Модель глибокого навчання використовує рентген грудної клітки для виявлення захворювань серця – Physics World

Модель глибокого навчання використовує рентген грудної клітки для виявлення захворювань серця – Physics World

Мітка часу: 20 липня 2023 р., 5:33

Діагностика серцевих захворювань за допомогою рентгенограми грудної клітки
Діагностика захворювань серця Ліворуч: рентгенограма грудної клітки з тестового набору даних. Праворуч: накладена карта помітності, яка показує підстави для оцінки серцевої функції за допомогою моделі глибокого навчання. (З дозволу: Дайджу Уеда, OMU)

Ехокардіографія – ультразвукове сканування серця – є найбільш часто використовуваним методом візуалізації для оцінки серцевої функції та захворювань. Однак ця техніка вимагає спеціальних навичок, яких часто не вистачає. Альтернативним варіантом може бути використання рентгена грудної клітки, одного з найпоширеніших і широкодоступних медичних досліджень, який в основному використовується для діагностики та лікування захворювань легенів. Але в той час як серце видно на рентгенограмах грудної клітки, зв’язок між рентгенограмами грудної клітки та здоров’ям серця погано вивчений.

Прагнучи подолати цей розрив, дослідницька група під керівництвом Дайджу Уеда з Столичний університет Осаки розробив модель глибокого навчання, яка використовує штучний інтелект для виявлення захворювань клапанів і класифікації серцевої функції на рентгенограмах грудної клітки з безпрецедентною точністю. Свої результати дослідники публікують у Здоров'я Ланцет Цифрові.

Моделі глибокого навчання, які навчаються та перевіряються на одному наборі даних, можуть бути схильні до переобладнання, у якому кінцева модель добре працює лише для зображень у навчальному наборі даних. Щоб запобігти цьому, Уеда та його колеги розробили свою модель, використовуючи дані чотирьох різних установ із загальною кількістю 22,551 16,946 рентгенограм грудної клітки та пов’язаних ехокардіограм, зібраних у XNUMX ​​XNUMX пацієнтів.

Дослідники використали 17,293 1947 рентгенограми з трьох установ для навчання моделі глибокого навчання, а також 3311 рентгенограм з тих самих сайтів, які використовувалися як внутрішні тестові набори даних. Для зовнішнього обстеження використано 2617 рентгенограм від XNUMX пацієнтів окремого закладу.

Позначивши рентгенівські знімки грудної клітини за допомогою звітів ехокардіографії як основну правду, дослідники навчили свою модель вивчати особливості, що з’єднують два набори даних. Вони досліджували шість типів клапанних захворювань серця – мітральну регургітацію, аортальний стеноз, аортальну регургітацію, мітральний стеноз, трикуспідальну регургітацію та легеневу регургітацію – класифікуючи тяжкість кожного захворювання як відсутність, легку, помірну або важку. Вони також класифікували три показники серцевої функції: фракцію викиду лівого шлуночка, швидкість регургітації тристулкового клапана та розширення нижньої порожнистої вени.

Щоб оцінити діагностичну ефективність своєї моделі глибокого навчання, дослідники розрахували площу під кривою операційної характеристики (AUC) приймача для дев’яти основних класифікаторів – порогове значення: жодного – легкого проти середнього – важкого для кожного з шести клапанних захворювань серця, плюс порогові значення 40% для фракції викиду лівого шлуночка, 2.8 м/с для трикуспідальної швидкості регургітанту та 21 мм для розширення внутрішньої порожнистої вени – для наборів даних внутрішнього та зовнішнього тестування.

Команда виявила, що модель може точно класифікувати серцеві функції та захворювання серця, інформацію, яку зазвичай отримують за допомогою ехокардіографії, використовуючи інформацію з рентгенограм грудної клітки. Загальні середні значення AUC для первинних класифікаторів становили 0.89, 0.90 і 0.92 для наборів даних внутрішнього тестування та 0.87 для набору даних зовнішнього тестування (значення, ближчі до 1, вказують на кращу класифікацію).

Зосереджуючись на наборі даних зовнішнього тестування, модель могла точно класифікувати шість типів клапанних захворювань серця з AUC в діапазоні від 0.83 до 0.92. AUC для класифікації фракції викиду лівого шлуночка становила 0.92, тоді як AUC як для швидкості трикуспідальної регургітації, так і для розширення внутрішньої порожнистої вени становила 0.85.

«Наскільки нам відомо, це дослідження є першим, у якому створено та підтверджено засновану на глибокому навчанні модель класифікації серцевих функцій і захворювань клапанів серця з використанням рентгенограм грудної клітки в кількох установах», — пишуть дослідники.

Вони зазначають, що модель має кілька переваг перед оцінкою серцевих захворювань на основі ехокардіографії. Рентгенівські знімки грудної клітки легко та швидко записувати, а модель можна швидко застосувати з невеликими обчислювальними вимогами. Після початкового впровадження модель можна було використовувати без будь-яких спеціальних навичок і в будь-який час. Крім того, повинна бути можливість використовувати існуючі рентгенограми грудної клітки для надання інформації про серцеву функцію, коли це необхідно, без необхідності додаткових тестів.

«Нам знадобилося дуже багато часу, щоб отримати ці результати, але я вважаю, що це важливе дослідження», — сказав Уеда в заяві для преси. «Крім підвищення ефективності діагностики лікарів, система також може бути використана там, де немає спеціалістів, у нічних невідкладних ситуаціях і для пацієнтів, яким важко пройти ехокардіографію».

«У майбутньому ми сподіваємося оцінити реальну застосовність нашої моделі в різних клінічних умовах», — розповідає співавтор Шеннон Волстон. Світ фізики. «Для нас вкрай важливо зрозуміти, як нашу модель на основі штучного інтелекту можна бездоганно інтегрувати в клінічні робочі процеси та як вона може сприяти покращенню догляду за пацієнтами».

Часова мітка:

Більше від Світ фізики