پیشگیری از دیابت چشمی به کمک هوش مصنوعی امکان پذیر است

در مطالعه‌ای که اخیراً در Nature Medicine منتشر شده است، محققان چینی یک سیستم یادگیری عمیق (DL) به نام «DeepDR Plus» برای پیش‌بینی پیشرفت رتینوپاتی دیابتی (DR) با استفاده از تصاویر فوندوس بیماران ایجاد کردند. آنها دریافتند که این سیستم می تواند با موفقیت خطر و زمان پیشرفت DR را ظرف پنج سال پیش بینی کند و راه هایی را برای رژیم های غربالگری فردی باز کند.

به گزارش دکتر نیوز، DR معمولاً به عنوان یک عارضه بدون علامت در بزرگسالان مبتلا به دیابت ایجاد می شود، اما ممکن است به مرور زمان منجر به کوری قابل پیشگیری شود. خطر پیشرفت DR در بین افراد متغیر است و تحت تأثیر عوامل متعددی قرار می گیرد. بنابراین، پیش‌بینی خطر و میزان پیشرفت DR در بیماران چالش برانگیز است. در نتیجه، به بیماران توصیه می شود هر سال برای DR غربالگری کنند. فقدان یک مدل ریسک شخصی و سیستم پیش‌بینی دقیق، پزشکان را از توصیه افزایش فاصله غربالگری با وجود این که رویکرد بسیار مقرون به صرفه است، باز می‌دارد.

هوش مصنوعی (مخصوصا DL) در تشخیص خودکار DR از تصاویر شبکیه نویدبخش است. با این حال، تحقیقات فعلی فاقد پیش‌بینی خطر آینده‌نگر برای شروع و پیشرفت DR فراتر از یک بازه زمانی دو ساله است و مطالعات بیشتری برای ارزیابی تأثیر بر نتایج بیمار و ادغام در جریان‌های کاری بالینی مورد نیاز است.

برای پرداختن به این شکاف ها، محققان در مطالعه حاضر بر اساس کار قبلی خود ساخته شده و “DeepDR Plus” را به عنوان ابزاری برای پیش بینی مسیرهای پیشرفت DR تا پنج سال آینده توسعه، تأیید و آزمایش کردند. علاوه بر این، آنها نتیجه این ابزار را از طریق یک مطالعه واقعی در بیماران مبتلا به دیابت نشان دادند.

DeepDR Plus بر روی 717,308 تصویر فوندوس از 179,327 فرد دیابتی که در سیستم یکپارچه پیشگیری و مراقبت از دیابت شانگهای و برنامه پیشگیری از دیابت شانگهای ثبت نام کرده بودند، از قبل آموزش دیده بود. توسعه و اعتبارسنجی داخلی با استفاده از مجموعه داده‌ای از 76400 تصویر فوندوس از گروه مطالعه پیشرفت رتینوپاتی دیابتی (DRPS) انجام شد که بیشتر به مجموعه‌های تست رشدی و داخلی تقسیم می‌شوند. برای ارزیابی عملکرد مدل فوندوس از شاخص تطابق (C-index) و یکپارچه امتیاز بریر (IBS) استفاده شد. تعمیم‌پذیری مدل از طریق اعتبارسنجی‌های خارجی با استفاده از هشت گروه طولی مستقل با داده‌های جمعیت‌شناختی، آنتروپومتریک و بیوشیمیایی پایه جامع ارزیابی شد. نمرات DR بر اساس مقیاس بین المللی شدت بیماری رتینوپاتی دیابتی بالینی توزیع شد. سه زیر گروه از بیماران برای تجزیه و تحلیل بیشتر ایجاد شدند: (1) دیابت بدون رتینوپاتی به DR، (2) DR غیر قابل ارجاع به DR قابل ارجاع، و (3) DR غیر تهدید کننده بینایی به DR تهدید کننده بینایی. تجزیه و تحلیل آماری شامل استفاده از آزمون log-rank، تحلیل رگرسیون کاکس و تعیین سطح زیر منحنی، میانگین خطای مطلق و ضریب تعیین بود.

برای استفاده از DeepDR Plus در یک محیط واقعی، یک مطالعه کوهورت آینده نگر مبتنی بر جامعه انجام شد. این شامل 2185 بزرگسال چینی بود که به گروه های مدیریت یکپارچه (IM) و غیر IM تقسیم شدند. مدل فوندوس و فراداده برای ارزیابی خطر پیشرفت DR استفاده شد. علاوه بر این، یک مطالعه واقعی در یک گروه آینده نگر هندی در میان 992 بیمار دیابتی که تحت چهار سال پیگیری قرار گرفتند، انجام شد.

در نتیجه، DeepDR Plus، با استفاده از تصاویر پایه فوندوس، می تواند به طور قوی خطر شخصی و زمان پیشرفت DR را پیش بینی کند. کاربرد دنیای واقعی افزایش احتمالی فواصل غربالگری را تا حدود 32 ماه پیشنهاد می کند. این یافته ها نشان دهنده ادغام امیدوار کننده ابزار در گردش کار بالینی برای استراتژی های مدیریت فردی DR برای بهبود نتایج بیمار است.