شناسایی نشانگرهای زیستی سیستمیک جدید در عکس‌های چشم خارجی – وبلاگ هوش مصنوعی گوگل

سال گذشته ما نتایجی را ارائه کردیم که نشان می‌دهد یک سیستم یادگیری عمیق (DLS) را می‌توان برای تحلیل آموزش داد عکس چشم خارجی و وضعیت بیماری شبکیه شبکیه دیابتی و هموگلوبین گلیکوزیله بالا (یا HbA1c، نشانگر زیستی که میانگین سطح گلوکز خون در سه ماه را نشان می دهد) را پیش بینی کند. قبلاً ناشناخته بود که عکس های خارجی چشم حاوی سیگنال هایی برای این شرایط هستند. این یافته هیجان انگیز پتانسیل کاهش نیاز به تجهیزات تخصصی را پیشنهاد می کند زیرا چنین عکس هایی را می توان با استفاده از تلفن های هوشمند و سایر دستگاه های مصرف کننده گرفت. با تشویق این یافته‌ها، ما به دنبال کشف سایر نشانگرهای زیستی در این روش تصویربرداری هستیم.

در “یک مدل یادگیری عمیق برای نشانگرهای زیستی سیستمیک جدید در عکس های چشم خارجی: یک مطالعه گذشته نگر” منتشر شده در Lancet Digital Healthنشان می‌دهیم که تعدادی از نشانگرهای زیستی سیستمیک که چندین سیستم اندام را پوشش می‌دهند (به عنوان مثال، کلیه، خون، کبد) را می‌توان از روی عکس‌های خارجی چشم با دقتی فراتر از مدل رگرسیون لجستیک پایه که فقط از متغیرهای بالینی-دموگرافیک استفاده می‌کند، مانند سن و سال های مبتلا به دیابت مقایسه با یک پایه بالینی-دموگرافیک مفید است زیرا خطر برخی از بیماری ها را می توان با استفاده از یک پرسشنامه ساده ارزیابی کرد و ما به دنبال درک این هستیم که آیا مدل تفسیر کننده تصاویر بهتر عمل می کند. این کار در مراحل اولیه است، اما پتانسیل افزایش دسترسی به تشخیص و نظارت بر بیماری را از طریق مسیرهای مراقبت غیرتهاجمی جدید دارد.

مدلی که پیش بینی هایی را برای عکس چشم خارجی ایجاد می کند.

توسعه و ارزیابی مدل

برای توسعه مدل خود، با شرکای EyePACS و دپارتمان خدمات بهداشتی شهرستان لس آنجلس برای ایجاد یک مجموعه داده شناسایی نشده گذشته‌نگر از عکس‌ها و اندازه‌گیری‌های خارجی چشم در قالب آزمایش‌های آزمایشگاهی و علائم حیاتی (مانند فشار خون) کار کردیم. ما 31 آزمایش آزمایشگاهی و موارد حیاتی را که بیشتر در این مجموعه داده در دسترس بودند، فیلتر کردیم و سپس یک DLS چند کاره را با طبقه‌بندی «سر» برای هر آزمایشگاه و برای پیش‌بینی ناهنجاری‌ها در این اندازه‌گیری‌ها آموزش دادیم.

مهمتر از همه، ارزیابی عملکرد بسیاری از ناهنجاری ها به صورت موازی می تواند مشکل ساز باشد، زیرا احتمال بیشتری برای یافتن یک نتیجه جعلی و اشتباه وجود دارد (یعنی به دلیل مشکل مقایسه های چندگانه). برای کاهش این موضوع، ابتدا مدل را بر روی بخشی از مجموعه داده توسعه خود ارزیابی کردیم. سپس، فهرست را به 9 کار پیش‌بینی امیدوارکننده کاهش دادیم و مدل را در مجموعه داده‌های آزمایشی خود ارزیابی کردیم، در حالی که مقایسه‌های چندگانه را اصلاح می‌کردیم. به طور خاص، این نه وظیفه، آناتومی مرتبط با آنها و اهمیت آنها برای بیماری های مرتبط در جدول زیر فهرست شده است.

مطالب پیشنهادی  علوم طبیعی – وبلاگ هوش مصنوعی گوگل

کار پیش بینی سیستم اندام اهمیت برای بیماری های مرتبط
آلبومین کمتر از 3.5 گرم در دسی لیتر کبد / کلیه نشانه هیپوآلبومینمی، که می تواند به دلیل کاهش تولید آلبومین از بیماری های کبدی یا افزایش از دست دادن آلبومین ناشی از بیماری کلیوی باشد.
AST > 36.0 U/L کبد

نشانه بیماری کبد (یعنی آسیب به کبد یا انسداد صفراوی)، که معمولاً در اثر عفونت های ویروسی، مصرف الکل و چاقی ایجاد می شود.

