Διάγνωση με selfie στον καρδιολόγο
Η συγκεκριμένη έρευνα, σύμφωνα με τη European Society of Cardiology, είναι η πρώτη που δείχνει ότι είναι δυνατόν να χρησιμοποιηθεί ένας αλγόριθμος μηχανικής μάθησης (deep learning) για τον εντοπισμό στεφανιαίας νόσου μέσω ανάλυσης τεσσάρων φωτογραφιών ενός προσώπου.
Αν και ο αλγόριθμος πρέπει να αναπτυχθεί περαιτέρω και να δοκιμαστεί σε μεγαλύτερες ομάδες ατόμων, με διαφορετικά εθνοτικά χαρακτηριστικά, οι ερευνητές εκτιμούν πως μπορεί να χρησιμοποιηθεί ως εργαλείο ελέγχου που θα μπορούσε να εντοπίζει πιθανές καρδιοπάθειες σε άτομα του γενικού πληθυσμού ή σε ευπαθείς ομάδες, προκειμένου να εξεταστούν περαιτέρω.
«Από όσο γνωρίζουμε είναι η πρώτη δουλειά που υποδεικνύει ότι η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για την ανάλυση προσώπων προκειμένου να εντοπιστούν καρδιοπάθειες. Είναι ένα βήμα προς την κατεύθυνση της ανάπτυξης ενός εργαλείου με βάση το deep learning που θα μπορούσε να χρησιμοποιηθεί για την αξιολόγηση του κινδύνου καρδιοπάθειας…σκοπός μας είναι να αναπτύξουμε μια εφαρμογή αυτοαναφοράς για ομάδες υψηλού κινδύνου προκειμένου να αξιολογείται ο κίνδυνος καρδιοπάθειας πριν γίνει επίσκεψη σε κλινική…ωστόσο ο αλγόριθμος θέλει περισσότερη εξέλιξη και εξωτερική επικύρωση σε άλλους πληθυσμούς και εθνότητες» είπε ο καθηγητής Ζε Ζανγκ, του Εθνικού Κέντρου Καρδιαγγειακών Παθήσεων στην Κίνα.
Είναι ήδη γνωστό, σύμφωνα με δημοσίευμα της naftemporiki.gr πως συγκεκριμένα χαρακτηριστικά του προσώπου σχετίζονται με έναν αυξημένο κίνδυνο καρδιοπάθειας. Αυτά περιλαμβάνουν αραίωμα ή γκριζάρισμα των μαλλιών, ρυτίδες κ.α. Ωστόσο είναι δύσκολο να αξιοποιηθούν αποτελεσματικά από ανθρώπους παρατηρητές για την πρόβλεψη και ποσοτικοποίηση του κινδύνου καρδιοπάθειας.
Ο Ζενγκ, ο καθηγητής Σιανγκ Γιανγκ Τζι του Τμήματος Αυτοματισμού του Πανεπιστημίου Τσινγκουά και άλλοι συνάδελφοί τους αξιοποίησαν για τον σκοπό της έρευνας 5.796 ασθενείς από οκτώ νοσοκομεία στην Κίνα, στο διάστημα Ιουλίου 2017- Μαρτίου 2019. Νοσηλευτές τράβηξαν από τέσσερις φωτογραφίες και μίλησαν με τους ασθενείς για να συλλέξουν σχετικά δεδομένα, όπως ο τρόπος ζωής, το ιατρικό ιστορικό κ.α. Ακτινολόγοοι είδαν εξετάσεις των ασθενών και οι πληροφορίες αυτές στο σύνολό τους χρησιμοποιήθηκαν για τη δημιουργία και την «εκπαίδευση» του αλγορίθμου.
Αν και ο αλγόριθμος πρέπει να αναπτυχθεί περαιτέρω και να δοκιμαστεί σε μεγαλύτερες ομάδες ατόμων, με διαφορετικά εθνοτικά χαρακτηριστικά, οι ερευνητές εκτιμούν πως μπορεί να χρησιμοποιηθεί ως εργαλείο ελέγχου που θα μπορούσε να εντοπίζει πιθανές καρδιοπάθειες σε άτομα του γενικού πληθυσμού ή σε ευπαθείς ομάδες, προκειμένου να εξεταστούν περαιτέρω.
«Από όσο γνωρίζουμε είναι η πρώτη δουλειά που υποδεικνύει ότι η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για την ανάλυση προσώπων προκειμένου να εντοπιστούν καρδιοπάθειες. Είναι ένα βήμα προς την κατεύθυνση της ανάπτυξης ενός εργαλείου με βάση το deep learning που θα μπορούσε να χρησιμοποιηθεί για την αξιολόγηση του κινδύνου καρδιοπάθειας…σκοπός μας είναι να αναπτύξουμε μια εφαρμογή αυτοαναφοράς για ομάδες υψηλού κινδύνου προκειμένου να αξιολογείται ο κίνδυνος καρδιοπάθειας πριν γίνει επίσκεψη σε κλινική…ωστόσο ο αλγόριθμος θέλει περισσότερη εξέλιξη και εξωτερική επικύρωση σε άλλους πληθυσμούς και εθνότητες» είπε ο καθηγητής Ζε Ζανγκ, του Εθνικού Κέντρου Καρδιαγγειακών Παθήσεων στην Κίνα.
