پیشگویی بیماری قلبی با هوش مصنوعی و تصویربرداری
تصویربرداری حرارتی و هوش مصنوعی یک روش نوین است که در پژوهشهای اخیر توسعه یافته است. این روش، با ترکیب دقت و غیر تهاجمی بودن خود، بهبود قابل توجهی در تشخیص و پیشبینی بیماری سرخرگ کرونری داشته است. تحقیقات نشان میدهد که این روش از روشهای مرسوم مؤثرتر است و در برخی موارد قدرت پیشبینی بیماری را تا 13 درصد بهبود میبخشد.
تصویربرداری حرارتی به ارزیابی تدفین خون غیر طبیعی و التهاب پوست کمک میکند. با استفاده از فناوری یادگیری ماشینی، این روش اطلاعات پیچیده را مدیریت کرده و دقت تشخیص را افزایش میدهد. همچنین، این روش به صورت غیر تماسی صورت مشکوک به بیماری را اسکن میکند، که این امر میتواند در تسریع اقدامات درمانی و صرفهجویی در زمان مهم تصمیمگیری بپردازد.
پژوهشها نشان میدهد که ترکیب تصویربرداری حرارتی با هوش مصنوعی میتواند به عنوان یک روش پیشبینی در ارزیابی سلامت قلبی-عروقی تأثیرگذار باشد. این روش، ابزاری تأثیرگذار در تشخیص بیماری قلبی-عروقی است که میتواند برای بیماران مختلف از جمله سنی و جنسیتی موثر باشد. این نتایج، نشان دهنده توانایی واقعی این روش برای تشخیص به موقع و دقیق بیماریهای قلبی-عروقی است.
پژوهشگران چین در پژوهش جدید خود نشان دادهاند که تصویربرداری حرارتی صورت و هوش مصنوعی میتوانند وجود بیماری سرخرگ کرونری را به دقت پیشبینی کنند.
به گزارش ایسنا، پژوهش جدید «دانشگاه چینهوآ» (Tsinghua University) نشان میدهد که ترکیبی از تصویربرداری حرارتی صورت و هوش مصنوعی میتواند وجود بیماری سرخرگ کرونری را به دقت پیشبینی کند.
این روش غیر تهاجمی و فوری نسبت به روشهای مرسوم مؤثرتر است و میتوان از آن برای بهبود دقت تشخیص بیماری در آزمایشهای بالینی روی بیماران بیشتر و از نظر قومیتی متفاوتتر استفاده کرد.
پژوهشگران این پروژه گفتند: دستورالعملهای کنونی برای تشخیص بیماری سرخرگ کرونری بر ارزیابی احتمال عوامل خطر تکیه میکنند که همیشه خیلی دقیق یا به طور گسترده قابل استفاده نیستند. اگرچه این موارد را میتوان با نتایج سایر روشها مانند نوار قلب، آنژیوگرافی و آزمایش خون تکمیل کرد، اما آنها اغلب زمانبر و تهاجمی هستند.
تصویربرداری حرارتی که توزیع دما و تغییرات را روی سطح یک جسم با تشخیص تابش فروسرخ ساطعشده از آن جسم ثبت میکند، غیرتهاجمی است. این یک روش امیدوارکننده برای ارزیابی بیماری است، زیرا میتواند مناطق دارای گردش خون غیر طبیعی و التهاب را از الگوهای دمای پوست شناسایی کند.
ظهور فناوری یادگیری ماشینی با ظرفیت استخراج، پردازش و ادغام اطلاعات پیچیده ممکن است دقت و اثربخشی تشخیص با تصویربرداری حرارتی را افزایش دهد.
بنابراین، پژوهشگران تصمیم گرفتند امکان استفاده از تصویربرداری حرارتی به همراه هوش مصنوعی را برای پیشبینی دقیق وجود بیماری سرخرگ کرونری بدون نیاز به روشهای تهاجمی و زمانبر بررسی کنند. آنها این روش را روی ۴۶۰ شخص مشکوک به بیماری آزمایش کردند که میانگین سنی آنها ۵۸ سال بود و ۱۲۶ نفر از آنها زن بودند.
تصاویر حرارتی از صورت بیماران پیش از انجام دادن معاینات تاییدی گرفته شدند تا یک مدل تصویربرداری را با کمک هوش مصنوعی برای تشخیص بیماری سرخرگ کرونری ایجاد کنند.
در مجموع، ۳۲۲ شرکتکننده به بیماری سرخرگ کرونری مبتلا بودند. افراد مبتلا معمولا مسنتر و بیشتر آنها مرد بودند. همچنین، احتمال بیشتری وجود داشت که عوامل خطر بیشتری در سبک زندگی خود و استفاده بیشتری از داروهای پیشگیرانه داشته باشند.
روش تصویربرداری حرارتی به همراه هوش مصنوعی نسبت به ارزیابی خطر با توجه به عوامل خطر سنتی و نشانههای بالینی، در پیشبینی بیماری سرخرگ کرونری حدود ۱۳ درصد بهتر عمل کرد. در میان سه شاخص گرمایی پیشبینیکننده مهم، تأثیرگذارترین آنها اختلاف دمای کلی چپ-راست صورت و پس از آن، حداکثر دمای صورت و میانگین دمای صورت بود.
میانگین دمای سمت چپ ناحیه فک، قویترین ویژگی پیشبینیکننده بود. به دنبال آن، محدوده دمایی ناحیه چشم راست و اختلاف دمای چپ-راست نواحی شقیقه، قویترین ویژگیهای پیشبینیکننده بودند.
همچنین، این روش به طور مؤثر عوامل خطر سنتی را برای بیماری سرخرگ کرونری شناسایی کرد که عبارتند از کلسترول بالا، جنسیت مذکر، سیگار کشیدن، اضافه وزن، قند خون ناشتا و شاخصهای التهاب.
پژوهشگران در مقاله خود نوشتند: امکانسنجی پیشبینی بیماری سرخرگ کرونری مبتنی بر تصویربرداری حرارتی، کاربردهای بالقوه و فرصتهای تحقیقاتی آینده را فراهم میکند. این روش به عنوان یک روش ارزیابی سلامت مبتنی بر بیوفیزیولوژی، اطلاعات مرتبط با بیماری را فراتر از اقدامات بالینی سنتی ارائه میدهد. همچنین، این روش میتواند ارزیابی بیماری قلبی-عروقی تصلب شرایین یا آترواسکلروزیس و وضعیت مزمن مرتبط با آن را بهبود ببخشد. ماهیت غیر تماسی و بلادرنگ این روش، امکان ارزیابی فوری بیماری را در مرحله مراقبت فراهم میآورد که میتواند جریان کار بالینی را ساده کند و به صرفهجویی در زمان مهم تصمیمگیری پزشک و بیمار بپردازد. همچنین، این روش میتواند امکان پیشغربالگری انبوه را فعال کند.
پژوهشگران نتیجه گرفتند: مدلهای پیشبینی تصویربرداری حرارتی ما به همراه فناوری پیشرفته یادگیری ماشینی، پتانسیل امیدوارکنندهای را در مقایسه با روشهای بالینی مرسوم کنونی نشان دادهاند. برای تأیید اعتبار و تعمیم پذیری یافتههای کنونی باید پژوهشهای بیشتری با حجم نمونه بزرگتر و جمعیتهای گوناگونی از بیماران انجام شوند.
این پژوهش در مجله «BMJ Health & Care Informatics» به چاپ رسید.