توسعه ساعت پیری با استفاده از یادگیری عمیق در تصاویر شبکیه – وبلاگ هوش مصنوعی گوگل

پیری فرآیندی است که با تغییرات فیزیولوژیکی و مولکولی مشخص می شود که خطر ابتلا به بیماری ها و در نهایت مرگ را در فرد افزایش می دهد. توانایی اندازه گیری و تخمین نشانه های بیولوژیکی پیری می تواند به محققان در شناسایی اقدامات پیشگیرانه برای کاهش خطر و تأثیر بیماری کمک کند. محققان “ساعت های پیری” را بر اساس نشانگرهایی مانند پروتئین های خون یا متیلاسیون DNA برای اندازه گیری افراد ساخته اند. بیولوژیکی سنی که از سن فرد متمایز است زمانی سن. این ساعت های پیر به پیش بینی خطر بیماری های مرتبط با افزایش سن کمک می کند. اما از آنجایی که نشانگرهای پروتئین و متیلاسیون نیاز به خونگیری دارند، روش‌های غیرتهاجمی برای یافتن اقدامات مشابه می‌تواند اطلاعات مربوط به پیری را در دسترس‌تر کند.

شاید تعجب آور باشد که ویژگی های شبکیه چشم ما چیزهای زیادی را در مورد ما منعکس می کند. تصاویر شبکیه، که دارای اتصالات عروقی به مغز است، منبع ارزشمندی از اطلاعات بیولوژیکی و فیزیولوژیکی است. ویژگی های آن با چندین بیماری مرتبط با افزایش سن، از جمله رتینوپاتی دیابتی، بیماری قلبی عروقی و بیماری آلزایمر مرتبط است. علاوه بر این، کار قبلی گوگل نشان داده است که تصاویر شبکیه را می توان برای پیش بینی سن، خطر ابتلا به بیماری های قلبی عروقی، یا حتی جنسیت یا وضعیت سیگار کشیدن استفاده کرد. آیا می‌توانیم این یافته‌ها را به پیری تعمیم دهیم و شاید در این فرآیند یک نشانگر زیستی مفید و جدید برای بیماری‌های انسانی شناسایی کنیم؟

در مقاله جدید “تصویربرداری طولی فوندوس و تجزیه و تحلیل ارتباط ژنومی آن شواهدی برای ساعت پیری شبکیه انسان ارائه می دهد”، ما نشان می دهیم که مدل های یادگیری عمیق می توانند به طور دقیق سن بیولوژیکی را از روی تصویر شبکیه پیش بینی کنند و بینش هایی را نشان دهند که بیماری های مرتبط با افزایش سن را بهتر پیش بینی می کند. در افراد ما در مورد اینکه چگونه بینش مدل می تواند درک ما را از چگونگی تأثیر عوامل ژنتیکی بر پیری بهبود بخشد، بحث می کنیم. علاوه بر این، ما تغییرات کد را برای این مدل‌ها منتشر می‌کنیم که بر اساس چارچوب‌های ML برای تجزیه و تحلیل تصاویر شبکیه چشم که قبلاً به صورت عمومی منتشر کرده‌ایم، ساخته شده‌اند.

پیش بینی سن تقویمی از روی تصاویر شبکیه چشم

ما مدلی را برای پیش‌بینی سن تقویمی با استفاده از صدها هزار تصویر شبکیه از یک برنامه پیشگیری از نابینایی مبتنی بر پزشکی از راه دور آموزش دادیم که در کلینیک‌های مراقبت‌های اولیه گرفته شده و شناسایی شدند. زیرمجموعه ای از این تصاویر در رقابتی توسط Kaggle و نشریات دانشگاهی، از جمله کار قبلی گوگل در مورد رتینوپاتی دیابتی، استفاده شده است.

