هوش مصنوعی آکسفورد خطر نارسایی قلبی زودهنگام را از روی سیتیاسکنهای روتین با دقت ۸۶ درصد در بین ۷۲۰۰۰ بیمار تشخیص میدهد.
به طور خلاصه
محققان دانشگاه آکسفورد یک سیستم هوش مصنوعی توسعه دادهاند که تغییرات ظریف و نامرئی در چربی قلب را از طریق سیتیاسکنهای معمول تشخیص میدهد و خطر نارسایی قلبی را تا پنج سال آینده با دقت ۸۶ درصد در بین ۷۲۰۰۰ بیمار پیشبینی میکند.
محققان در دانشگاه آکسفورد یک سیستم هوش مصنوعی توسعه دادهاند که میتواند خطر ابتلا به نارسایی قلبی را تا پنج سال قبل از تشخیص تخمین بزند و در اعتبارسنجی بیش از ۷۲۰۰۰ بیمار به دقت ۸۶٪ دست یافته است. این رویکرد نیازی به آزمایش اضافی، مداخله متخصص یا تجهیزات پزشکی جدید ندارد، زیرا به سیتیاسکنهای قلبی متکی است که از قبل به طور معمول در عمل بالینی انجام میشوند.
این کار که به رهبری پروفسور چارالامبوس آنتونیادس انجام و در مجله کالج قلب و عروق آمریکا منتشر شده است، به یک محدودیت دیرینه در قلب و عروق میپردازد: نارسایی قلبی معمولاً تنها پس از وقوع آسیب ساختاری قابل توجه تشخیص داده میشود، که در آن مرحله گزینههای پیشگیرانه اغلب محدود هستند. سیستم پیشنهادی توجه را به تغییرات بیولوژیکی اولیه که چندین سال قبل از علائم قابل مشاهده رخ میدهند، معطوف میکند.
در مرکز این مدل یک منبع داده غیرمتعارف قرار دارد: چربی اطراف قلب، که به عنوان بافت چربی پریکارد شناخته میشود. در حالی که به طور سنتی در تجزیه و تحلیل اسکن معمول نادیده گرفته میشود، به نظر میرسد این بافت منعکس کننده تغییرات التهابی و متابولیکی اساسی است که در خود عضله قلب رخ میدهد.
به گفته محققان، این رسوبات چربی به تدریج بافت خود را در پاسخ به استرس در سیستم قلبی عروقی تغییر میدهند و الگوهایی ایجاد میکنند که از طریق تفسیر استاندارد انسانی از نتایج تصویربرداری قابل تشخیص نیستند. سیستم هوش مصنوعی به گونهای طراحی شده است که این تغییرات ظریف را شناسایی کرده و آنها را به یک تخمین کمی از خطر نارسایی قلبی در آینده تبدیل کند.
سیگنالهای خواندنی که چشم انسان قادر به دیدن آنها نیست
تصویربرداری سیتیاسکن قلب به طور گسترده در سراسر سرویس بهداشت ملی بریتانیا برای بررسی درد قفسه سینه و ارزیابی بیماری عروق کرونر قلب استفاده میشود و سالانه صدها هزار اسکن انجام میشود. در گردشهای کاری بالینی معمول، رادیولوژیستها در درجه اول بر انسداد شریانی و ناهنجاریهای قابل مشاهده تمرکز میکنند، در حالی که بافت چربی اطراف توجه تحلیلی محدودی دریافت میکند.
مدل آکسفورد با تجزیه و تحلیل ویژگیهای بافتی درون چربی پریکارد، این لایه داده نادیده گرفته شده را مجدداً مورد استفاده قرار میدهد. با استفاده از تکنیکهای یادگیری ماشینی که بر روی دادههای سیتیاسکن ناشناس از بیش از ۵۹۰۰۰ بیمار NHS آموزش دیدهاند، سیستم یاد گرفته است که الگوهای تصویربرداری خاص را با پیشرفت بعدی نارسایی قلبی در دورههای پیگیری طولانیمدت مرتبط کند.
در آزمایش اعتبارسنجی شامل ۱۳۴۲۴ بیمار دیگر، این مدل با دقت ۸۶٪ خطر نارسایی قلبی را در پنج سال آینده پیشبینی کرد. افرادی که در گروه پرخطر طبقهبندی شدند، تقریباً ۲۰ برابر بیشتر از افراد در پایینترین دسته، در معرض ابتلا به این بیماری بودند و احتمال شروع بیماری در عرض پنج سال، یک در چهار نفر تخمین زده شد.
