5 آوریل 2022- بر اساس مطالعه جدیدی که در مجله رادیولوژی منتشر شده است، محققان با استفاده از یک مدل یادگیری عمیق کاملا خودکار هوش مصنوعی(AI)، توانستند علائم اولیه دیابت نوع 2 را در سی تی اسکن شکمی شناسایی کنند.
دیابت نوع 2 تقریباً 13٪ از کل بزرگسالان ایالات متحده را تحت تأثیر قرار می دهد و 34.5٪ دیگر از بزرگسالان معیارهای پیش دیابت را دارند. با توجه به شروع آهسته ی علائم، تشخیص بیماری در مراحل اولیه آن مهم است. برخی از موارد پیش دیابت می تواند تا 8 سال طول بکشد و تشخیص زودهنگام به بیماران این امکان را می دهد که سبک زندگی خود را تغییر دهند تا از پیشرفت بیماری جلوگیری کنند.
سی تی اسکن شکمی می تواند ابزار امیدوارکننده ای برای تشخیص دیابت نوع 2 باشد. تصویربرداری سی تی در حال حاضر به طور گسترده در بررسی های بالینی استفاده می شود و می تواند اطلاعات قابل توجهی در مورد پانکراس ارائه دهد. مطالعات قبلی نشان داده است که بیماران مبتلا به دیابت نسبت به بیماران غیر دیابتی تمایل به تجمع چربی و چربی احشایی بیشتری در پانکراس دارند. پرفسور رونالد ام. سامرز، نویسنده و محقق ارشد این مطالعه و رادیولوژیست مؤسسه ملی بهداشت در مرکز بالینی در بتسدا، مریلند، گفت: با این حال، کار زیادی برای مطالعه ی کبد، ماهیچه‌ها و رگ‌های خونی اطراف پانکراس انجام نشده است.
هیما تالام، نویسنده اول این مقاله، و دانشجوی دکترا، گفت: تجزیه و تحلیل ویژگی‌های لوزالمعده و خصوصیات محیط خارج از پانکراس یک رویکرد جدید است و تا آنجایی که ما می دانیم در تحقیقات قبلی بررسی نشده است.
تجزیه و تحلیل دستی تصاویر سی تی پانکراس بدون کنتراست با دوز پایین توسط رادیولوژیست یا متخصص آموزش دیده، فرآیندی زمان بر و دشوار است. به گفته نویسندگان، برای پرداختن به این چالش های بالینی، نیاز به بهبود تجزیه و تحلیل اتوماتیک تصویر پانکراس وجود دارد.
در این مطالعه ی گذشته نگر، دکتر سامرز و همکارانش، با همکاری نزدیک با نویسنده ارشد این مقاله پرفسور Perry J. Pickhardt، استاد رادیولوژی در بیمارستان و کلینیک های دانشگاه ویسکانسین، داده های 8992 بیمار را که بین سال‌های 2004 تا 2016 برای غربالگری روتین سرطان کولورکتال سی تی اسکن شده بودند، بررسی کردند. برای 572 نفر از این افراد دیابت نوع 2 و برای 1880 بیمار دیس گلایسمی[1] تشخیص داده شده بود. بین دیابت و تشخیص دیس گلایسمی همپوشانی وجود نداشت.
برای ساختن مدل یادگیری عمیق، محققان در مجموع از 471 تصویر به‌دست‌آمده از پایگاه داده‌های مختلف، از جملهداده‌های پزشکیDecathlon، آرشیو تصویربرداری سرطان و چالشBeyond Cranial Vault استفاده کردند. سپس 471 تصویر به سه زیر مجموعه تقسیم شدند: 424 تصویر برای آموزش، 8 تصویر برای اعتبار سنجی و 39 تصویر برای مجموعه های آزمایشی. محققان همچنین داده‌هایی را از چهار دوره یادگیری فعال وارد کردند.
مدل یادگیری عمیق نتایج بسیار خوبی را نشان داد و تقریباً هیچ تفاوتی در مقایسه با تحلیل دستی نداشت. این مدل علاوه بر ویژگی های مختلف پانکراس، چربی احشایی؛ تراکم و حجم عضلات و اندام های اطراف شکم را نیز مورد تجزیه و تحلیل قرار داد.
نتایج نشان داد که بیماران دیابتی تراکم پانکراس کمتر و میزان چربی احشایی بالاتری نسبت به بیماران بدون دیابت داشتند.
پرفسور سامرز گفت: ما دریافتیم که دیابت با میزان چربی در پانکراس و داخل شکم بیماران مرتبط است. هرچه چربی در این دو محل بیشتر باشد، احتمال ابتلای بیماران به دیابت در دراز مدت بیشتر می شود.
بهترین پیش بینی کننده های دیابت نوع 2 در مدل نهایی شامل درصد چربی داخل پانکراس، بُعد فراکتال پانکراس، شدت پلاک بین سطح مهره L1-L4، تضعیف متوسط CT کبد و BMI بود. مدل یادگیری عمیق از این پیش بینی ها برای تشخیص دقیق بیماران مبتلا به دیابت و بدون دیابت استفاده کرد.
نویسندگان نوشتند: این مطالعه گامی به سوی استفاده گسترده‌تر از روش‌های خودکار برای رسیدگی به چالش‌های بالینی است. همچنین ممکن است به تحقیقات آینده در مورد بررسی دلیل تغییرات لوزالمعده که در بیماران مبتلا به دیابت رخ می دهد، کمک کند.
منبع:
https://medicalxpress.com/news/2022-04-artificial-intelligence-diabetes-diagnosis.html