هوش مصنوعی با تحلیل تصاویر شبکیه، زوال عقل را شناسایی و خطر آینده آن را پیشبینی میکند
پژوهشگران دانشگاه ملی سئول در کره جنوبی، یک مدل هوش مصنوعی توسعه دادهاند که با تحلیل تصاویر شبکیه چشم میتواند وضعیت فعلی زوال عقل را غربالگری کرده و خطر ابتلای افراد به این اختلال در آینده را نیز پیشبینی کند.
به گزارش مدرن مد به نقل از mobihealthnews، این مدل یادگیری عمیق توسط پژوهشگران بیمارستان دانشگاه ملی سئول، دانشکده پزشکی این دانشگاه و شرکت فناوری XAIMED توسعه یافته است. این تیم برای آموزش مدل از حدود ۱۰۸ هزار تصویر فوندوس شبکیه متعلق به ۳۶ هزار و ۳۲۲ نفر استفاده کرده است که طی سالهای ۲۰۰۴ تا ۲۰۱۶ در برنامههای معاینات دورهای بیمارستان دانشگاه ملی سئول شرکت کرده بودند.
برای توسعه مدل تشخیص زوال عقل، بیش از ۱۴ هزار تصویر متعلق به ۱۰ هزار و ۴۴۸ فرد مورد استفاده قرار گرفت. همچنین، مدل جداگانهای برای پیشبینی بروز زوال عقل در آینده با استفاده از نزدیک به ۶۵ هزار تصویر مربوط به ۲۵ هزار و ۸۷۴ نفر آموزش داده شد. میانه دوره پیگیری افراد در این بخش از مطالعه ۵.۵ سال بود.
عملکرد بهتر از روش ارزیابی متداول
پژوهشگران در مطالعهای که نتایج آن در نشریه npj Digital Medicine منتشر شده است، پنج مدل پایه بینایی را با استفاده از سه روش مختلف تنظیم و آموزش مجدد ارزیابی کردند. عملکرد، کاربرد بالینی و قابلیت توضیحپذیری مدلها نیز مورد بررسی قرار گرفت.
برای بررسی نحوه تصمیمگیری هوش مصنوعی، پژوهشگران از نقشههای برجستگی (Saliency Maps) استفاده کردند تا نواحی شبکیه مؤثر بر پیشبینیهای مدل را شناسایی کنند. همچنین با استفاده از قطعهبندی ساختارهای آناتومیک، میزان توجه مدل به بخشهایی مانند عروق خونی و دیسک بینایی مورد ارزیابی قرار گرفت.
بر اساس یافتهها، مدل پایه RETFound-MAE با تنظیم جزئی، بهترین عملکرد را هم در شناسایی موارد موجود زوال عقل و هم در پیشبینی خطر ابتلا در آینده نشان داد.
این مدل در شناسایی زوال عقل به AUROC برابر با ۰.۷۵ دست یافت و در پیشبینی خطر بروز زوال عقل در آینده نیز C-index برابر با ۰.۸۱ را ثبت کرد.
عملکرد این مدل در هر دو زمینه از امتیاز متداول CAIDE Dementia Risk Score بهتر بود. امتیاز CAIDE در تشخیص زوال عقل AUROC برابر با ۰.۶۲ و در پیشبینی موارد آینده C-index برابر با ۰.۶۹ داشت.
با این حال، پژوهشگران خاطرنشان کردند که اطلاعات مربوط به سطح تحصیلات افراد که برای محاسبه امتیاز CAIDE مورد نیاز است، در این مطالعه در دسترس نبود.
افزایش دقت با ترکیب هوش مصنوعی و عوامل خطر
تحلیل منحنی تصمیم نیز نشان داد که مدل RETFound-MAE در دامنه آستانههای مورد بررسی، نسبت به امتیاز CAIDE و همچنین راهبردهای «غربالگری همه» و «غربالگری هیچکس»، سود خالص بالاتری ایجاد میکند.
