31 ژوئیه 2023- تیمی از محققان آمریکایی، یک مدل یادگیری عمیق (DL) را ابداع کرده اند که می تواند بیماران مبتلا به دیابت نوع 2 (T2D) را با استفاده از رادیوگرافی های معمول قفسه سینه (CXR) به طور دقیق شناسایی کند.

محققان گزارش دادند که تکنیک‌های قابل توضیحAI (هوش مصنوعی) همبستگی‌هایی را بین معیارهای خاص چاقی و پیش‌بینی بالا نشان داد، که نشان‌دهنده پتانسیل رادیوگرافی قفسه سینه برای غربالگری بهتر دیابت نوع 2است.

این مطالعه که در Nature Communications منتشر شد، نشان داد که پیش‌بینی دیابت در بیماران مبتلا به دیابت نوع 2 (از جمله دیابت نوع 2با کنترل ضعیف) با سطح زیر منحنی عملیاتی گیرنده برابر با 0.84 در مقایسه با افراد بدون دیابت نوع 2 ممکن است. محققان با افزودن پیش‌بینی هوش مصنوعی بر اساس رادیوگرافی از قفسه ی سینهبه مدل رگرسیون لجستیک (LR) تنها با متغیرهای غیر تصویربرداری، بهبود عملکرد را در سطح زیر منحنی مشخصه ی عملکرد گیرنده(ROC AUC[1])مشاهده کردند.

محققان نوشتند: به طور کلی، مزایای مکملی از مدل DL برای پیش‌بینی دیابت نوع 2 در یک گروه بزرگ وجود دارد.

یادگیری عمیق می تواند از سوابق سلامت الکترونیکی (EHRs) برای پیش بینی بیماری ها و استخراج یافته های رادیولوژیک برای تشخیص استفاده کند. دکتر  Ayis Pyrrosو همکارانش از دپارتمان رادیولوژی Duly Health and Care، با رادیوگرافی‌های سرپایی سینه که اغلب درخواست می‌شوند، تشخیص دیابت نوع 2 را با ترکیب داده‌های رادیوگرافی و سوابق سلامت الکترونیکیبا استفاده از مدلDL ، بررسی کردند.

محققان مدل خود را که از 271065 رادیوگرافی قفسه سینه و 160244 بیمار تهیه شده بود، بر روی یک مجموعه داده آینده نگر از 9943 رادیوگرافی قفسه سینه آزمایش کردند.

آنها نشان دادند که این مدل به طور موثر دیابت نوع 2 را باسطح زیر منحنی مشخصه ی عملکرد گیرنده برابر با 0.84 و شیوع 16 درصد تشخیص داد. الگوریتم 14 درصد موارد را به عنوان مشکوک برایT2D ، علامت گذاری کرد. اعتبار سنجی خارجی در یک موسسه مجزا منجر به سطح زیر منحنی مشخصه ی عملکرد گیرنده برابر با 0.77 شد که 5٪ از بیماران متعاقباً با T2D تشخیص داده شدند.

مشاهدات مهم دکتر پیروس و تیمش از این مطالعه به شرح زیر است:

· اول، مدلDL در تشخیص بیماران مبتلا به T2D شایع، با AUC برابر با 0.84 در بیماران باBMI ≥ 25  و با AUC برابر 0.89 در بیماران با BMI <25، عملکرد خوبی داشت.

· دوم، مدلDL عملکرد متمایز کننده را افزایش داد و از مدل های رگرسیون لجستیکبالینی در چندین سناریو بهتر عمل کرد.

· سوم، پیش‌بینی دیابت نوع 2 با کنترل ضعیف، ممکن است مداخلات هدفمندتری را برای بیماران با خطر بالاتر، مانند غربالگری تقویت شده، ارائه دهد.

· چهارم، حساسیت(0.74) و ویژگی(0.72) غربالگری DL در گروهی با BMI ≥ 25 از حساسیت و ویژگی دستورالعمل هایUSPSTF (به ترتیب 0.45 و 0.69) از نتایج منتشر شده قبلی با استفاده از این دستورالعمل ها، بیشتر بود.

به گفته نویسندگان، هیچ مطالعه مشاهده ای آینده نگر دیگری عملکرد واقعی یک مدل DL را برای تشخیص T2D بر اساس رادیوگرافی قفسه سینه آزمایش نکرده است.

محققان نوشتند: ما یک مدل هوش مصنوعی ایجاد کردیم که می‌تواند بیماران دیابتی نوع 2 را در رادیوگرافی های معمول از قفسه سینه شناسایی کند. استفاده از این مدل در تلاش‌های بهداشتی در سطح جمعیت می‌تواند به طور بالقوه منجر به شناسایی زودتر میلیون‌ها بیمار مبتلا به دیابت نوع 2 در مراحل ابتدایی این بیماری شود.

منبع:

https://medicaldialogues.in/radiology/news/ai-model-developed-using-chest-radiographs-can-aid-detection-of-type-2-diabetes-115144