29 ژوئیه 2023 - برای افراد مبتلا به بیماری چشم دیابتی، یکی از دشوارترین و مهم ترین کارها تخمین خطر پیشرفت رتینوپاتی دیابتی (DR) است. مطالعه‌ای که اخیراً در مجله ی Diabetes منتشر شده است، شناسایی خطر پیشرفت رتینوپاتی دیابتی را با کمک یادگیری ماشینی و استفاده از تصاویری با میدان فوق وسیع از شبکیه ممکن کرده است.

یافته‌های این مطالعه، که در هشتاد و سومین نشست علمی انجمن دیابت آمریکا (ADA 2023)ارائه شد، امکان اجرا و دقت استفاده از مدل‌های یادگیری ماشینی را برای شناسایی پیشرفت DR با استفاده از تصاویر شبکیه با میدان فوق‌وسیع (UWF) نشان داد. پیش‌بینی هوش مصنوعی برای حدود 91 درصد از برچسب های تصاویر یا صحیح بود یا پیشرفت بیشتری را نسبت به برچسب های اصلی نشان داد.

محققان در مطالعه خود نوشتند: استفاده از الگوریتم‌های یادگیری ماشینی ممکن است پیش بینی خطر پیشرفت بیماری را بهبود بیشتری بخشد و فواصل غربالگری را شخصی‌سازی کند که می تواند نتایج مرتبط با بینایی را بهبود بخشد و هزینه‌ها را کاهش دهد.

مقیاس‌های فعلی تعیین کننده ی شدت رتینوپاتی دیابتی، به پزشکان اطلاعاتی در مورد خطر پیشرفت و توصیه‌هایی برای درمان و پیگیری ارائه می دهد. استفاده از الگوریتم هایAI (هوش مصنوعی) ممکن است این فرآیند را بهبود بخشد. در این مطالعه، Amber Nigam، و همکارانش از کمبریج در بوستون، مدل‌های یادگیری ماشینی را برای پیشرفت DR از تصاویر شبکیه با میدان فوق وسیع توسعه و تأیید کردند. آنها شدت و پیشرفت DR پایه را با بررسی تصاویر توسط متخصص چشم و پیگیری طولی 3 ساله با استفاده از مقیاس شدت مطالعه رتینوپاتی دیابتی درمان اولیه (ETDRS) برچسب‌گذاری کردند.

مجموعه داده ها شامل هشت کلاس بود: رتینوپاتی دیابتی پرولیفراتیو(16.55درصد)، رتینوپاتی دیابتی غیرپرولیفراتیو (NPDR) شدید و پیشرونده (11.27 درصد)، رتینوپاتی دیابتی غیرپرولیفراتیو شدیدبدون پیشرفت(10.68 درصد)، رتینوپاتی دیابتی غیرپرولیفراتیو متوسط با پیشرفت (10.1درصد)، رتینوپاتی دیابتی غیرپرولیفراتیو متوسط بدون پیشرفت(15.85درصد)، رتینوپاتی دیابتی غیرپرولیفراتیو خفیفو پیشرونده(10.16 درصد)، رتینوپاتی دیابتی غیرپرولیفراتیوخفیف بدون پیشرفت(10.73درصد)، و بدون رتینوپاتی دیابتی (14.62 درصد). تعداد 9970 تصویر منحصر به فرد به نسبت 60-20-20، برای آموزش، برای اعتبارسنجی و به عنوان مجموعه داده های آزمایشی تقسیم شدند.

یافته های کلیدی این مطالعه عبارتند از:

· مدل ResNet که بر روی این مجموعه داده به دقت تنظیم شده است، دارای دقت آزمون طبقه بندی 81 درصد وسطح زیر منحنی عملیاتی گیرنده (AUC) 0.967 در مجموعه داده آزمایشی است.

· هدف این مدل، کاهش منفی های کاذب است که به پیش بینی کلاسی اشاره دارد که نسبت به برچسب واقعی پیشروی کمتری دارد.

· برچسب‌های پیش‌بینی‌شده برای 91٪ از تصاویر یا برچسب‌های صحیح بودند یا برچسب‌هایی با پیشرفت بیشتر نسبت به برچسب‌های اصلی بودند.

محققان پیشنهاد کردند که استفاده از الگوریتم‌های یادگیری ماشینی ممکن است خطر پیشرفت بیماری را با صحت بیشتری پیش بینی کند و فواصل غربالگری را شخصی‌سازی کند که ممکن است هزینه‌ها را کاهش داده و نتایج مرتبط با بینایی را بهبود بخشد.

منبع:

https://medicaldialogues.in/diabetes-endocrinology/news/ai-may-help-predict-risk-of-disease-progression-in-patients-with-diabetic-retinopathy-114884