کلسیم کمتر از 8.6 میلی گرم در دسی لیتر استخوان / مواد معدنی نشانه هیپوکلسمی، که بیشتر به دلیل کمبود ویتامین D یا اختلالات پاراتیروئید ایجاد می شود.
eGFR <60.0 میلی لیتر در دقیقه/1.73 متر2 کلیه

نشانه بیماری مزمن کلیوی، که بیشتر به دلیل دیابت و فشار خون بالا است.

Hgb < 11.0 گرم در دسی لیتر شمارش خون نشانه کم خونی که ممکن است به دلیل از دست دادن خون، شرایط پزشکی مزمن، یا رژیم غذایی نامناسب باشد.
پلاکت < 150.0 103/µL شمارش خون

نشانه ترومبوسیتوپنی، که می تواند به دلیل کاهش تولید پلاکت ها از اختلالات مغز استخوان، مانند لوسمی یا لنفوم، یا افزایش تخریب پلاکت ها به دلیل بیماری خود ایمنی یا عوارض جانبی دارو باشد.

TSH > 4.0 mU/L تیروئید نشانه کم کاری تیروئید، که متابولیسم را تحت تاثیر قرار می دهد و می تواند توسط بسیاری از شرایط مختلف ایجاد شود.
نسبت آلبومین به کراتینین ادرار (ACR) ≥ 300.0 میلی گرم بر گرم کلیه

نشانه بیماری مزمن کلیوی، که بیشتر به دلیل دیابت و فشار خون بالا است.

WBC < 4.0 103/µL شمارش خون نشانه لکوپنی که می تواند بر توانایی بدن در مبارزه با عفونت تأثیر بگذارد.

نتایج کلیدی

همانطور که در کار قبلی ما، مدل چشم خارجی خود را با یک مدل پایه (یک مدل رگرسیون لجستیک که متغیرهای بالینی جمعیت‌شناختی را به عنوان ورودی دریافت می‌کند) با محاسبه ناحیه زیر منحنی اپراتور گیرنده (AUC) مقایسه کردیم. AUC بین 0 تا 100 درصد است که 50 درصد عملکرد تصادفی و مقادیر بالاتر نشان دهنده عملکرد بهتر است. برای همه به جز یکی از 9 کار پیش بینی، مدل ما از نظر آماری بهتر از مدل پایه عمل کرد. از نظر عملکرد مطلق، AUCهای مدل از 62٪ تا 88٪ متغیر بود. در حالی که این سطوح دقت احتمالاً برای کاربردهای تشخیصی کافی نیست، اما در راستای سایر ابزارهای غربالگری اولیه مانند ماموگرافی و پیش غربالگری دیابت است که برای کمک به شناسایی افرادی که ممکن است از آزمایشات اضافی بهره مند شوند، استفاده می شود. و به عنوان یک روش غیر تهاجمی در دسترس، گرفتن عکس از چشم خارجی ممکن است پتانسیل کمک به غربالگری و تریاژ بیماران را برای آزمایش خون تاییدی یا سایر پیگیری های بالینی ارائه دهد.

مطالب پیشنهادی  مقیاس بندی زبان-آموزش تصویر در بیش از 100 زبان

نتایج مجموعه تست EyePACS، عملکرد AUC DLS ما را در مقایسه با یک مدل پایه نشان می‌دهد. متغیر “n” به تعداد کل نقاط داده و “N” به تعداد نقاط مثبت اشاره دارد. نوارهای خطا 95% فواصل اطمینان محاسبه شده با استفاده از روش DeLong را نشان می دهند. نشان می دهد که هدف از قبل به عنوان تجزیه و تحلیل ثانویه مشخص شده است. همه بقیه از قبل به عنوان تجزیه و تحلیل اولیه مشخص شده بودند.

عکس‌های چشم خارجی مورد استفاده در این مطالعه و مطالعه قبلی با استفاده از دوربین‌های رومیزی که شامل تکیه‌گاه سر برای تثبیت بیمار هستند و تصاویری با کیفیت بالا با نور خوب تولید می‌کنند، جمع‌آوری شدند. از آنجایی که کیفیت تصویر ممکن است در تنظیمات دیگر بدتر باشد، ما می‌خواستیم بررسی کنیم که مدل DLS تا چه حد در برابر تغییرات کیفیت مقاوم است، از وضوح تصویر شروع کنیم. به طور خاص، ما تصاویر موجود در مجموعه داده را به طیفی از اندازه‌ها کاهش دادیم و عملکرد DLS را هنگام آموزش مجدد برای مدیریت تصاویر نمونه‌برداری شده اندازه‌گیری کردیم.