ما عملکرد مدل حاصل را هم در مجموعه‌ای از 50000 تصویر شبکیه و هم بر روی یک مجموعه داده جداگانه UKBiobank حاوی تقریباً 120000 تصویر ارزیابی کردیم. پیش‌بینی‌های مدل، به نام eyeAge، به شدت با سن تقویمی واقعی افراد مطابقت دارد (در زیر نشان داده شده است؛ ضریب همبستگی پیرسون 0.87). این اولین بار است که از تصاویر شبکیه برای ایجاد چنین ساعت پیری دقیقی استفاده می شود.

ترک کرد: تصویری از شبکیه که ماکولا (نقطه تاریک در وسط)، دیسک بینایی (نقطه روشن در سمت راست) و رگ‌های خونی (خطوط قرمز تیره از دیسک بینایی را نشان می‌دهد). درست: مقایسه سن تقویمی واقعی یک فرد با پیش بینی های مدل شبکیه چشم، “EyeAge”.

تجزیه و تحلیل فاصله سنی پیش بینی شده و واقعی

اگرچه سن چشم در بسیاری از نمونه‌ها به خوبی با سن تقویمی همبستگی دارد، شکل بالا همچنین افرادی را نشان می‌دهد که سن چشم در آنها با سن تقویمی تفاوت عمده‌ای دارد، هم در مواردی که مدل مقدار بسیار جوان‌تر یا بزرگ‌تر از سن تقویمی را پیش‌بینی می‌کند. این می تواند نشان دهد که این مدل عوامل یادگیری در تصاویر شبکیه است که اثرات بیولوژیکی واقعی را منعکس می کند که مربوط به بیماری هایی است که با افزایش سن بیولوژیکی شایع تر می شوند.

برای آزمایش اینکه آیا این تفاوت منعکس کننده فاکتورهای بیولوژیکی اساسی است، ما ارتباط آن را با شرایطی مانند بیماری مزمن انسدادی ریه (COPD) و انفارکتوس میوکارد و سایر نشانگرهای زیستی سلامت مانند فشار خون سیستولیک بررسی کردیم. مشاهده کردیم که سن پیش‌بینی‌شده بالاتر از سن تقویمی، با بیماری و نشانگرهای زیستی سلامت در این موارد ارتباط دارد. به عنوان مثال، ما یک همبستگی آماری معنی‌دار (0028/0=p) بین سن چشم و مرگ و میر ناشی از همه علل را نشان دادیم – یعنی سن بالاتر با احتمال بیشتری برای مرگ در طول مطالعه مرتبط بود.

فاکتورهای ژنتیکی برای پیری را آشکار می کند

برای بررسی بیشتر کاربرد مدل eyeAge برای تولید بینش‌های بیولوژیکی، پیش‌بینی‌های مدل را به انواع ژنتیکی مرتبط کردیم، که برای افراد در مطالعه بزرگ UKBiobank در دسترس است. نکته مهم این است که ژنتیک ژرمینیک فرد (انواعی که از والدین شما به ارث رسیده است) در بدو تولد ثابت است و این معیار را مستقل از سن می کند. این تجزیه و تحلیل فهرستی از ژن‌های مرتبط با پیری بیولوژیکی تسریع شده را ایجاد کرد (در شکل زیر نشان‌گذاری شده است). ژن شناسایی شده برتر از مطالعه ارتباط ژنومی ما این است ALKAL2و جالب است که ژن مربوطه در مگس‌های میوه قبلاً در افزایش طول عمر مگس‌ها نقش دارد. همکار ما، پروفسور پانکاج کاپاهی از موسسه تحقیقاتی باک در مورد پیری، در آزمایشات آزمایشگاهی دریافت که کاهش بیان ژن در مگس ها منجر به بهبود بینایی می شود و نشانه ای از ALKAL2 تاثیر بر پیری سیستم بینایی

نمودار منهتن نشان دهنده ژن های مهم مرتبط با شکاف بین سن تقویمی و سن چشم است. ژن های مهم به صورت نقاط بالاتر از خط آستانه نقطه چین نمایش داده می شوند.

