Νέες δημοσιεύσεις
Οι καρδιολόγοι έχουν εκπαιδεύσει ένα μεγάλο μοντέλο τεχνητής νοημοσύνης για την αξιολόγηση της δομής και της λειτουργίας της καρδιάς
Τελευταία επισκόπηση: 02.07.2025
Όλα τα περιεχόμενα του iLive ελέγχονται ιατρικά ή ελέγχονται για να διασφαλιστεί η όσο το δυνατόν ακριβέστερη ακρίβεια.
Έχουμε αυστηρές κατευθυντήριες γραμμές προμήθειας και συνδέουμε μόνο με αξιόπιστους δικτυακούς τόπους πολυμέσων, ακαδημαϊκά ερευνητικά ιδρύματα και, όπου είναι δυνατόν, ιατρικά επισκοπικά μελέτες. Σημειώστε ότι οι αριθμοί στις παρενθέσεις ([1], [2], κλπ.) Είναι σύνδεσμοι με τις οποίες μπορείτε να κάνετε κλικ σε αυτές τις μελέτες.
Εάν πιστεύετε ότι κάποιο από το περιεχόμενό μας είναι ανακριβές, παρωχημένο ή αμφισβητήσιμο, παρακαλώ επιλέξτε το και πατήστε Ctrl + Enter.
Ειδικοί στην τεχνητή νοημοσύνη στα Cedars-Sinai και στο Smidt Heart Institute δημιούργησαν ένα σύνολο δεδομένων με περισσότερα από 1 εκατομμύριο ηχοκαρδιογραφήματα (βίντεο-υπερηχογραφήματα της καρδιάς) και τις αντίστοιχες κλινικές ερμηνείες τους. Χρησιμοποιώντας αυτήν τη βάση δεδομένων, ανέπτυξαν το EchoCLIP, έναν ισχυρό αλγόριθμο μηχανικής μάθησης που μπορεί να «ερμηνεύσει» εικόνες ηχοκαρδιογραφημάτων και να αξιολογήσει βασικές μετρήσεις.
Ο σχεδιασμός και η αξιολόγηση του EchoCLIP, που περιγράφονται σε άρθρο που δημοσιεύτηκε στο Nature Medicine, υποδηλώνουν ότι η ερμηνεία του ηχοκαρδιογραφήματος ενός ασθενούς χρησιμοποιώντας το EchoCLIP παρέχει κλινικές αξιολογήσεις σε εξειδικευμένο επίπεδο, συμπεριλαμβανομένης της αξιολόγησης της καρδιακής λειτουργίας, των αποτελεσμάτων προηγούμενων χειρουργικών επεμβάσεων και των εμφυτευμένων συσκευών, και μπορεί να βοηθήσει τους γιατρούς να εντοπίσουν ασθενείς που χρειάζονται θεραπεία.
Το βασικό μοντέλο EchoCLIP μπορεί επίσης να αναγνωρίσει τον ίδιο ασθενή σε πολλά βίντεο, μελέτες και χρονικά σημεία, και να αναγνωρίσει κλινικά σημαντικές αλλαγές στην καρδιά του ασθενούς.
«Από όσο γνωρίζουμε, αυτό είναι το μεγαλύτερο μοντέλο που έχει εκπαιδευτεί σε εικόνες ηχοκαρδιογραφίας », δήλωσε ο επικεφαλής συγγραφέας της μελέτης David Ouyang, MD, μέλος ΔΕΠ στο Τμήμα Καρδιολογίας του Smidt Heart Institute και στο Τμήμα Τεχνητής Νοημοσύνης στην Ιατρική.
«Πολλά προηγούμενα μοντέλα τεχνητής νοημοσύνης για ηχοκαρδιογραφήματα εκπαιδεύονται μόνο σε δεκάδες χιλιάδες παραδείγματα. Αντίθετα, η μοναδικά υψηλή απόδοση του EchoCLIP στην ερμηνεία εικόνων είναι το αποτέλεσμα εκπαίδευσης σε σχεδόν δέκα φορές περισσότερα δεδομένα από τα υπάρχοντα μοντέλα.»
«Τα αποτελέσματά μας δείχνουν ότι μεγάλα σύνολα δεδομένων ιατρικής απεικόνισης και επαληθευμένες από ειδικούς ερμηνείες μπορούν να χρησιμεύσουν ως βάση για την εκπαίδευση βασικών ιατρικών μοντέλων, τα οποία αποτελούν μια μορφή γενετικής τεχνητής νοημοσύνης», πρόσθεσε ο Ouyang.
Ροή εργασίας EchoCLIP. Πηγή: Nature Medicine (2024). DOI: 10.1038/s41591-024-02959-y
Σημείωσε ότι αυτό το προηγμένο βασικό μοντέλο θα μπορούσε σύντομα να βοηθήσει τους καρδιολόγους να αξιολογήσουν τα ηχοκαρδιογραφήματα δημιουργώντας εκτιμήσεις των καρδιακών μετρήσεων, εντοπίζοντας αλλαγές με την πάροδο του χρόνου και κοινές ασθένειες.
Η ερευνητική ομάδα δημιούργησε ένα σύνολο δεδομένων 1.032.975 βίντεο καρδιακού υπερήχου και αντίστοιχες ερμηνείες ειδικών για την ανάπτυξη του EchoCLIP. Τα βασικά ευρήματα της μελέτης περιλαμβάνουν:
- Το EchoCLIP επέδειξε υψηλή απόδοση στην αξιολόγηση της καρδιακής λειτουργίας από καρδιακές εικόνες.
- Το βασικό μοντέλο ήταν σε θέση να αναγνωρίσει εμφυτευμένες ενδοκαρδιακές συσκευές όπως βηματοδότες, εμφυτεύματα μιτροειδούς βαλβίδας και εμφυτεύματα αορτικής βαλβίδας από εικόνες ηχοκαρδιογραφήματος.
- Το EchoCLIP εντόπισε με ακρίβεια μοναδικούς ασθενείς σε όλες τις μελέτες, ανίχνευσε κλινικά σημαντικές αλλαγές όπως προηγούμενη καρδιοχειρουργική επέμβαση και επέτρεψε την ανάπτυξη προκαταρκτικών ερμηνειών κειμένου των εικόνων ηχοκαρδιογραφήματος.
«Τα βασικά μοντέλα είναι ένας από τους νεότερους τομείς στην παραγωγική τεχνητή νοημοσύνη, αλλά τα περισσότερα μοντέλα δεν διαθέτουν αρκετά ιατρικά δεδομένα για να είναι χρήσιμα στην υγειονομική περίθαλψη», δήλωσε η Christina M. Albert, MD, MPH, πρόεδρος του Τμήματος Καρδιολογίας στο Smidt Heart Institute.
Ο Άλμπερτ, ο οποίος δεν συμμετείχε στη μελέτη, πρόσθεσε: «Αυτό το νέο βασικό μοντέλο ενσωματώνει την όραση υπολογιστή για την ερμηνεία εικόνων ηχοκαρδιογραφήματος με την επεξεργασία φυσικής γλώσσας για τη βελτίωση των ερμηνειών των καρδιολόγων».