به گزارش هم‌نوا به نقل از رکنا، این یافته ها جهشی را در تصویربرداری پزشکی نشان می دهد و راه را برای تشخیص و مداخله زودهنگام بیماری هموار می کند. نتایج در The Lancet Healthy Longevity منتشر شده است.

تیم تحقیقاتی به سرپرستی دانشجوی فارغ التحصیل یاسوهیتو میتسویاما و دکتر دایجو اوئدا از دپارتمان رادیولوژی تشخیصی و مداخله ای در دانشکده تحصیلات تکمیلی پزشکی، دانشگاه متروپولیتن اوزاکا، ابتدا یک مدل هوش مصنوعی مبتنی بر یادگیری عمیق برای تخمین سن از طریق رادیوگرافی قفسه سینه افراد سالم ساختند.

آنها سپس این مدل را برای رادیوگرافی بیماران مبتلا به بیماری های شناخته شده به کار بردند تا رابطه بین سن تخمینی هوش مصنوعی و هر بیماری را تجزیه و تحلیل کنند. با توجه به اینکه هوش مصنوعی آموزش‌دیده بر روی یک مجموعه داده مستعد بیش از حد برازندگی است، محققان داده‌ها را از چندین موسسه جمع‌آوری کردند.

برای توسعه، آموزش، آزمایش‌های داخلی و خارجی مدل هوش مصنوعی برای تخمین سن، در مجموع ۶۷۰۹۹ رادیوگرافی قفسه سینه بین سال‌های ۲۰۰۸ تا ۲۰۲۱ از ۳۶۰۵۱ فرد سالمی که در سه مرکز تحت معاینات سلامت قرار گرفتند، تهیه شد. مدل توسعه یافته ضریب همبستگی ۰.۹۵ را بین سن تخمین زده شده توسط هوش مصنوعی و سن تقویمی نشان داد. به طور کلی، ضریب همبستگی ۰.۹ یا بالاتر بسیار قوی در نظر گرفته می شود.

برای تأیید سودمندی سن تخمین زده شده توسط هوش مصنوعی با استفاده از رادیوگرافی قفسه سینه به عنوان نشانگر زیستی، ۳۴۱۹۷ رادیوگرافی قفسه سینه اضافی از ۳۴۱۹۷ بیمار مبتلا به بیماری های شناخته شده از دو موسسه دیگر جمع آوری شد.

نتایج نشان داد که تفاوت بین سن تخمینی AI و سن تقویمی بیمار با انواع بیماری‌های مزمن مانند فشار خون بالا، هیپراوریسمی و بیماری انسدادی مزمن ریوی همبستگی مثبت دارد. به عبارت دیگر، هر چه سن تخمین زده شده توسط هوش مصنوعی در مقایسه با سن تقویمی بالاتر باشد، احتمال ابتلای افراد به این بیماری ها بیشتر می شود.

میتسویاما اظهار داشت: سن تقویمی یکی از مهم ترین عوامل در پزشکی است. نتایج ما نشان می دهد که سن ظاهری مبتنی بر رادیوگرافی قفسه سینه ممکن است به طور دقیق منعکس کننده شرایط سلامتی فراتر از سن تقویمی باشد. هدف ما توسعه بیشتر این تحقیق و استفاده از آن برای تخمین شدت بیماری های مزمن، پیش بینی امید به زندگی و پیش بینی عوارض احتمالی جراحی است.