برنامه های کاربردی

ساعت eyeAge ما کاربردهای بالقوه زیادی دارد. همانطور که در بالا نشان داده شد، محققان را قادر می‌سازد تا نشانگرهایی را برای پیری و بیماری‌های مرتبط با افزایش سن کشف کنند و ژن‌هایی را شناسایی کنند که عملکرد آنها ممکن است توسط داروها برای ارتقای پیری سالم‌تر تغییر کند. همچنین ممکن است به محققان کمک کند تا تأثیرات عادات و مداخلات سبک زندگی مانند ورزش، رژیم غذایی و دارو را بر پیری بیولوژیکی افراد درک کنند. علاوه بر این، ساعت eyeAge می‌تواند در صنعت داروسازی برای ارزیابی درمان‌های جوان‌سازی و ضد پیری مفید باشد. با ردیابی تغییرات شبکیه چشم در طول زمان، محققان ممکن است بتوانند اثربخشی این مداخلات را در کند کردن یا معکوس کردن روند پیری تعیین کنند.

رویکرد ما برای استفاده از تصویربرداری شبکیه برای ردیابی سن بیولوژیکی شامل جمع آوری تصاویر در چند نقطه زمانی و تجزیه و تحلیل آنها به صورت طولی برای پیش بینی دقیق جهت پیری است. نکته مهم این است که این روش غیر تهاجمی است و به تجهیزات آزمایشگاهی تخصصی نیاز ندارد. یافته‌های ما همچنین نشان می‌دهد که ساعت eyeAge، که بر اساس تصاویر شبکیه است، مستقل از ساعت‌های پیری مبتنی بر نشانگرهای زیستی خون است. این به محققان اجازه می دهد تا پیری را از زاویه دیگری مطالعه کنند و هنگامی که با سایر نشانگرها ترکیب می شود، درک جامع تری از سن بیولوژیکی فرد ارائه می دهد. همچنین برخلاف ساعت‌های پیری فعلی، ماهیت کمتر تهاجمی تصویربرداری (در مقایسه با آزمایش‌های خون) ممکن است امکان استفاده از eyeAge را برای مداخلات بیولوژیکی و رفتاری عملی فراهم کند.

نتیجه

ما نشان می‌دهیم که مدل‌های یادگیری عمیق تنها با استفاده از تصاویر شبکیه چشم می‌توانند به‌طور دقیق سن تقویمی افراد را پیش‌بینی کنند. علاوه بر این، زمانی که سن پیش‌بینی‌شده با سن تقویمی متفاوت است، این تفاوت می‌تواند شروع سریع بیماری مرتبط با سن را شناسایی کند. در نهایت، ما نشان می‌دهیم که مدل‌ها بینش‌هایی را می‌آموزند که می‌تواند درک ما را از چگونگی تأثیر عوامل ژنتیکی بر پیری بهبود بخشد.

ما اصلاحات کد مورد استفاده برای این مدل‌ها را به صورت عمومی منتشر کرده‌ایم که بر اساس چارچوب‌های ML برای تجزیه و تحلیل تصاویر شبکیه چشم که قبلاً به صورت عمومی منتشر کرده‌ایم، ساخته شده‌اند.

امیدواریم این کار به دانشمندان کمک کند تا فرآیندهای بهتری را برای شناسایی زودهنگام بیماری و خطر بیماری ایجاد کنند و به مداخلات دارویی و شیوه زندگی مؤثرتر برای ترویج پیری سالم منجر شود.

قدردانی ها

این کار حاصل تلاش های ترکیبی چندین گروه است. از همه مشارکت‌کنندگان: سارا احدی، بوریس بابنکو، کوری مک‌لین، درو برایانت، اوریون پریچارد، آویناش واراداراجان، مارک برندل و علی بشیر (تحقیقات گوگل)، کنت ویلسون، انریکه کاررا و پانکاج کاپاهی (موسسه تحقیقات پیری باک)، و ریکاردو لامی و جی استوارت (دانشگاه کالیفرنیا، سانفرانسیسکو). ما همچنین می‌خواهیم از میشل دیمون و جان پلات برای بررسی نسخه خطی و پریتی سینگ برای کمک به تدارکات انتشارات تشکر کنیم.

سئو PBN | خبر های جدید سئو و هک و سرور