پژوهشگران معتقدند این مدل هوش مصنوعی میتواند در کنار چارچوبهای موجود برای طبقهبندی خطر زوال عقل مورد استفاده قرار گیرد. ترکیب مدل مبتنی بر تصاویر شبکیه با عوامل خطر فردی مورد استفاده در CAIDE نیز عملکرد مدل را بهبود بخشید و AUROC را از ۰.۷۵ به ۰.۷۷ افزایش داد.
شبکیه؛ گزینهای در دسترس برای غربالگری
تشخیص زودهنگام زوال عقل همچنان با چالشهای جدی مواجه است؛ زیرا یک آزمایش تشخیصی واحد و قطعی برای این بیماری وجود ندارد. روشهای فعلی معمولاً ترکیبی از ارزیابیهای بالینی، آزمونهای شناختی و نشانگرهای زیستی هستند که از طریق روشهایی مانند تصویربرداری MRI یا بررسی مایع مغزی ـ نخاعی به دست میآیند.
به گفته پژوهشگران، هزینه بالا، تهاجمی بودن برخی روشها و نیاز به تخصص ویژه، استفاده گسترده از این روشها را برای غربالگری جمعیت در مقیاس وسیع دشوار میکند.
در مقابل، تصاویر فوندوس شبکیه میتوانند گزینهای در دسترستر باشند؛ چراکه تصویربرداری از شبکیه نسبتاً کمهزینه است و در بسیاری از مراکز درمانی و کلینیکهای چشمپزشکی بهصورت روتین انجام میشود.
پژوهشگران دانشگاه ملی سئول در این مطالعه بررسی کردند که آیا تصاویر معمول شبکیه میتوانند علاوه بر غربالگری زوال عقل، برای پیشبینی خطر ابتلای آینده افراد نیز مورد استفاده قرار گیرند یا خیر.
این فناوری هنوز ابزار تشخیصی نیست
با وجود نتایج امیدوارکننده، پژوهشگران تأکید دارند که کاربرد اصلی این مدل در شرایط فعلی، طبقهبندی خطر بهصورت فرصتطلبانه در جریان تصویربرداریهای معمول شبکیه است و نباید از آن بهعنوان یک ابزار تشخیص قطعی زوال عقل استفاده کرد.
در آستانه انتخابشده، بهترین مدل مورد بررسی حساسیت ۶۲.۵ درصدی و ارزش اخباری مثبت ۳۶.۳ درصدی داشت. بنابراین، نتیجه پرخطر حاصل از این مدل باید زمینهای برای انجام ارزیابیهای شناختی، پیگیری بالینی یا سایر بررسیهای تأییدکننده باشد و نباید بهتنهایی بهعنوان تشخیص زوال عقل تلقی شود.
پژوهشگران پیش از ورود این فناوری به کاربرد بالینی، انجام اعتبارسنجی خارجی و ارزیابی اقتصادی سلامت را ضروری دانستهاند. همچنین اعتبارسنجی مدل در مؤسسات مستقل، جمعیتهایی با تنوع قومی بیشتر، دوربینهای مختلف تصویربرداری فوندوس و محیطهای بالینی متفاوت باید انجام شود.
گسترش کاربرد هوش مصنوعی در غربالگری اختلالات شناختی
در سالهای اخیر، روشهای جدیدی برای غربالگری اختلالات عصبی ـ شناختی مانند زوال عقل و اختلال شناختی خفیف در منطقه آسیا ـ اقیانوسیه توسعه یافتهاند. برخی از این روشها از دادههای دستگاههای پوشیدنی، مکالمات ضبطشده، آزمونهای ترسیمی، بازیهای شناختی و سامانههای پایش هوشمند از راه دور استفاده میکنند.
همزمان، استفاده از هوش مصنوعی در تحلیل تصاویر شبکیه نیز بهعنوان یکی از مسیرهای نوظهور برای شناسایی خطر بیماریهای عصبی مورد توجه قرار گرفته است.
یافتههای پژوهشگران کره جنوبی نشان میدهد که تصاویر شبکیه، در صورت اعتبارسنجی بیشتر، میتوانند در آینده علاوه بر کاربردهای چشمپزشکی، بهعنوان بخشی از فرآیندهای غربالگری و طبقهبندی خطر اختلالات شناختی نیز مورد استفاده قرار گیرند.
