به گزارش مجله خبری نگار،از مدیکال اکسپرس، بیماری عروق کرونر Coronary Artery Disease (CAD)، (CAD) که متداولترین علت مرگ غیرطبیعی در جهان است از باریک شدن یا انسداد عروق کرونری قلب، در اثر تجمع پلاک رخ میدهد. عروق کرونری، رگهایی هستند که خون حاوی اکسیژن را به قلب میرسانند. هرگونه انسداد یا باریک شدگی در این شریانها، حجم خون منتهی به قلب را کاهش میدهد.
بنا بر اعلام سازمان جهانی بهداشت، این بیماری موجب مرگ سالانه ۱۷.۹ میلیون نفر در جهان میشود. آنژیوگرافی عروق قلبی بهترین شیوه برای تشخیص این بیماری؛ اما پرهزینه و تهاجمی است و خطرهایی را برای بیمار ایجاد میکند همچنین برای تشخیص زودهنگام مناسب نیست.
یک گروه تحقیقاتی در دانشگاه پکن در جستجوی شیوه تشخیصی ایمنتر و کمهزینه تر، از هوش مصنوعی برای ساخت یک الگوریتم تشخیصی بر اساس تصویر زبان استفاده کرده است. تحقیقات اخیر درباره توسعه مدلهای تشخیصی برای بیماری عروق کرونر بر فاکتورهای ریسک بالینی تمرکز داشتهاند. مطالعات اخیر همچنین مشخص کرده اند اجزای بیولوژیک بیشتری مانند امواج نبض (پالس) و علامتهای صورت ممکن است نقش مهمی در تشخیص بیماری عروق کرونر داشته باشند. هر چند نشانهها و علایم یک بیمار پایه و اساس تشخیص بالینی را تشکیل میدهند، محققان متوجه شدند پزشکی سنتی چینی راه و روش متفاوتی دارد و بسیار موثر است.
محققان این مطالعه جدید مینویسند: پزشکی سنتی چینی از راهبردهای تشخیصی منحصر به فرد و موثری استفاده میکند، بیماریهای داخلی را ناشی از نشانههای خارجی میداند و از این امکان مشاهده و تشخیص شدت بیماری وجود دارد.
یکی از راههای کلیدی این روش تشخیص زبانی و شامل مشاهده و ارزیابی رنگ و شکل و علایم روی زبان است. زبان مملو از عصبها و مویرگهای خونی است و به عنوان بخش مهمی از سیستم قلبی و عروقی کار و با بروز و پیشروی بیماری بخصوص بیماریهای تاثیرگذار بر گردش خون، شکل ظاهری زبان تغییر میکند.
این محققان برای ساختن ساختار یادگیری ماشینی مورد نیاز، شبکه ResNet-۱۸ را انتخاب کردند که با مجموعهای از دادهها از ImageNet از پیش آموزش داده شده است. این محققان چند الگوریتم یادگیری ماشین را ارزیابی و در نهایت XGBoost را انتخاب کردند که بهترین نتایج را در این زمینه داشت. این الگورتیم تشخیص بیماری عروق کرونر بهترین نتایج را درباره بیماران در سنین ۶۵ سال و بالاتر داشته است همچنین در مواردی که سه فاکتور ریسک یا بیشتر وجود داشته نیز نتیجه تشخیصی بهتری داشته است.
این محققان میگویند کارهای مطالعاتی آینده باید شامل جمعیت مورد مطالعه بزرگتر و متنوعتری باشد تا مدل تشخیصی خود را بهینهسازی و تایید کنند.