Derin Öğrenme Yoluyla Retina Fundus Görüntülerinden Kardiyovasküler Risk Faktörleri Tahmin Edilebilir Mi?

Bilim insanları risk sınıflandırmasının, küresel olarak önde gelen ölüm nedeni olmaya devam eden kardiyovasküler hastalık riski altındaki grupları belirlemek ve yönetmek için çok önemli olduğunu belirtmişlerdir. Havuzlanmış Kohort denklemleri, Framingham ve Sistematik Koroner Risk Değerlendirmesi (SCORE) gibi kardiyovasküler hastalık riski hesaplayıcılarının mevcudiyeti yaygın olmasına rağmen, risk tahminlerini iyileştirmek için birçok çaba bulunmaktadır. Bilim insanları fenotipik bilgilerin, özellikle damar sağlığı ile ilgili bilgilerin, risk tahminini bireysel bazda daha da iyileştirebileceğini veya yeniden sınıflandırabileceğini belirtmişlerdir. Koroner arter kalsiyumu böyle bir örnek olmakla birlikte görüntülemeden gelen ek sinyallerin risk sınıflandırmasını iyileştirdiği gösterilmiştir. Kardiyovasküler hastalık riskinin taranması için mevcut bakım standardı, hastanın geçmişinden ve yaş, cinsiyet, sigara içme durumu, kan basıncı, vücut kitle indeksi (BMI), glikoz ve kolesterol seviyeleri gibi kan örneklerinden türetilen çeşitli değişkenler gerektirmektedir. Çoğu kardiyovasküler risk hesaplayıcısı, on yıl gibi önceden belirlenmiş bir süre içinde ya majör bir kardiyovasküler olay ya da kardiyakla ilişkili ölüm riski taşıyan hastaları belirlemek için bu parametrelerin bazı kombinasyonlarını kullanmasına karşın bu parametrelerden bazıları kullanılamayabilmektedir. Örneğin, Practice INNovation And CLinical Excellence (PINNACLE) elektronik sağlık kaydı temelli kardiyovasküler kayıtlardan oluşan bir çalışmada, 10 yıllık risk puanlarını hesaplamak için gereken verilerin hastaların %30'undan daha azı için mevcut olduğu gösterilmiştir. Araştırmacılar bunun büyük ölçüde eksik kolesterol değerlerinden kaynaklandığını ve bu verileri elde etmek için açlık kan alımının gerekli olduğu göz önüne alındığında bunun şaşırtıcı olmadığını belirtmişlerdir. Bu nedenle araştırmacılar, ayaktan tedavi ortamında hızlı, ucuz ve non-invaziv bir şekilde elde edilebilen retina görüntülerinden kardiyovasküler risk için ek sinyallerin çıkarılıp çıkarılamayacağını araştırdıklarını bildirmişlerdir. Hipertansif retinopati ve kolesterol embolisi gibi kardiyovasküler hastalık belirteçleri sıklıkla gözde ortaya çıkabilmektedir.

Kardiyovasküler risk sınıflandırmasına izin verecek ek sinyaller

Yapılan bu çalışmada, derin öğrenme kullanılarak retina görüntülerinden çoklu kardiyovasküler risk faktörlerinin çıkarılması ve ölçülmesi gösterilmiştir. Makine öğrenimi, göz hastalığının otomatik sınıflandırılması dahil olmak üzere çeşitli sınıflandırma görevleri için yıllardır kullanılmakla birlikte, çalışmanın çoğu, uzmanlar tarafından belirlenen açık özellikleri hesaplamayı içeren "özellik mühendisliği" ne odaklanmıştır. Derin öğrenme, bir algoritmanın özelliklerin elle tasarlanmasını gerektirmek yerine örnekler temelinde uygun tahmin özelliklerini öğrenmesine olanak tanıyan birden çok hesaplama katmanıyla karakterize edilen bir makine öğrenimi teknikleri ailesi olarak tanımlanmaktadır. Son zamanlarda, derin evrişimli sinir ağları, melanom ve diyabetik retinopati gibi hastalıkları, insan uzmanlarınınki ile karşılaştırılabilir doğrulukla tıbbi görüntülerden teşhis eden oldukça hassas algoritmalar üretmek için uygulanmıştır. Geleneksel olarak tıbbi keşifler, denekleri gözlemleyerek, onlardan hipotezler çıkararak ve ardından hipotezleri test etmek için deneyler tasarlayıp çalıştırarak yapılmaktadır. Araştırmacılar yapılan bu çalışmada, derin öğrenmenin retina fundus görüntülerinden yeni bilgiler çıkarabileceğini gösterdiklerini belirtmişlerdir. Çalışmada 284.335 hastadan alınan verilerle eğitilmiş ve 12.026 ve 999 hastadan oluşan iki bağımsız veri setinde doğrulanmış derin öğrenme modelleri kullanılarak, yaş, cinsiyet sigara içme durumu, sistolik kan basıncı ve majör advers kardiyak olaylar gibi daha önce retina görüntülerinde mevcut veya ölçülebilir olduğu düşünülmeyen kardiyovasküler risk faktörleri tahmin edilmiştir. Ayrıca eğitimli derin öğrenme modellerinin her bir tahmini oluşturmak için optik disk veya kan damarları gibi anatomik özellikleri kullandığı da gösterilmiştir. Araştırmacılar derin öğrenmenin retina görüntülerinde daha iyi kardiyovasküler risk sınıflandırmasına izin verecek ek sinyalleri ortaya çıkarabileceğine dair kanıt sağladıklarını belirtmişlerdir.