Para peneliti telah menggunakan pembelajaran mesin untuk menilai pemindaian kepadatan tulang untuk kalsifikasi di aorta, arteri utama tubuh. Mereka mengatakan metode mereka dapat digunakan untuk memprediksi penyakit kardiovaskular dan penyakit lainnya di masa depan, bahkan sebelum gejala muncul.
Sama seperti kalsifikasi, atau deposit kalsium, di dinding bagian dalam pembuluh darah di jantung bisa menjadi masalah, begitu juga kalsifikasi aorta, arteri terbesar di tubuh. Keluar dari jantung, ia bercabang ke atas untuk memasok darah ke otak dan lengan dan meluas ke perut, di mana ia terbagi menjadi arteri yang lebih kecil yang memasok setiap kaki.
Kalsifikasi aorta abdominal (AAC), kalsifikasi pada bagian aorta yang mengalir melalui abdomen, dapat memprediksi perkembangan penyakit kardiovaskular seperti serangan jantung dan stroke serta menentukan risiko kematian. Penelitian sebelumnya juga menemukan bahwa itu juga merupakan penanda yang dapat diandalkan untuk demensia di akhir kehidupan. AAC terlihat pada pemindaian kepadatan tulang yang biasanya digunakan untuk mendeteksi osteoporosis pada vertebra lumbal, tetapi seorang profesional yang sangat terlatih diperlukan untuk menganalisis gambar-gambar ini, yang membutuhkan waktu.
AAC umumnya diukur oleh spesialis pencitraan terlatih menggunakan sistem penilaian 24 poin, AAC-24. Skor nol mewakili tidak ada kalsifikasi, dan skor 24 mewakili tingkat AAC yang paling parah. Sekarang, para peneliti dari Edith Cowan University di Australia telah beralih ke pembelajaran mesin untuk mempercepat proses penilaian dan penilaian kalsifikasi.
Para peneliti memasukkan 5.012 gambar tulang belakang, yang diambil oleh empat model mesin kepadatan tulang yang berbeda, ke dalam model pembelajaran mesin mereka. Meskipun algoritma lain telah dikembangkan untuk menilai AAC dari jenis gambar ini, para peneliti mengatakan penelitian ini adalah yang terbesar dan yang pertama diuji dalam pengaturan dunia nyata menggunakan gambar yang diambil dari pengujian kepadatan tulang rutin.
Mereka kemudian menilai kinerja model dalam mengklasifikasikan gambar secara akurat ke dalam kategori kalsifikasi rendah, sedang dan tinggi berdasarkan skor AAC-24 mereka. Untuk memeriksa akurasi, skor AAC berbasis pembelajaran mesin dibandingkan dengan skor yang diberikan oleh spesialis manusia. Spesialis dan perangkat lunak tiba pada penentuan yang sama 80% dari waktu. Tiga persen orang dengan skor AAC tinggi salah didiagnosis memiliki skor rendah oleh perangkat lunak.
“Ini penting karena ini adalah individu dengan tingkat penyakit terbesar dan risiko tertinggi kejadian kardiovaskular fatal dan nonfatal dan semua penyebab kematian,” kata Lewis. “Meskipun masih ada pekerjaan yang harus dilakukan untuk meningkatkan akurasi perangkat lunak dibandingkan dengan pembacaan manusia, hasil ini berasal dari algoritma versi 1.0 kami, dan kami telah meningkatkan hasilnya secara substansial dengan versi kami yang lebih baru.”
Para peneliti mengatakan algoritma pembelajaran mesin mereka dapat menganalisis pemindaian kepadatan tulang pada tingkat sekitar 60.000 gambar per hari. Ini adalah peningkatan besar ketika Anda mempertimbangkan bahwa dibutuhkan spesialis rata-rata antara lima dan 15 menit untuk menganalisis satu gambar.
“Karena gambar-gambar ini dan skor otomatis dapat diperoleh dengan cepat dan mudah pada saat pengujian kepadatan tulang, ini dapat mengarah pada pendekatan baru di masa depan untuk deteksi dini penyakit kardiovaskular dan pemantauan penyakit selama praktik klinis rutin,” kata Joshua Lewis, penulis studi yang sesuai.
Dan para peneliti mengatakan metode skrining mereka dapat digunakan untuk menyaring penyakit sebelum gejala muncul.
“Penilaian otomatis terhadap keberadaan dan luasnya AAC dengan akurasi serupa dengan spesialis pencitraan memberikan kemungkinan skrining skala besar untuk penyakit kardiovaskular dan kondisi lainnya – bahkan sebelum seseorang memiliki gejala apa pun,” kata Lewis. “Ini akan memungkinkan orang yang berisiko untuk membuat perubahan gaya hidup yang diperlukan jauh lebih awal dan menempatkan mereka di tempat yang lebih baik untuk menjadi lebih sehat di tahun-tahun berikutnya.”
