AI analizi, kemik yoğunluğu taramalarından gelecekteki hastalıkları tahmin edecek

Araştırmacılar, vücudun ana arteri olan aorttaki kalsifikasyonu değerlendirmek için makine öğrenmesini kullanmışlardır. Bu yöntemlerinin, belirtiler ortaya çıkmadan önce gelecekteki kardiyovasküler ve diğer hastalıkları öngörebileceğini belirtiyorlar.

Kalp damarlarının iç duvarında kalsiyum birikimi ya da kalsifikasyon sorun olabileceği gibi, vücudun en büyük arteri olan aortanın kalsifikasyonu da sorun olabilir. Aorta, kalpten çıkar, beyne ve kollara kan sağlamak için yukarı doğru dallanır ve karına kadar uzanır, burada her bacağı besleyen daha küçük arterlere ayrılır.

Karın aort kalsifikasyonu (AAC), karın bölgesinden geçen aortanın kısmı olan kalsifikasyon, kalp krizi ve inme gibi kardiyovasküler hastalıkların gelişimini öngörebilir ve ölüm riskini belirler. Daha önce yapılan çalışmalar, ayrıca AAC’nin yaşlı demansı için güvenilir bir belirteç olduğunu bulmuştur. AAC, genellikle lomber omurgada osteoporozu tespit etmek için kullanılan kemik yoğunluğu taramalarında görülebilir, ancak bu görüntüleri analiz etmek için yüksek derecede eğitilmiş bir profesyonel gereklidir.

AAC, genellikle 24 puanlık bir puanlama sistemi olan AAC-24 kullanılarak eğitilmiş görüntüleme uzmanları tarafından belirlenir. Sıfır puan, kalsifikasyonun olmadığını, ve 24 puan, AAC’nin en şiddetli derecesini temsil eder. Şimdi, Avustralya’daki Edith Cowan Üniversitesi’nden araştırmacılar, kalsifikasyon değerlendirme ve puanlama sürecini hızlandırmak için makine öğrenmesine başvurmuşlardır.

Araştırmacılar, dört farklı model kemik yoğunluğu makinesi tarafından çekilen 5,012 omurga görüntüsünü makine öğrenmesi modeline girdi. Diğer algoritmalar, bu tür görüntülerden AAC’yi değerlendirmek için geliştirilmiş olsa da, araştırmacılar bu çalışmanın en büyük ve rutin kemik yoğunluğu testinden alınan görüntüler kullanılarak gerçek dünya ortamında test edilen ilk çalışma olduğunu söylüyorlar.

Daha sonra, modelin performansını, AAC-24 skorlarına dayanarak görüntüleri düşük, orta ve yüksek kalsifikasyon kategorilerine doğru şekilde sınıflandırma konusunda değerlendirdiler. Doğruluğu kontrol etmek için, makine öğrenimi tabanlı AAC skorları, insan uzmanlar tarafından verilen skorlarla karşılaştırıldı. Uzman ve yazılım, %80 oranında aynı belirlemeyi yaptı. Yüksek AAC skorlarına sahip olanların %3'ü yazılım tarafından düşük skorlarla yanlış tanı kondu.

“Bu, hastalığın en geniş kapsamlı olduğu ve en yüksek riskli ölümcül ve ölümcül olmayan kardiyovasküler olaylar ve tüm nedenlere bağlı ölüm riski olan bireylerdir,” dedi Lewis. “İnsan okumaları ile karşılaştırıldığında yazılımın doğruluğunu artırmak için hala yapılacak işler var, ancak bu sonuçlar bizim 1.0 sürümü algoritmadan ve daha yeni sürümlerimizle sonuçları önemli ölçüde iyileştirdik.”

Araştırmacılar, makine öğrenimi algoritmalarının günde yaklaşık 60,000 görüntüyü analiz edebileceğini söylüyorlar. Tek bir görüntüyü analiz etmek için ortalama bir uzmana beş ile 15 dakika arası zaman aldığını düşünürsek, bu büyük bir iyileşme.

“Bu görüntüler ve otomatik skorlar, kemik yoğunluğu testi sırasında hızlı ve kolay bir şekilde elde edilebildiği için, bu, gelecekte erken kardiyovasküler hastalık tespiti ve rutin klinik uygulama sırasında hastalık izleme için yeni yaklaşımlara yol açabilir,” diye belirtti çalışmanın karşılık gelen yazarı Joshua Lewis.

Ve araştırmacılar, tarama yöntemlerinin belirtiler ortaya çıkmadan önce hastalıklar için tarama yapmak amacıyla kullanılabileceğini söylüyorlar.

“İmaging uzmanlarına benzer doğruluklarda AAC’nin varlığı ve genişliğinin otomatik değerlendirmesi, kardiyovasküler hastalık ve diğer durumlar için büyük ölçekli tarama olanağı sağlar — hatta bir kişi herhangi bir belirti göstermeden önce,” dedi Lewis. “Bu, risk altındaki insanların gerekli yaşam tarzı değişikliklerini çok daha erken yapmasına ve daha sağlıklı olacakları yaşlı yıllarına daha iyi bir yerde olmalarına izin verecektir.”

Bu yazı newatlas.com yazarı Paul McClure’ın haberinden çevrilmiştir.