Patientdödligheten kan förutsägas genom datoranalys av organ


Patientdödligheten kan förutsägas genom datoranalys av organ

Forskare tror att datoranalys av medicinska bilder kan avancera precisionsmedicin.

Med hjälp av en dator för att analysera CT-bilder av patienters organ kunde forskare förutspå sin 5-åriga dödlighet med nästan 70 procent noggrannhet. Detta är enligt en ny studie som nyligen publicerats i tidningen Vetenskapliga rapporter .

Lead studie författare Dr Luke Oakden-Rayner, av folkhälsohögskolan vid University of Adelaide i Australien, och kollegor tror att deras resultat kunde avancera inom området för precisionsmedicin.

National Institute of Health (NIH) definierar precisionsmedicin som "ett framväxande tillvägagångssätt för behandling och förebyggande behandling av sjukdomar som tar hänsyn till individuell variation i gener, miljö och livsstil för varje person."

Precis som medicinska författare noterar är precisionsmedicinen beroende av upptäckten av biomarkörer som är korrekta indikatorer på sjukdomsrisk, respons på behandling eller sjukdomsprognos. De tror att radiologi har en viktig roll att spela på detta område.

"[...] Vi föreslår att bilder som härrör från rutin radiologisk provning har i stort sett ignorerats i samband med precision medicin och motivera användandet av kraftfulla nya maskininlärningstekniker tillämpas på radiologiska bilder som grund för nya och användbara biomarkörer."

"Den senaste tidens framsteg inom området medicinsk bildanalys har visat att maskin detekterbar bildfunktioner kan approximera beskrivande makt biopsi, mikroskopi och även DNA-analys för ett antal sjukdomar," de lägger.

Patientdödligheten förutspåddes med 69 procent noggrannhet

För deras studie Dr. Oakden-Rayner och kollegor bestämde sig för att undersöka om de kunde lära en dator för att "lära" information datortomografi (CT) skannar, för att förutsäga en patients 5-års mortalitet.

För det första samlade laget mer än 15 000 CT-bilder av sju olika vävnader - inklusive hjärta och lungvävnad - från patienter i åldern 60 år och äldre. Med hjälp av logistiska regressionstekniker identifierade forskarna ett antal bildfunktioner som var kopplade till 5 års dödlighet.

Teamet kombinerade sedan data med en "deep learning" -teknik. Dr Oakden-Rayner förklarar att det här är en metod där datorer kan "lära sig att förstå och analysera bilder."

"I stället för att fokusera på att diagnostisera sjukdomar, kan automatiserade system förutse medicinska resultat på ett sätt som läkarna inte är utbildade att göra, genom att införliva stora mängder data och upptäcka subtila mönster", tillägger han.

Därefter använde forskarna datorn för att analysera CT-bröstbilder av 48 patienter i åldern 60 år och äldre. De fann att det var möjligt att förutsäga sin 5-åriga dödlighet med 69 procent noggrannhet, jämfört med dödlighetsprognoser som gjorts av vårdpersonal.

"Även för denna studie användes endast ett litet antal patienter, men vår forskning tyder på att datorn har lärt sig att känna igen de komplexa bildframträdandena av sjukdomar, något som kräver omfattande utbildning för mänskliga experter, säger Dr. Oakden-Rayner.

Nästa steg för laget är att använda datorteknik för att analysera CT-bilder från tiotusentals patienter.

Under tiden säger forskarna att deras studier ger ett bevis på att CT-bilder och datorinlärning kan leda till betydande framsteg inom precisionsmedicin.

Vår forskning öppnar nya vägar för tillämpning av artificiell intelligenssteknik i medicinsk bildanalys och kan erbjuda nytt hopp för tidig upptäckt av allvarlig sjukdom, vilket kräver specifika medicinska ingrepp."

Dr. Luke Oakden-Rayner

Lär dig hur en epigenetisk klocka kan förutsäga livslängd.

Five Nights at Freddy's: Sister Location - Golden Freddy Mode (Video Medicinsk Och Professionell 2021).

Avsnitt Frågor På Medicin: Medicinsk praktik