Выходя из сердца, аорта разветвляется вверх, чтобы снабжать кровью мозг и руки, и спускается к брюшной полости, где разделяется на более мелкие артерии, которые снабжают каждую ногу.
Нейросеть предсказала будущее заболевание на основе сканирования плотности костной ткани
Исследователи использовали машинное обучение для оценки сканирования плотности костной ткани на предмет кальциноза аорты. Они говорят, что их метод может быть использован для прогнозирования будущих сердечно-сосудистых и других заболеваний еще до появления симптомов.
Depositphotos
Кальциноз брюшной аорты (AAC) может быть предиктором развития сердечно-сосудистых заболеваний, таких как сердечный приступ и инсульт, и определить риск смерти.
Предыдущие исследования также показали, что кальциноз аорты — также надежный маркер деменции в пожилом возрасте. AAC виден на снимках плотности костной ткани, обычно используемых для выявления остеопороза в поясничных позвонках, но для анализа этих изображений требуется высококвалифицированный специалист, что требует времени.
AAC обычно количественно определяется обученными специалистами по визуализации с использованием 24-балльной системы подсчета. Нулевой балл означает отсутствие кальциноза, а 24 балла — наиболее тяжелую степень AAC.
Машинное обучение против кальциноза
Исследователи из Университета Эдит Коуэн в Австралии обратились к машинному обучению, чтобы ускорить процесс оценки кальциноза и подсчета очков по 24-бальной шкале.
Исследователи вводят 5 012 изображений позвоночника, сделанных четырьмя различными моделями аппаратов для определения плотности костной ткани, в свою модель машинного обучения.
Хотя для оценки AAC по этим типам изображений были разработаны другие алгоритмы, исследователи говорят, что это исследование является самым масштабным и первым, которое было протестировано в реальных условиях с использованием изображений, полученных при обычном анализе плотности костной ткани.
Затем они оценили эффективность модели в точной классификации изображений на категории низкой, умеренной и высокой кальцификации на основе их оценки AAC-24.
Для проверки точности оценки AAC, основанные на машинном обучении, сравнивались с оценками, полученными специалистами-людьми. Специалист и программное обеспечение приходили к одному и тому же выводу в 80% случаев. Трем процентам людей с высокими показателями AAC программное обеспечение неправильно проставило баллы в диагностическом тесте.
Исследователи говорят, что их алгоритм машинного обучения может анализировать сканирование плотности костной ткани со скоростью примерно 60 000 изображений в день. Это значительное улучшение, если учесть, что в среднем человеку требуется от пяти до 15 минут для анализа одного изображения.