پیش‌بینی بیماری‌های قلبی-عروقی از روی اسکن تراکم استخوان!

پژوهشگران استرالیایی با استفاده از یک الگوریتم یادگیری ماشینی جدید توانستند بیماری‌های قلبی-عروقی را از روی اسکن تراکم استخوان بیماران پیش‌بینی کنند.

به گزارش ایسنا و به نقل از نیو اطلس، پژوهشگران«دانشگاه ادیث کوان»(Edith Cowan University) استرالیا از یادگیری ماشینی برای ارزیابی اسکن تراکم استخوان و مشخص کردن رسوب کلسیم در رگ آئورت استفاده کرده‌اند. آنها می‌گویند که این روش در آینده می‌تواند برای پیش‌بینی کردن بیماری‌های قلبی-عروقی و سایر بیماری‌ها، حتی پیش از ظاهر شدن علائم آنها سودمند باشد.

همانطور که رسوب کلسیم یا «کلسیفیکاسیون»(Calcification) در دیواره داخلی رگ‌های خونی قلب می‌تواند مشکل‌ساز شود، کلسیفیکاسیون در آئورت که بزرگترین شریان بدن است نیز می‌تواند مشکل ایجاد کند. رسوبات از قلب بیرون می‌آیند و همراه با جریان خون به سمت بالا می‌روند تا به مغز و بازوها برسند و سپس به سمت پایین شکم امتداد می‌یابند تا به شریان‌های کوچک‌تر هر پا بروند.

«کلسیفیکاسیون آئورت شکمی»(AAC)، رسوب کلسیم در بخشی از آئورت است که از شکم می‌گذرد. این امر می‌تواند به پیشروی بیماری‌های قلبی-عروقی مانند حمله قلبی و سکته منجر شود و خطر مرگ‌ومیر را به همراه داشته باشد. پژوهش‌های پیشین نشان داده‌اند که این نشانگر قابل اعتمادی برای زوال عقل در اواخر عمر است. کلسیفیکاسیون آئورت شکمی در اسکن‌های تراکم استخوان که معمولا برای تشخیص دادن پوکی استخوان در مهره‌های کمر استفاده می‌شود، قابل مشاهده است اما تجزیه‌وتحلیل این تصاویر باید توسط یک متخصص بسیار آموزش‌دیده انجام شود که زمان می‌برد.

کلسیفیکاسیون آئورت شکمی معمولا توسط متخصصان آموزش‌دیده تصویربرداری و با استفاده از یک سیستم امتیازدهی ۲۴ عددی موسوم به «AAC-۲۴» تعیین می‌شود. امتیاز صفر نشان‌دهنده عدم کلسیفیکاسیون و امتیاز ۲۴ نشان‌دهنده شدیدترین درجه آن است. اکنون پژوهشگران دانشگاه ادیث کوان به یادگیری ماشینی روی آورده‌اند تا فرآیند ارزیابی کلسیفیکاسیون و امتیازدهی را سرعت ببخشند.

پژوهشگران ۵۰۱۲ عکس ستون فقرات را که توسط چهار مدل متفاوت از ماشین‌های بررسی تراکم استخوان به دست آمده بود، به مدل یادگیری ماشینی خود وارد کردند. اگرچه الگوریتم‌های دیگری نیز برای ارزیابی کلسیفیکاسیون آئورت شکمی با استفاده از این نوع تصاویر ابداع شده‌اند اما پژوهشگران می‌گویند که این بزرگترین و اولین پژوهشی است که در یک محیط واقعی و با استفاده از تصاویر به دست آمده از آزمایش معمول تراکم استخوان انجام می‌شود.

سپس پژوهشگران، عملکرد مدل خود را در طبقه‌بندی دقیق تصاویر به گروه‌های کلسیفیکاسیون کم، متوسط و بالا براساس امتیاز AAC-۲۴ ارزیابی کردند. برای بررسی صحت نتایج، امتیازهای کلسیفیکاسیون آئورت شکمی مبتنی بر یادگیری ماشینی، با امتیازهای داده‌ شده توسط متخصصان انسان مقایسه شدند. هم متخصص و هم نرم‌افزار در ۸۰ درصد موارد به یک تصمیم مشابه رسیدند.

لازم به ذکر است که نرم‌افزار سه درصد از افرادی را که امتیاز بالایی داشتند، به اشتباه دارای امتیاز پایین تشخیص داد. «جاشوا لوئیس»(Joshua Lewis) از پژوهشگران این پروژه گفت: این یک موضوع قابل توجه است زیرا این افراد مستعد بیشترین میزان بیماری، بالاترین خطر قلبی-عروقی کشنده و غیرکشنده و بالاترین میزان مرگ‌ومیر هستند. اگرچه هنوز باید کارهایی برای بهبود دقت نرم‌افزار در مقایسه با دقت انسان انجام شود اما این نتایج از الگوریتم نسخه ۱.۰ ما به دست آمده‌اند و ما پیشتر نتایج را به طور قابل توجهی با نسخه‌های جدیدتر خود بهبود بخشیده‌ایم.

پژوهشگران می‌گویند، الگوریتم یادگیری ماشینی آنها می‌تواند اسکن تراکم استخوان را با سرعتی معادل ۶۰ هزار تصویر در روز تجزیه‌وتحلیل کند. وقتی در نظر بگیرید که یک متخصص به طور میانگین بین پنج تا ۱۵ دقیقه زمان لازم دارد تا یک تصویر را تجزیه‌وتحلیل کند، می‌بینید که این یک پیشرفت بزرگ است.

لوئیس ادامه داد: از آنجا که تصاویر و امتیازهای خودکار را می‌توان به سرعت و به آسانی در زمان آزمایش تراکم استخوان به دست آورد، این روش در آینده ممکن است به ابداع روش‌های جدیدی برای تشخیص دادن زودهنگام بیماری‌های قلبی-عروقی و نظارت بر بیماری در طول آزمایش‌های بالینی معمول کمک کند.

پژوهشگران معتقدند که روش آنها را می‌توان برای غربال‌گری بیماری‌ها پیش از ظهور علائم به کار برد. لوئیس افزود: ارزیابی خودکار وجود کلسیفیکاسیون آئورت شکمی و میزان آن با دقتی مشابه دقت متخصصان تصویربرداری، امکان غربال‌گری در مقیاس بزرگ را برای بیماری‌های قلبی-عروقی و سایر بیماری‌ها فراهم می‌کند؛ حتی پیش از اینکه کسی علائم آنها را داشته باشد. این روش به افراد در معرض خطر کمک می‌کند تا تغییرات لازم در سبک زندگی را خیلی زودتر انجام دهند و در سال‌های آخر زندگی سالم‌تر باشند.

این پژوهش، در مجله «eBioMedicine» به چاپ رسید.

*