در زیر منتخبی از نتایج این آزمایش را نشان می دهیم (برای نتایج کاملتر به مقاله مراجعه کنید). این نتایج نشان می‌دهد که DLS نسبتاً قوی است و در بیشتر موارد، حتی اگر تصاویر تا 150×150 پیکسل کوچک شوند، بهتر از مدل پایه عمل می‌کند. این تعداد پیکسل کمتر از 0.1 مگاپیکسل است که بسیار کوچکتر از دوربین معمولی گوشی های هوشمند است.

تاثیر وضوح تصویر ورودی بالا: نمونه تصاویر در اندازه های مختلف برای این آزمایش. پایین: مقایسه عملکرد DLS (قرمزآموزش و ارزیابی در اندازه های مختلف تصویر و مدل پایه (آبی). مناطق سایه دار 95% فواصل اطمینان محاسبه شده با استفاده از روش DeLong را نشان می دهند.

نتیجه گیری و مسیرهای آینده

تحقیقات قبلی ما وعده مدالیته چشم خارجی را نشان داد. در این کار، ما جستجوی جامع‌تری را برای شناسایی نشانگرهای زیستی سیستمی که می‌توان از این عکس‌ها پیش‌بینی کرد، انجام دادیم. اگرچه این نتایج امیدوارکننده هستند، اما گام‌های زیادی برای تعیین اینکه آیا چنین فناوری می‌تواند به بیماران در دنیای واقعی کمک کند یا خیر باقی مانده است. به طور خاص، همانطور که در بالا ذکر کردیم، تصاویر در مطالعات ما با استفاده از دوربین های رومیزی بزرگ در محیطی که عواملی مانند نور و موقعیت سر را کنترل می کرد، جمع آوری شد. علاوه بر این، مجموعه داده‌های مورد استفاده در این کار عمدتاً از بیماران مبتلا به دیابت تشکیل شده است و نمایش کافی از تعدادی از زیر گروه‌های مهم را نداشتند – قبل از در نظر گرفتن بالینی به جمع‌آوری داده‌های متمرکز برای اصلاح و ارزیابی DLS در یک جمعیت عمومی‌تر و در بین زیر گروه‌ها نیاز است. استفاده کنید.

مطالب پیشنهادی  معیار چابکی در سطح حیوانات با روبات های چهارپا – وبلاگ هوش مصنوعی گوگل

ما مشتاقیم که بررسی کنیم که چگونه این مدل‌ها به تصاویر تلفن هوشمند تعمیم می‌یابند، با توجه به دسترسی و مقیاس بالقوه‌ای که این فناوری برای این فناوری فراهم می‌کند. برای این منظور، ما به همکاری با نویسندگان همکار خود در موسسات شریک مانند بیمارستان یادبود چانگ گونگ در تایوان، بیمارستان چشم آراویند در هند و EyePACS در ایالات متحده برای جمع‌آوری مجموعه داده‌های تصاویر ثبت‌شده در تلفن‌های هوشمند ادامه می‌دهیم. نتایج اولیه ما امیدوارکننده است و ما مشتاقانه منتظر به اشتراک گذاشتن موارد بیشتر در آینده هستیم.

سپاسگزاریها

این کار شامل تلاش‌های یک تیم چند رشته‌ای متشکل از مهندسان نرم‌افزار، محققان، پزشکان و مشارکت‌کنندگان متقابل است. مشارکت کنندگان کلیدی در این پروژه عبارتند از: بوریس بابنکو، ایلانا ترینیس، کریستینا چن، پرتی سینگ، آکیب اودین، خورخه کوادروس، لورن پی داسکیویچ، آوریل ی.ما، راماسامی کیم، یوجین یو-چوان کانگ، یوسی ماتیاس، گرگ اس. کورادو، لیلی پنگ، دیل آر وبستر، کریستوفر سمتورز، جاناتان کراوس، آویناش وی واراداراجان، نااما همل و یون لیو. ما همچنین از دیو اشتاینر، یوان لیو و مایکل هاول به خاطر بازخوردشان در مورد نسخه خطی تشکر می کنیم. آمیت تالرجا برای بررسی کد مقاله; Elvia Figueroa و گروه خدمات بهداشتی شهرستان لس آنجلس، کارکنان برنامه غربالگری رتینوپاتی دیابتی از راه دور شبکیه برای جمع آوری داده ها و پشتیبانی برنامه. Andrea Limon و Nikhil Kookkiri برای جمع آوری و پشتیبانی داده های EyePACS. دکتر چارلز دموستن برای استخراج داده ها و پیتر کوزمک برای گرفتن تصاویر برای داده های VA. آخرین اما نه کم اهمیت، تشکر ویژه از تام اسمال برای انیمیشن استفاده شده در این پست وبلاگ.

سئو PBN | خبر های جدید سئو و هک و سرور