Ο αλγόριθμος συμβάλλει στη βελτίωση της ανίχνευσης στεφανιαίου ασβεστίου

Ολλανδοί επιστήμονες υπολογιστών και συνεργάτες στις Ηνωμένες Πολιτείες έχουν επιτύχει σημαντική βελτίωση στην αυτόματη ανίχνευση ασβεστοποιημένης αθηροσκληρωτικής πλάκας σε στεφανιαίες αρτηρίες και θωρακική αορτή με τη χρήση ηλεκτρονικής τομογραφίας (CT). Σε μελέτη που δημοσιεύτηκε στο περιοδικό Radiology, κατέδειξαν ότι ένας αλγόριθμος βαθιάς μάθησης για την τεχνητή νοημοσύνη -που συνέχισε να αναπτύσσεται με ασβέστιο, μπορεί να καθορίσει με ακρίβεια τον καρδιαγγειακό κίνδυνο σε μια σειρά από σαρώσεις CT και σε έναν φυλετικά διαφορετικό πληθυσμό. Οι αλγόριθμοι βαθιάς μάθησης είναι μια μορφή τεχνητής νοημοσύνης που επιτρέπει στους υπολογιστές να “μαθαίνουν” από παραδείγματα για να εκτελέσουν μια εργασία. Αυτός αναπτύχθηκε και αξιολογήθηκε με τη βοήθεια του συν-συγγραφέα J. Jeffrey Carr, MD, MSCE, του Προέδρου Cornelius Vanderbilt στην Ακτινολογία και τις Ακτινολογικές Επιστήμες στην Ιατρική Σχολή του Πανεπιστημίου Vanderbilt. “Το στεροειδές ασβέστιο έχει ήδη καθιερωθεί ως μια εξαίρετη δοκιμή για την αναταξινόμηση του κινδύνου ενός ατόμου για καρδιακές παθήσεις είτε ως υψηλός είτε ως χαμηλός κίνδυνος”, ανέφερε ο Carr. “Η ανάπτυξη μιας πλήρως αυτοματοποιημένης μεθόδου που μπορεί να εκτελέσει με ακρίβεια τη μέτρηση του στεροειδούς ασβεστίου από τις CT σαρώνει έχει μεγάλη αξία.

“Είμαι ενθουσιασμένος που οι εκδόσεις αυτού του είδους θα μπορούσαν να εφαρμοστούν στην (κλινική) πρακτική σε σχετικά λίγα χρόνια και έτσι να μειωθούν τα εμπόδια για τον εντοπισμό εκείνων των ατόμων που διατρέχουν υψηλό κίνδυνο καρδιακών παθήσεων”, ανέφερε. Ο αλγόριθμος εκπαιδεύτηκε και αξιολογήθηκε από τον ανώτερο συγγραφέα της μελέτης, Ivana Išgum Ph.D., παγκόσμιο ηγέτη στην AI και στην ιατρική απεικόνιση , ο μεταπτυχιακός φοιτητής και ο πρώτος συγγραφέας Sanne GM van Velzen και συνεργάτες στο Πανεπιστήμιο του Άμστερνταμ και στο Πανεπιστήμιο Ιατρικό Κέντρο Ουτρέχτης.

Το έργο βασίζεται σε έναν αλγόριθμο βαθμολόγησης του ασβεστίου στην εθνική δοκιμασία εξέτασης του πνεύμονα (NLST) που ανέπτυξε ο Išgum και ο μεταπτυχιακός φοιτητής Nikolas Lessmann σε συνεργασία μεταξύ του Πανεπιστημιακού Ιατρικού Κέντρου της Ουτρέχτης και του Ιατρικού Κέντρου του Πανεπιστημίου Radboud στο Nijmegen. Ο αλγόριθμος κατασκευάστηκε και αξιολογήθηκε χρησιμοποιώντας 7,240 CT ανιχνεύσεις, συμπεριλαμβανομένων σχεδόν 2.900 από τη Jackson Heart Study των Αφροαμερικανών στο Τζάκσον του Μισισιπή, 1.400 από ασθενείς που υποβλήθηκαν σε θεραπεία για καρκίνο του μαστού στις Κάτω Χώρες και περισσότερους από 1.000 από το NLST, 2002-2004.

Ο Carr βοήθησε να σχεδιάσει τη μελέτη και να αποκτήσει πρόσβαση στις εξετάσεις CT από τη μελέτη Jackson Heart Study, η οποία υποστηρίζεται από το Εθνικό Ινστιτούτο Καρδιάς, Πνεύμονος και Αίματος (NHLBI) των Εθνικών Ινστιτούτων Υγείας (NIH) και από το NLST, το οποίο υποστηρίχθηκε από το Εθνικό Ινστιτούτο Καρκίνου. “Αυτή η μελέτη καταδεικνύει το αυξανόμενο δυναμικό της τεχνολογίας με τεχνητή νοημοσύνη για την ενίσχυση των προσπαθειών για τη βελτίωση της ανίχνευσης των καρδιακών παθήσεων, η κύρια αιτία θανάτου στη χώρα”, δήλωσε ο David Goff, MD, Ph.D., διευθυντής του τμήματος Καρδιοαγγειακές Επιστήμες στο NHLBI. “Είναι μέρος μιας συνεχιζόμενης προσπάθειας από ερευνητές που υποστηρίζονται από το NHLBI να αναπτύξουν εργαλεία AI που μπορούν γρήγορα να κοσκινίσουν μέσα από τεράστια ποσά βιοϊατρικών δεδομένων για να εντοπίσουν τα πρότυπα που μπορούν να βοηθήσουν στην ανίχνευση ασθενειών και ελπίζουμε να σώσουν ζωές”.

Το τεστ ομιλίας ενός λεπτού θα μπορούσε να βοηθήσει στην αξιολόγηση του κινδύνου άνοιας

Σταδιακή γνωστική εξασθένηση σε ενήλικες με τρέμουλο στα χέρια