Normal göğüs röntgeni. Kredi: Kuzey Amerika Radyoloji Derneği
Araştırmacılar, aterosklerotik kardiyovasküler hastalıktan kaynaklanan kalp krizi veya felçten 10 yıllık ölüm riskini tahmin etmek için tek bir göğüs röntgeni kullanan derin bir öğrenme modeli geliştirdi. Çalışmanın sonuçları bugün (29 Kasım) Kuzey Amerika Radyoloji Derneği’nin (RSNA) yıllık toplantısında sunuldu.
Derin öğrenme, hastalıkla ilişkili kalıpları bulmak için X-ışını görüntülerini aramak üzere eğitilebilen gelişmiş bir yapay zeka türüdür (AI).
Massachusetts’teki Kardiyovasküler Görüntüleme Araştırma Merkezi’ne bağlı bir radyolog olan çalışmanın baş yazarı Jakob Weiss, “Derin öğrenme modelimiz, mevcut göğüs röntgeni görüntülerini kullanarak kardiyovasküler hastalık riskinin popülasyona dayalı fırsatçı taraması için potansiyel bir çözüm sunuyor” dedi. General Hospital ve Boston’daki Brigham and Women’s Hospital’da Tıpta Yapay Zeka programı. “Bu tür bir tarama, statin ilacından fayda görecek ancak şu anda tedavi edilmeyen kişileri belirlemek için kullanılabilir.”
Mevcut kılavuzlar, birincil koruma için kimin statin alması gerektiğini belirlemek için 10 yıllık majör kardiyovasküler hastalık olayları riskinin tahmin edilmesini önermektedir.
“Mevcut tek bir göğüs röntgeni görüntüsüne dayalı olarak, derin öğrenme modelimiz, yerleşik klinik standarda benzer performans ve artımlı değerle gelecekteki önemli olumsuz kardiyovasküler olayları tahmin ediyor.” — Jakob Weiss, Dr.
Bu risk, yaş, cinsiyet, ırk, sistolik kan basıncı, hipertansiyon tedavisi, sigara içme, Tip 2 diyabet ve kan testleri gibi bir dizi değişkeni dikkate alan istatistiksel bir model olan aterosklerotik kardiyovasküler hastalık (ASCVD) risk skoru kullanılarak hesaplanır. 10 yıllık riski %7,5 ve üzerinde olan hastalara statin tedavisi önerilir.
Dr. Weiss, “ASCVD riskini hesaplamak için gerekli değişkenler genellikle mevcut değildir, bu da popülasyona dayalı tarama yaklaşımlarını arzu edilir kılar” dedi. “Göğüs röntgenleri yaygın olarak bulunduğundan, yaklaşımımız yüksek risk altındaki kişilerin belirlenmesine yardımcı olabilir.”
Dr. Weiss ve bir araştırma ekibi, tek bir göğüs röntgeni (CXR) girişi kullanarak derin bir öğrenme modeli geliştirdi. Çok merkezli, randomize Prostat, Akciğer, Kolorektal ve Yumurtalık Kanseri Tarama Denemesinde 40.643 katılımcının 147.497 göğüs röntgenini kullanarak kardiyovasküler hastalıktan ölüm riskini tahmin etmek için CXR-CVD riski olarak bilinen modeli geliştirdiler. Ulusal Kanser Enstitüsü tarafından tasarlanan ve desteklenen kontrollü bir çalışma.
Dr. Weiss, “X-ışınlarının geleneksel teşhis bulgularının ötesinde bilgi yakaladığını uzun zamandır biliyoruz, ancak bu verileri kullanmadık çünkü sağlam ve güvenilir yöntemlerimiz yoktu” dedi. “Yapay zekadaki gelişmeler şimdi bunu mümkün kılıyor.”
Araştırmacılar, Mass General Brigham’da rutin ayakta göğüs röntgeni çeken ve potansiyel olarak statin tedavisi almaya uygun olan 11.430 ayakta hastadan (ortalama yaş 60.1 yıl; %42.9 erkek) oluşan ikinci bir bağımsız kohort kullanarak modeli test ettiler.
11.430 hastanın 1.096’sı veya %9.6’sı, 10.3 yıllık medyan takip süresi boyunca önemli bir advers kardiyak olay yaşadı. CXR-CVD risk derin öğrenme modeli tarafından tahmin edilen risk ile gözlenen majör kardiyak olaylar arasında anlamlı bir ilişki vardı.
Araştırmacılar ayrıca statin uygunluğuna karar vermek için modelin prognostik değerini yerleşik klinik standartla karşılaştırdı. Bu, elektronik kayıttaki eksik veriler (örn. kan basıncı, kolesterol) nedeniyle sadece 2.401 hastada (%21) hesaplanabildi. Bu hasta alt grubu için CXR-CVD risk modeli, yerleşik klinik standarda benzer şekilde performans gösterdi ve hatta artımlı değer sağladı.
Weiss, “Bu yaklaşımın güzelliği, yalnızca dünya genelinde günde milyonlarca kez çekilen bir röntgene ihtiyacınız olması,” dedi. “Mevcut tek bir göğüs röntgeni görüntüsüne dayalı olarak, derin öğrenme modelimiz, yerleşik klinik standarda benzer performans ve artımlı değerle gelecekteki önemli olumsuz kardiyovasküler olayları tahmin ediyor.”
Dr. Weiss, nihayetinde doktorları tedavi etmek için bir karar destek aracı olarak hizmet edebilecek olan derin öğrenme modelini doğrulamak için kontrollü, randomize bir deneme de dahil olmak üzere ek araştırmaların gerekli olduğunu söyledi.
Weiss, “Gösterdiğimiz şey, bir göğüs röntgeninin bir göğüs röntgeninden daha fazlası olduğunu,” dedi. “Böyle bir yaklaşımla, klinisyene ve hastaya yardımcı olan hem teşhis hem de prognostik bilgi sağlamamıza olanak tanıyan nicel bir ölçüm elde ediyoruz.”
Ortak yazarlar Vineet Raghu, Ph.D., Kaavya Paruchuri, MD, Pradeep Natarajan, MD, MMSC, Hugo Aerts, Ph.D. ve Michael T. Lu, MD, MPH’dir. Ulusal Tıp Akademisi ve Amerikan Kalp Derneği.
Toplantı: 108. Bilimsel Kurul ve Kuzey Amerika Radyoloji Derneği Yıllık Toplantısı