด้วยความแม่นยำอย่างที่ไม่เคยมีมาก่อน นักวิจัยเผยแพร่ผลงานของพวกเขาใน สุขภาพมีดหมอดิจิตอล.

โมเดลการเรียนรู้เชิงลึกที่ได้รับการฝึกอบรมและทดสอบในชุดข้อมูลชุดเดียวอาจมีแนวโน้มที่จะถูกใช้งานมากเกินไป ซึ่งโมเดลสุดท้ายจะทำงานได้ดีกับภาพในชุดข้อมูลการฝึกอบรมเท่านั้น เพื่อป้องกันสิ่งนี้ Ueda และเพื่อนร่วมงานได้พัฒนาแบบจำลองโดยใช้ข้อมูลจากสถาบันต่างๆ 22,551 แห่ง โดยมีภาพรังสีทรวงอกทั้งหมด 16,946 ภาพ บวกกับภาพคลื่นไฟฟ้าหัวใจที่เกี่ยวข้อง ซึ่งรวบรวมจากผู้ป่วย XNUMX คน

นักวิจัยใช้ภาพเอ็กซ์เรย์ 17,293 ภาพจากสถาบัน 1947 แห่งเพื่อฝึกโมเดลการเรียนรู้เชิงลึก บวกกับภาพเอ็กซ์เรย์ 3311 ภาพจากไซต์เดียวกันกับชุดข้อมูลทดสอบภายใน สำหรับการทดสอบภายนอก พวกเขาใช้ภาพเอ็กซ์เรย์ 2617 ภาพจากผู้ป่วย XNUMX รายในสถาบันที่แยกจากกัน

หลังจากติดฉลากเอกซเรย์ทรวงอกโดยใช้รายงานการตรวจคลื่นไฟฟ้าหัวใจเป็นความจริงพื้นฐาน นักวิจัยได้ฝึกฝนโมเดลของตนเพื่อเรียนรู้คุณลักษณะที่เชื่อมโยงชุดข้อมูลทั้งสองชุด พวกเขาตรวจสอบโรคลิ้นหัวใจหกประเภท ได้แก่ mitral regurgitation, aortic stenosis, aortic regurgitation, mitral stenosis, tricuspid regurgitation และ pulmonary regurgitation โดยจำแนกความรุนแรงของแต่ละโรคว่าไม่มีเลย ไม่รุนแรง ปานกลางหรือรุนแรง พวกเขายังจำแนกการวัดการทำงานของหัวใจออกเป็น XNUMX แบบ ได้แก่ left ventricular ejection fraction, tricuspid regurgitant velocity และ minor vena cava dilation

ในการประเมินประสิทธิภาพการวินิจฉัยของโมเดลการเรียนรู้เชิงลึก นักวิจัยได้คำนวณพื้นที่ใต้เส้นกราฟลักษณะการทำงานของตัวรับ (AUC) สำหรับตัวแยกประเภทหลัก 40 ตัว ซึ่งเป็นจุดตัดระหว่างไม่มี – ไม่รุนแรงและปานกลาง – รุนแรงสำหรับโรคลิ้นหัวใจทั้ง 2.8 โรค บวกค่าคัตออฟ 21% สำหรับส่วนของการดีดของหัวใจห้องล่างซ้าย, XNUMX ม./วินาที สำหรับความเร็วการไหลกลับของกล้ามเนื้อไตรคัสปิด และ XNUMX มม. สำหรับการขยาย Vena Cava ภายใน – สำหรับชุดข้อมูลการทดสอบภายในและภายนอก

ทีมงานพบว่าแบบจำลองสามารถจำแนกการทำงานของหัวใจและโรคหัวใจได้อย่างถูกต้อง ข้อมูลที่ได้รับจากการตรวจคลื่นไฟฟ้าหัวใจโดยใช้ข้อมูลจากภาพรังสีทรวงอก ค่าเฉลี่ย AUC โดยรวมสำหรับตัวแยกประเภทหลักคือ 0.89, 0.90 และ 0.92 สำหรับชุดข้อมูลทดสอบภายใน และ 0.87 สำหรับชุดข้อมูลทดสอบภายนอก (ค่าที่ใกล้ 1 บ่งชี้ว่าการจัดประเภทดีขึ้น)

โดยมุ่งเน้นไปที่ชุดข้อมูลการทดสอบภายนอก แบบจำลองสามารถจำแนกโรคลิ้นหัวใจหกประเภทได้อย่างแม่นยำ โดยมีค่า AUC ตั้งแต่ 0.83 ถึง 0.92 ค่า AUC สำหรับการจำแนกส่วนของการดีดของหัวใจห้องล่างซ้ายเท่ากับ 0.92 ในขณะที่ค่า AUC สำหรับทั้งความเร็วการสำรอกของไตรคัสปิดและการขยาย Vena Cava ภายในเท่ากับ 0.85

“เท่าที่เราทราบ การศึกษานี้เป็นครั้งแรกที่สร้างและตรวจสอบความถูกต้องของแบบจำลองการจำแนกประเภทที่ใช้การเรียนรู้เชิงลึกสำหรับการทำงานของหัวใจและโรคลิ้นหัวใจ โดยใช้ภาพถ่ายรังสีทรวงอกจากหลายสถาบัน” นักวิจัยเขียน

พวกเขาชี้ให้เห็นว่าแบบจำลองมีข้อดีหลายประการเหนือการประเมินโรคหัวใจโดยใช้คลื่นไฟฟ้าหัวใจ การเอกซเรย์ทรวงอกนั้นง่ายและรวดเร็วในการบันทึก และสามารถนำแบบจำลองไปใช้ได้อย่างรวดเร็วโดยมีข้อกำหนดด้านการคำนวณต่ำ หลังจากการนำไปใช้ครั้งแรก แบบจำลองนี้สามารถใช้งานได้โดยไม่ต้องใช้ทักษะพิเศษและเมื่อใดก็ได้ นอกจากนี้ ควรใช้ภาพถ่ายรังสีทรวงอกที่มีอยู่เพื่อให้ข้อมูลเกี่ยวกับการทำงานของหัวใจเมื่อจำเป็น โดยไม่ต้องตรวจเพิ่มเติม

“เราใช้เวลานานมากเพื่อให้ได้ผลลัพธ์เหล่านี้ แต่ผมเชื่อว่านี่เป็นงานวิจัยที่สำคัญ” Ueda กล่าวในแถลงการณ์ “นอกเหนือจากการปรับปรุงประสิทธิภาพการวินิจฉัยของแพทย์แล้ว ระบบยังอาจใช้ในพื้นที่ที่ไม่มีผู้เชี่ยวชาญ ในกรณีฉุกเฉินตอนกลางคืน และสำหรับผู้ป่วยที่มีปัญหาในการตรวจคลื่นไฟฟ้าหัวใจ”

“ในอนาคต เราหวังว่าจะประเมินการนำไปใช้จริงของแบบจำลองของเราในสถานพยาบาลต่างๆ” ผู้เขียนร่วม Shannon Walston กล่าว โลกฟิสิกส์. “สิ่งสำคัญคือเราต้องเข้าใจว่าโมเดลที่ใช้ AI ของเราสามารถผสานรวมเข้ากับเวิร์กโฟลว์ทางคลินิกได้อย่างราบรื่นได้อย่างไร และจะมีส่วนช่วยในการดูแลผู้ป่วยที่ดีขึ้นได้อย่างไร”

ประทับเวลา:

เพิ่มเติมจาก โลกฟิสิกส์