نکته مهم این است که این سیستم به طور خودکار و بدون نیاز به ورودی دستی از سوی پزشکان، نمرات ریسک را تولید میکند. این امر آن را به عنوان یک ابزار بالقوه پشتیبانی از تصمیمگیری قرار میدهد، نه جایگزینی برای فرآیندهای تشخیصی موجود.
از اسکن قلب گرفته تا هرگونه سیتیاسکن قفسه سینه - و مسیری به سوی NHS
هدف گستردهتر این تحقیق، گسترش این فناوری فراتر از تصویربرداری اختصاصی قلب است. این تیم در حال حاضر در حال تطبیق این مدل برای تجزیه و تحلیل اسکنهای استاندارد سیتیاسکن قفسه سینه، از جمله اسکنهای مورد استفاده در غربالگری سرطان ریه و تشخیص بیماریهای تنفسی است. با توجه به حجم بسیار بالاتر تصویربرداری سیتیاسکن قفسه سینه در مقایسه با اسکنهای اختصاصی قلب، چنین تطبیقی میتواند به طور قابل توجهی دامنه دسترسی سیستم را افزایش دهد.
از نظر بالینی، این پیامدها به مداخله زودهنگام مرتبط هستند. با شناسایی بیماران پرخطر سالها قبل از بروز علائم، ارائه دهندگان خدمات درمانی میتوانند استراتژیهای نظارتی را تنظیم کنند، درمانهای پیشگیرانه را زودتر آغاز کنند و منابع را به طور مؤثرتری اولویتبندی کنند. با توجه به اینکه نارسایی قلبی در حال حاضر بیش از یک میلیون نفر را در بریتانیا تحت تأثیر قرار داده است، تأثیر بالقوه آن بر تقاضای بلندمدت برای مراقبتهای بهداشتی قابل توجه است.
اکنون برنامههایی برای دریافت مجوز قانونی جهت ادغام در گردشهای کاری معمول رادیولوژی در NHS در حال انجام است. در صورت تصویب، این سیستم در پسزمینهی روشهای تصویربرداری استاندارد عمل خواهد کرد و ارزیابیهای ریسک خودکار را بدون هیچ هزینهی اضافی یا تغییر در پروتکلهای اسکن انجام میدهد.
این تحقیق توسط بنیاد قلب بریتانیا و مرکز تحقیقات زیستپزشکی موسسه ملی تحقیقات سلامت و مراقبت در آکسفورد پشتیبانی شد. این تحقیق نشاندهنده تغییر گستردهتری در تصویربرداری پزشکی است، جایی که هوش مصنوعی نه تنها برای تشخیص بیماریهای موجود، بلکه برای استنباط خطر آینده از سیگنالهای بیولوژیکی ظریف و قبلاً کماستفادهشده که در اسکنهای معمول تعبیه شدهاند، به طور فزایندهای مورد استفاده قرار میگیرد.
رفع مسئولیت
در خط با دستورالعمل های پروژه اعتماد، لطفاً توجه داشته باشید که اطلاعات ارائه شده در این صفحه به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا هر شکل دیگری در نظر گرفته نشده است و نباید تفسیر شود. مهم است که فقط در موردی سرمایه گذاری کنید که توانایی از دست دادن آن را دارید و در صورت شک و تردید به دنبال مشاوره مالی مستقل باشید. برای کسب اطلاعات بیشتر، پیشنهاد می کنیم به شرایط و ضوابط و همچنین صفحات راهنمایی و پشتیبانی ارائه شده توسط صادرکننده یا تبلیغ کننده مراجعه کنید. MetaversePost متعهد به گزارش دقیق و بی طرفانه است، اما شرایط بازار بدون اطلاع قبلی ممکن است تغییر کند.
درباره نویسنده
آلیسا، یک روزنامه نگار اختصاصی در MPost، متخصص در ارزهای دیجیتال، هوش مصنوعی، سرمایهگذاری و حوزه گسترده... Web3. او با نگاهی دقیق به روندها و فناوریهای نوظهور، پوشش جامعی را برای اطلاعرسانی و مشارکت خوانندگان در چشمانداز همیشه در حال تحول مالی دیجیتال ارائه میکند.
مقالات بیشتر
آلیسا، یک روزنامه نگار اختصاصی در MPost، متخصص در ارزهای دیجیتال، هوش مصنوعی، سرمایهگذاری و حوزه گسترده... Web3. او با نگاهی دقیق به روندها و فناوریهای نوظهور، پوشش جامعی را برای اطلاعرسانی و مشارکت خوانندگان در چشمانداز همیشه در حال تحول مالی دیجیتال ارائه میکند.
