محققان تحقیقات Google ، Verily Life Science و بخش پزشکی قلب و عروق ، دانشکده پزشکی استنفورد ، نشان داده اند که چشم در ارائه پورتال به وضعیت سلامتی فرد دارد.
این تیم به عنوان پورتال اطلاعات در حال معالجه است. کار آنها در مقاله "پیش بینی عوامل خطر قلبی عروقی از عکسهای شبکیه با استفاده از آموزش عمیق" که شرح آن در arXiv است ، شرح داده شده است.
رایان پوپلین ، آویناش واراداراجان ، کتی بلومر ، یون لیو ، مایکل مک کانل ، گرگ کورادو ، لیلی پنگ و دیل وبستر نویسندگان هستند.
"ما عوامل خطر قلبی عروقی را که قبلاً تصور نمی شد در تصاویر شبکیه مانند سن (در 3.26 سال) ، جنسیت (0.97 AUC) ، وضعیت استعمال دخانیات (0.71 AUC) ، HbA1c (در 1.39٪) ، سیستولیک پیش بینی شود ، پیش بینی می کنیم. فشار خون (در فاصله 11.23 میلی متر جیوه) و همچنین وقایع عمده عوارض جانبی قلبی (0.70 AUC). "
یک شبکه عصبی کانونشن ابزار آنها بود. میه آندری ، در حال نوشتن در ZME Science ، این نوع شبکه را "الگوریتم تغذیه به جلو الهام گرفته از فرآیندهای بیولوژیکی ، به خصوص الگوی بین نورونها ، که معمولاً در آنالیز تصویر استفاده می شود " توصیف کرد.
رایان ویت وام در ExtremeTech در مورد روش آنها صحبت کرد. برای توسعه شبکه عصبی روبشی شبکیه خود ، Google به داده های زیادی احتیاج داشت. برای تنظیم شبکه از تصاویر شبکیه ای از بیماران استفاده می کرد. بعداً ، با استفاده از دو مجموعه داده مختلف بیماران ، توانایی یادگیری عمیق شبکه را تأیید کرد .
نویسندگان نوشتند: "ما با استفاده از تصاویر فوندوس شبکیه از 48.101 بیمار از UK Biobank و 236.234 بیمار از EyePACS ، مدلهای یادگیری عمیق ایجاد کرده ایم و این مدل ها را با استفاده از تصاویر از 122626 بیمار از Biobank UK و 999 بیمار از EyePACS تأیید کردیم."
این تیم از یک کتابخانه نرم افزار منبع باز برای هوش دستگاه ، TensorFlow استفاده کرده است.
این نویسندگان خاطرنشان كردند: "نشانگرهای بیماریهای قلبی عروقی ، مانند رتینوپاتی فشار خون بالا و آمبولی كلسترول ، غالباً می توانند در چشم ظاهر شوند."
بنابراین ، آیا آنها می توانند معیارهای سلامتی را به طور دقیق پیش بینی کنند؟ از این گذشته ، نویسندگان نوشتند: "طبقه بندی خطر برای شناسایی و مدیریت گروه های در معرض خطر بیماری های قلبی عروقی ، که عامل اصلی مرگ در سطح جهانی است ، مهم است."
ZME Science این نتایج را توصیف کرد: "آنها توانستند سن را (در 3.26 سال) پیش بینی کنند ، و در یک حاشیه قابل قبول ، جنس ، وضعیت سیگار کشیدن ، فشار خون سیستولیک و همچنین وقایع مهم جانبی جانبی قلبی".
نویسندگان تعداد بیشتری از نتایج خود را ارائه دادند: سن (در مدت 3.26 سال) ، جنسیت (0.97 AUC) ، وضعیت استعمال سیگار (0.71 AUC) ، HbA1c (در محدوده 1.39)) ، فشار خون سیستولیک (در 11.23 میلی متر جیوه) و همچنین مهم قلبی نامطلوب رویدادها (0.70 AUC).
در تصویر بزرگتر ، علمی آمریکایی در مورد یادگیری عمیق دیدگاه های تیزکننده سلول ها و ژن ها نوشت. "شبکه های عصبی پردازش تصاویر بیولوژیکی را آسان تر می کنند." ایمی مکسمن گفت: دانشمندان از رویکرد CNN استفاده می کنند "برای یافتن جهش در ژنوم و پیش بینی تغییرات در طرح سلولهای مجرد."
ماکسمن نوشت که کار تیم "بخشی از موجی از برنامه های جدید یادگیری عمیق است که پردازش تصویر را آسان تر و متنوع تر می کند - و حتی می تواند پدیده های بیولوژیکی غافل شده را شناسایی کند."
چندین گزارش به نقل از فیلیپ نلسون ، مدیر مهندسی تحقیقات گوگل ، گفت: "ماشین آلات اکنون می توانند چیزهایی را ببینند كه انسانها قبلاً ندیده بودند."
آندری به این دلیل پرداخت که چرا این موضوع به عنوان یک مسیر تحقیقاتی اهمیت دارد. "پزشکان امروزه برای تعیین خطرات قلبی عروقی به آزمایش خون بسیار متکی هستند ، بنابراین داشتن یک جایگزین غیر تهاجمی می تواند در هزینه و زمان زیادی صرفه جویی کند ، در حالی که مراجعه به پزشک کمتر ناخوشایند است."
نویسندگان آگاه هستند که تحقیقات بیشتری در آینده ضروری است.
آنها نوشتند ، "اندازه مجموعه داده برای یادگیری عمیق كوچك است." آنها گفتند که یک مجموعه داده قابل توجهی بزرگتر یا جمعیتی که حوادث قلبی عروقی بیشتری دارند ممکن است مدلهای یادگیری عمیق دقیق تری را ایجاد کنند که با اطمینان بالایی آموزش داده و ارزیابی شوند.
ویت وام این نکته را مطرح كرد كه این تحقیق هنوز در دست چاپ است و "سایر محققان باید قبل از تأثیر آن بدانند كه مدلها را بررسی كنند و نتایج را تأیید كنند ، اما این می تواند برای پزشكان مفید باشد."
از آنجا که اسکن شبکیه ساده و غیر تهاجمی است ، حتی اگر 100 درصد دقیق نباشد ، با این وجود می تواند اطلاعات بیشتری را برای پزشکان فراهم کند.
:: بازدید از این مطلب : 71
|
امتیاز مطلب : 0
|
تعداد امتیازدهندگان : 0
|
مجموع امتیاز : 0