Είναι ήδη γνωστό, σύμφωνα με δημοσίευμα της naftemporiki.gr πως συγκεκριμένα χαρακτηριστικά του προσώπου σχετίζονται με έναν αυξημένο κίνδυνο καρδιοπάθειας. Αυτά περιλαμβάνουν αραίωμα ή γκριζάρισμα των μαλλιών, ρυτίδες κ.α. Ωστόσο είναι δύσκολο να αξιοποιηθούν αποτελεσματικά από ανθρώπους παρατηρητές για την πρόβλεψη και ποσοτικοποίηση του κινδύνου καρδιοπάθειας.
Ο Ζενγκ, ο καθηγητής Σιανγκ Γιανγκ Τζι του Τμήματος Αυτοματισμού του Πανεπιστημίου Τσινγκουά και άλλοι συνάδελφοί τους αξιοποίησαν για τον σκοπό της έρευνας 5.796 ασθενείς από οκτώ νοσοκομεία στην Κίνα, στο διάστημα Ιουλίου 2017- Μαρτίου 2019. Νοσηλευτές τράβηξαν από τέσσερις φωτογραφίες και μίλησαν με τους ασθενείς για να συλλέξουν σχετικά δεδομένα, όπως ο τρόπος ζωής, το ιατρικό ιστορικό κ.α. Ακτινολόγοοι είδαν εξετάσεις των ασθενών και οι πληροφορίες αυτές στο σύνολό τους χρησιμοποιήθηκαν για τη δημιουργία και την «εκπαίδευση» του αλγορίθμου.
Ο αλγόριθμος αυτός δοκιμάστηκε σε άλλους 1.013 ασθενείς, ως επί το πλείστον Κινέζους Χαν. Όπως διαπιστώθηκε, οι επιδόσεις ήταν καλύτερες σε σχέση με υπάρχουσες μεθόδους πρόγνωσης κινδύνου καρδιοπάθειας: Ειδικότερα, στην ομάδα επικύρωσης εντόπισε με επιτυχία καρδιοπάθειες στο 80% των περιπτώσεων, και διαπίστωσε σωστά πως δεν υπήρχε καρδιοπάθεια στο 61% των περιπτώσεων. Στην ομάδα δοκιμής τα αντίστοιχα ποσοστά ήταν 80% και 54%.
«Ο αλγόριθμος είχε μέτριες επιδόσεις, και επιπλέον κλινικές πληροφορίες δεν βελτίωσαν τις επιδόσεις του, κάτι που σημαίνει ότι θα μπορούσε να χρησιμοποιηθεί εύκολα για την πρόβλεψη πιθανών καρδιοπαθειών με βάση φωτογραφίες προσώπου και μόνο. Τα μάγουλα, το μέτωπο και η μύτη συνέβαλαν περισσότερες πληροφορίες στον αλγόριθμο από άλλες περιοχές του προσώπου» τόνισε ο καθηγητής Τζι, προσθέτοντας ωστόσο πως πρέπει να βελτιωθούν οι επιδόσεις ως προς τη διαπίστωση μη ύπαρξης καρδιοπάθειας, για να αποφευχθούν η πρόκληση άγχους στους ασθενείς και η πιθανή υπερφόρτωση του συστήματος υγείας με μη απαραίτητες εξετάσεις.
«Ο αλγόριθμος είχε μέτριες επιδόσεις, και επιπλέον κλινικές πληροφορίες δεν βελτίωσαν τις επιδόσεις του, κάτι που σημαίνει ότι θα μπορούσε να χρησιμοποιηθεί εύκολα για την πρόβλεψη πιθανών καρδιοπαθειών με βάση φωτογραφίες προσώπου και μόνο. Τα μάγουλα, το μέτωπο και η μύτη συνέβαλαν περισσότερες πληροφορίες στον αλγόριθμο από άλλες περιοχές του προσώπου» τόνισε ο καθηγητής Τζι, προσθέτοντας ωστόσο πως πρέπει να βελτιωθούν οι επιδόσεις ως προς τη διαπίστωση μη ύπαρξης καρδιοπάθειας, για να αποφευχθούν η πρόκληση άγχους στους ασθενείς και η πιθανή υπερφόρτωση του συστήματος υγείας με μη απαραίτητες εξετάσεις.
Το διάβασα στο www.in.gr
