Derin öğrenme modeli, kalp hastalığını tespit etmek için göğüs röntgeni kullanıyor - Fizik Dünyası

Derin öğrenme modeli, kalp hastalığını tespit etmek için göğüs röntgeni kullanıyor - Fizik Dünyası

Zaman Damgası: 20 Temmuz 2023 5:33

Göğüs röntgeninden kalp hastalığı teşhisi
Kalp hastalığının teşhisi Sol: test veri setinden alınan göğüs radyografisi. Sağda: derin öğrenme modelinin kardiyak fonksiyon değerlendirmesinin temellerini gösteren üst üste bindirilmiş belirginlik haritası. (Nezaket: Daiju Ueda, OMU)

Ekokardiyografi - kalbin ultrason taraması - kalp fonksiyonlarını ve hastalıkları değerlendirmek için en sık kullanılan görüntüleme yöntemidir. Bununla birlikte, teknik, genellikle yetersiz olan özel beceriler gerektirir. Alternatif bir seçenek, öncelikle akciğer hastalıklarının teşhisi ve tedavisi için kullanılan en yaygın ve yaygın olarak bulunan tıbbi muayenelerden biri olan göğüs röntgenlerini kullanmak olabilir. Ancak akciğer grafilerinde kalp görünürken, akciğer grafileri ile kalp sağlığı arasındaki ilişki tam olarak anlaşılamamıştır.

Daiju Ueda liderliğindeki bir araştırma ekibi, bu boşluğu doldurmayı hedefliyor. Osaka Büyükşehir Üniversitesi kapak hastalıklarını saptamak ve göğüs radyografilerinden kardiyak işlevi benzeri görülmemiş bir doğrulukla sınıflandırmak için yapay zeka kullanan bir derin öğrenme modeli geliştirdi. Araştırmacılar sonuçlarını şu adreste yayınlıyor: Lancet Dijital Sağlık.

Tek bir veri kümesi üzerinde eğitilen ve test edilen derin öğrenme modelleri, son modelin yalnızca eğitim veri kümesindeki görüntüler için iyi çalıştığı aşırı uydurmaya eğilimli olabilir. Bunu önlemek için Ueda ve meslektaşları, 22,551 hastadan toplanan toplam 16,946 akciğer grafisi ve ilişkili ekokardiyogram ile dört farklı kurumdan alınan verileri kullanarak modellerini geliştirdiler.

Araştırmacılar, derin öğrenme modelini eğitmek için üç kurumdan 17,293 radyografi ve ayrıca dahili test veri kümeleri olarak aynı sitelerden 1947 radyografi kullandı. Harici testler için ayrı bir kurumdaki 3311 hastanın 2617 radyografisini kullandılar.

Araştırmacılar, ekokardiyografi raporlarını temel gerçek olarak kullanarak göğüs röntgenlerini etiketledikten sonra, iki veri setini birbirine bağlayan özellikleri öğrenmek için modellerini eğitti. Altı kalp kapak hastalığı tipini incelediler - mitral yetersizlik, aort darlığı, aort yetersizliği, mitral darlık, triküspit yetersizliği ve pulmoner yetersizlik - her hastalığın ciddiyetini yok, hafif, orta veya şiddetli olarak sınıflandırdılar. Ayrıca kardiyak fonksiyonun üç ölçüsünü sınıflandırdılar: sol ventrikül ejeksiyon fraksiyonu, triküspit yetersizlik hızı ve inferior vena kava dilatasyonu.

Araştırmacılar, derin öğrenme modellerinin teşhis performansını değerlendirmek için dokuz birincil sınıflandırıcı için alıcı çalışma karakteristik eğrisinin (AUC) altındaki alanı hesapladılar - altı kalp kapak hastalığının her biri için hafif olmayana karşı orta-şiddetli bir kesim. artı sol ventrikül ejeksiyon fraksiyonu için %40, triküspit yetersizlik hızı için 2.8 m/s ve dahili vena kava iç dilatasyonu için 21 mm'lik eşikler - dahili ve harici test veri kümeleri için.

Ekip, modelin, tipik olarak ekokardiyografiden elde edilen bilgiler olan kalp fonksiyonlarını ve kalp hastalıklarını, göğüs radyografilerinden alınan bilgileri kullanarak doğru bir şekilde sınıflandırabildiğini buldu. Birincil sınıflandırıcılar için genel ortalama AUC'ler dahili test veri setleri için 0.89, 0.90 ve 0.92 ve harici test veri seti için 0.87 idi (1'e yakın değerler daha iyi sınıflandırmayı gösterir).

Harici test veri setine odaklanan model, 0.83 ila 0.92 arasında değişen AUC'ler ile altı kalp kapak hastalığı tipini kesin olarak kategorize edebilir. Sol ventrikül ejeksiyon fraksiyonunu sınıflandırmak için AUC 0.92 iken, hem triküspit regürjitasyon hızı hem de iç vena kava dilatasyonu için AUC 0.85 idi.

Araştırmacılar, "Bildiğimiz kadarıyla, bu çalışma, birden fazla kurumdan alınan göğüs radyografilerini kullanarak kardiyak işlevler ve kapak kalp hastalığı için derin öğrenmeye dayalı bir sınıflandırma modeli oluşturan ve doğrulayan ilk çalışmadır."

Modelin, kalp hastalığının ekokardiyografiye dayalı değerlendirmesine göre çeşitli avantajları olduğuna dikkat çekiyorlar. Göğüs röntgenlerinin kaydedilmesi kolay ve hızlıdır ve model, düşük hesaplama gereksinimleriyle hızla uygulanabilir. İlk uygulamasından sonra, model herhangi bir uzmanlık becerisi olmadan ve herhangi bir zamanda kullanılabilir. Ayrıca mevcut akciğer grafileri gerektiğinde ek testlere gerek kalmadan kardiyak fonksiyon hakkında bilgi vermek için kullanılabilmelidir.

Ueda bir basın açıklamasında, "Bu sonuçlara ulaşmamız çok uzun zaman aldı, ancak bunun önemli bir araştırma olduğuna inanıyorum" dedi. “Sistem, doktor teşhislerinin etkinliğini artırmanın yanı sıra uzmanın bulunmadığı alanlarda, gece acillerinde ve ekokardiyografi çektirmede güçlük çeken hastalarda da kullanılabiliyor.”

Ortak yazar Shannon Walston, "Gelecekte, modelimizin gerçek dünyadaki uygulanabilirliğini çeşitli klinik ortamlarda değerlendirmeyi umuyoruz" dedi. Fizik dünyası. "Yapay zeka tabanlı modelimizin klinik iş akışlarına sorunsuz bir şekilde nasıl entegre edilebileceğini ve hasta bakımının iyileştirilmesine nasıl katkıda bulunabileceğini anlamak bizim için çok önemli."

Zaman Damgası:

Den fazla Fizik dünyası