Araştırmacılar, vücudun ana arteri olan aortadaki kireçlenme için kemik yoğunluğu taramalarını değerlendirmek için makine öğrenimini kullandılar. Yöntemlerinin, semptomlar ortaya çıkmadan önce bile gelecekteki kardiyovasküler ve diğer hastalıkları tahmin etmek için kullanılabilecekler.
Kalpteki kan damarlarının iç duvarında kireçlenme veya kalsiyum birikmesi nasıl sorunlu olabilirse, vücuttaki en büyük arter olan aortun kireçlenmesi de sorun olabilir. Kalpten çıkarken, beyne ve kollara kan sağlamak için yukarı doğru dallanır ve her bacağa kan sağlayan daha küçük arterlere ayrıldığı karın bölgesine kadar uzanır.
Abdominal aort kalsifikasyonu (AAC), aortun karın içinden geçen bölümündeki kalsifikasyon, kalp krizi ve inme gibi kardiyovasküler hastalıkların gelişimini öngörebilir ve ölüm riskini belirleyebilir. Daha önceki çalışmalar, bunun aynı zamanda geç yaşam demansı için de güvenilir bir belirteç olduğunu bulmuştu. AAC, bel omurlarında osteoporozu tespit etmek için tipik olarak kullanılan kemik yoğunluğu taramalarında görülebilir, ancak bu görüntüleri analiz etmek için yüksek eğitimli bir profesyonel gerekir, bu da zaman alır.
AAC genellikle eğitimli görüntüleme uzmanları tarafından 24 puanlık bir puanlama sistemi olan AAC-24 kullanılarak ölçülür. Sıfır skoru kalsifikasyon olmadığını ve 24 skoru AAC’nin en şiddetli derecesini temsil eder.
Avustralya’daki Edith Cowan Üniversitesi’nden araştırmacılar kireçlenme değerlendirme ve puanlama sürecini hızlandırmak için makine öğrenimine yöneldiler.
Araştırmacılar, dört farklı kemik yoğunluğu makinesi modeli tarafından çekilen 5.012 omurga görüntüsünü makine öğrenimi modeline giriyor. Bu tür görüntülerden AAC’yi değerlendirmek için başka algoritmalar geliştirilmiş olsa da, araştırmacılar bu çalışmanın rutin kemik yoğunluğu testinden alınan görüntüler kullanılarak gerçek dünya ortamında test edilen en büyük ve ilk çalışma olduğunu söylüyorlar.
Ardından, AAC-24 puanlarına göre görüntüleri düşük, orta ve yüksek kireçlenme kategorilerine doğru bir şekilde sınıflandırmak için modelin performansını değerlendirdiler. Doğruluğu kontrol etmek için, makine öğrenimine dayalı AAC puanları, insan uzmanların verdiği puanlarla karşılaştırıldı. Uzman ve yazılım, zamanın %80’inde aynı karara vardı. Yüksek AAC puanları olan kişilerin yüzde üçüne yazılım tarafından yanlış bir şekilde düşük puanlar teşhisi kondu.
Araştırmacılar, makine öğrenimi algoritmalarının kemik yoğunluğu taramalarını günde yaklaşık 60.000 görüntü oranında analiz edebildiğini söylüyor. Ortalama bir uzmanın tek bir görüntüyü analiz etmesinin beş ila 15 dakika sürdüğünü düşündüğünüzde bu çok büyük bir gelişme.
