Medikaynak Search
ÜYE OL ÜYE GİRİŞ
Medikaynak Menü
ÜYE OLUN / GİRİŞ YAPIN Medikaynak Icon
Medikaynak Rxmediapharma RxMediaPharma

Derin Öğrenmeyle Akciğer Grafilerinden Uzun Dönem Mortaliteyi Değerlendirme

Yapılan yeni bir çalışmada, bir derin öğrenme modelinin tanısal radyografilerden prognostik bilgi çıkarabileceği hipotezi test edildi.
13 Şubat 2020

Akciğer grafisi tıpta en sık kullanılan tanı görüntüleme testidir. Özellikle yaşlı erişkinlerde daha yaygın kullanılmaktadır. Akciğer grafilerinin çoğu, pnömoni gibi özel bir tanıyı dışladıkları için normal olarak rapor edilir. Bununla birlikte, normal radyografiler bile aortik kalsifikasyon veya kalp büyümesi gibi ek anormallikler ortaya koymaktadır. Doktorlar meslek hayatları boyunca binlerce akciğer grafisi yorumlamaktadırlar, ancak bu hastalarda on yıl sonraki sonuçlar nadiren bilinmektedir. Bu nedenle, hangi özelliklerin uzun dönem prognostik değere sahip olduğunu ifade etmek için bir önsezi geliştirmek zordur.

Prognostik görüntüleme biyolojik belirteçlerini tanımlamak için geleneksel yaklaşım, bireysel bir bulgunun bir değeri olduğunu varsaymak, bulguyu manuel değerlendirmek ve sonuçla ilişkisini test etmektir. Büyük veri kümelerinden otomatik olarak öğrenilen her bir katmanın bileşimi ile birçok katmandan beslenen bir tür yapay zeka türü olan derin öğrenme, hangi bulguların bir değere sahip olduğunu ayırt etmek için insanın yönlendirmesi olmadan tüm görüntünün değerlendirildiği yeni bir yaklaşım sağlar. Referans standardı olarak radyologların bulguları ile göğüs radyografisine dayanarak tanı koymak için derin öğrenme modelleri geliştirilmiştir. Bununla birlikte, derin öğrenmenin akciğer grafilerinden uzun dönem prognozu değerlendirmek için tanının ötesine geçip geçemeyeceği bilinmemektedir.

Yapılan yeni bir çalışmada, bir derin öğrenme modelinin tanısal radyografilerden prognostik bilgi çıkarabileceği hipotezi test edildi. Araştırmacılar akciğer grafilerinden 12 yıllık mortaliteyi öngörmek için CXR-risk adlı bir evrişimsel sinir ağı (CNN) geliştirdiler. Son model, akciğer grafisi taramasının iki yerleşik, çok merkezli klinik araştırmasında test edildi.

Çalışmada, CXR-risk CNN’nin geliştirilmesi (n = 41.856) ve test edilmesinde (n = 10.464) prostat, akciğer, kolorektal ve yumurtalık kanseri tarama araştırmasının (PLCO) tarama radyografi kulundaki veriler kullanıldı (n = 52.320). Dış testlerde, Ulusal Akciğer Tarama Araştırması’nın (NLST) (n = 5.493) tarama radyografi kolundaki veriler kullanıldı. Veri analizi 1 Ocak 2018'den 23 Mayıs 2019'a kadar yapıldı. Birincil sonuç tüm nedenli mortaliteydi. Prognostik değer, radyologların tanı bulguları ve standart risk faktörleri bağlamında ve nedene bağlı ölüm oranı açısından değerlendirildi.

Tek Bir Grafi ile Risk Değerlendirmesi

10.464 PLCO katılımcısının;

  • ortalama yaşları 62,4
  • %51,6’sı erkek
  • ortalama takip süresi 12,2’yıldı.  

5.493 NLST test katılımcısının;

  • ortalama yaşları 61,7
  • %55,3’ü erkek
  • ortalama takip süresi 6,3 yıldı.

PLCO ve NLST katılımcıları arasında, CXR-risk skoru ile mortalite arasında dereceli bir ilişki vardı. Çok yüksek risk grubunun ölüm oranı PLCO için %53,0 ve NLST için %33,9’du ve çok düşük risk grubundan oldukça yüksekti. Bu ilişki, radyologların bulguları ve risk faktörleri için de güçlüydü. Akciğer kanseri ölümü ve kanser dışı kardiyovasküler ölüm ve solunum ölümü için sonuçlar benzerdi.

Araştırmacılar, derin öğrenme CXR risk skorunun, tek bir akciğer grafisinde uzun dönem ölüm riskini ortaya koyduğunu belirttiler. Mortalite riski yüksek olan bireylerin önleme, tarama ve yaşam tarzı müdahalelerinden yararlanabileceğini aktardılar.

Referanslar

Michael T. Lu, Alexander Ivanov, Thomas Mayrhoferet al. Deep Learning to Assess Long-term Mortality From Chest Radiographs, JAMA Netw Open. 2019;2(7):e197416.

BENZER İÇERİKLER