Новый алгоритм выявляет риск скорого сердечного приступа по скану сетчатки

В основу новой технологии легло глубокое обучение — сложный набор алгоритмов, которые выявляют закономерности в данных и делают собственные прогнозы. Авторы исследования создали платформу, на которую загрузили тысячи изображений с сетчатками глаз и показателями сердца. На снимках отображались как здоровые органы, так и результаты пациентов, страдающих от серьезных заболеваний.

Алгоритмы анализировали эти данные и учились выявлять отклонения от нормы. За время обучения ИИ проверил снимки сетчатки более чем 5 тыс. человек, https://www.theengineer.co.uk/ai-eye-scans-cardiovascular-he... The Engineer. В процессе система установила, как патологии в сетчатке коррелирует с изменениями в сердце пациента. Когда обучение было завершено, ученые подтвердили, что размер и эффективность перекачки левого желудочка, одной из четырех камер сердца, напрямую влияет на структуру сетчатки.

В результате разработчики построили модель, способную найти пациентов, которые могут столкнуться с сердечными приступом в течение ближайших 12 месяцев. Как рассказали ученые, точность системы варьируется от 70% до 80%. Таким образом алгоритм можно использовать в качестве второго реферального механизма при исследовании сердечно-сосудистой системы.

«Эта методика открывает революционные возможности в скрининге сердечных заболеваний. Сканирование сетчатки сравнительно дешево и обычно используется во многих офтальмологических кабинетах. В результате автоматизированного скрининга пациенты с высоким риском заболевания могут быть заблаговременно направлены в специализированные кардиологические службы.

Сканирование также можно использовать для отслеживания ранних признаков сердечных заболеваний», — заявил глава исследования профессор Алекс Франги.

В исследовании и последующей серии экспериментов участвовал ряд ведущих организаций, включая Фонд NHS, Йоркский университет, Институт биомедицинской визуализации Цыси в Нинбо; Университет Лазурного Берега и многие другие. Ученые продолжат изучать новую модель машинного обучения, после чего перейдут к запуску многоэтапных клинических испытаний.