یک مدل یادگیری عمیق توسط محققانی از برنامه هوش مصنوعی در پزشکی (AIM). می تواند خطر مرگ 10 ساله ناشی از حمله قلبی یا سکته را با استفاده از یک عکس رادیوگرافی قفسه سینه پیش بینی کند.
در حال حاضر، این خطر با استفاده از امتیاز خطر بیماری قلبی عروقی آترواسکلروتیک (ASCVD) تخمین زده می شود. این مدل آماری به پارامترهای ورودی متعددی از جمله سن، جنس، نژاد، فشار خون سیستولیک، درمان فشار خون بالا، وضعیت سیگار کشیدن و دیابت نوع 2 و آزمایش خون نیاز دارد. بیماران با خطر 7.5٪ یا بالاتر، داروهای استاتین توصیه می شود. با این حال، اغلب این متغیرها همه در پرونده الکترونیکی بیمار موجود نیستند.
برای رفع این کمبود، محققان یک مدل یادگیری عمیق ایجاد کردند که می تواند خطر 10 ساله حوادث نامطلوب قلبی عروقی را از یک رادیوگرافی معمول قفسه سینه تخمین بزند. در این هفته RSNA 2022، نشست سالانه انجمن رادیولوژی آمریکای شمالی، نویسنده اصلی یاکوب ویس کار تیم را ارائه کرد.
ویس توضیح می‌دهد: «مدل یادگیری عمیق ما یک راه‌حل بالقوه برای غربالگری فرصت‌طلبانه خطر بیماری قلبی عروقی مبتنی بر جمعیت با استفاده از تصاویر اشعه ایکس قفسه سینه ارائه می‌کند. این نوع غربالگری می‌تواند برای شناسایی افرادی که از داروهای استاتین سود می‌برند اما در حال حاضر درمان نشده‌اند، استفاده شود.
ویس و همکارانش مدل خطر CXR-CVD خود را با استفاده از 147,497 اشعه ایکس قفسه سینه از 40,643 شرکت کننده در این آزمایش توسعه دادند. آزمایش غربالگری سرطان PLCO. آنها عملکرد آن را با استفاده از یک گروه مستقل متشکل از 11,430 بیمار سرپایی که در Mass General Brigham از قفسه سینه اشعه ایکس معمولی گرفته بودند و به طور بالقوه واجد شرایط درمان با استاتین بودند، آزمایش کردند. در طول متوسط پیگیری 10.3 سال، 9.6٪ از این بیماران یک عارضه قلبی نامطلوب عمده را تجربه کردند، با ارتباط معنی داری بین خطر پیش بینی شده توسط مدل و رویدادهای مشاهده شده.
در 2401 بیمار با داده های کافی در دسترس، تیم همچنین ارزش پیش آگهی مدل خطر CXR-CVD را با استاندارد بالینی تثبیت شده برای تصمیم گیری واجد شرایط بودن استاتین مقایسه کرد. در این زیر مجموعه از بیماران، مدل عملکرد مشابه با استاندارد بالینی را نشان داد.
الگوریتم منبع باز خطر حمله قلبی را از سی تی اسکن قفسه سینه پیش بینی می کند
ویس می‌گوید: «زیبایی این روش در این است که شما فقط به یک اشعه ایکس نیاز دارید که میلیون‌ها بار در روز در سراسر جهان دریافت می‌شود. ما مدت‌هاست متوجه شده‌ایم که اشعه ایکس اطلاعاتی فراتر از یافته‌های تشخیصی سنتی را می‌گیرد، اما از این داده‌ها استفاده نکرده‌ایم زیرا روش‌های قوی و قابل اعتمادی نداشته‌ایم. پیشرفت در هوش مصنوعی اکنون این امکان را فراهم کرده است.»
ویس خاطرنشان می کند که تحقیقات اضافی، از جمله یک کارآزمایی تصادفی کنترل شده، برای اعتبارسنجی مدل مورد نیاز است، که در نهایت می تواند به عنوان یک ابزار پشتیبانی تصمیم برای پزشکان عمل کند.
