อาการหัวใจวายเกิดขึ้นเมื่อหลอดเลือดหัวใจตีบที่ทำหน้าที่จัดหาเลือดและออกซิเจนให้กับหัวใจ สิ่งนี้ไม่ได้เกิดขึ้นชั่วข้ามคืนและมักเป็นผลมาจากคราบไขมันหรือแคลเซียมที่ค่อยๆ สะสม ในตอนแรก แผ่นโลหะเหล่านี้จะขัดขวางการส่งเลือดไปยังกล้ามเนื้อหัวใจอย่างมีประสิทธิภาพ ในที่สุด การแตกของคราบพลัคหนึ่งอาจทำให้ลิ่มเลือดก่อตัว ปิดกั้นหลอดเลือดหัวใจและป้องกันการไหลเวียนของกล้ามเนื้อหัวใจ ด้วยเหตุผลนี้
การกลายเป็นปูนของหลอดเลือดหัวใจจึงเป็นตัวทำนาย
ที่สำคัญและเป็นอิสระต่อเหตุการณ์ที่ไม่พึงประสงค์ของหัวใจและหลอดเลือด เช่น หัวใจวาย แต่ทั้งๆ ที่ความรู้นี้ และความจริงที่ว่าสามารถประเมินได้จากการสแกน CT หน้าอกใดๆ ก็ตาม การหาปริมาณแคลเซียมในหลอดเลือดหัวใจ (CAC) ไม่ได้ถูกรวมเข้ากับวิถีของผู้ป่วยโดยอัตโนมัติ เนื่องจากต้องใช้ความเชี่ยวชาญด้านรังสี เวลา และอุปกรณ์พิเศษ เพื่อแก้ไขปัญหานี้ ทีมสหสาขาวิชาชีพจากBrigham and Women’s Hospital ‘s Artificial Intelligence in Medicine ProgramนำโดยHugo Aerts และ ศูนย์วิจัยการถ่ายภาพหัวใจและหลอดเลือดของ Massachusetts General Hospital ซึ่งนำโดยUdo Hoffmannได้พัฒนาและทดสอบอัลกอริธึมการเรียนรู้เชิงลึกที่สามารถหาปริมาณได้โดยอัตโนมัติ CAC จากการสแกน CT หน้าอก ผลการวิจัยของพวกเขาได้รับการรายงานในNature Communicationsและอัลกอริธึมมีให้ใช้งานเป็นซอฟต์แวร์โอเพ่นซอร์สฟรีที่เว็บไซต์AIM
“ในทางทฤษฎี ระบบการเรียนรู้เชิงลึกทำหน้าที่หลายอย่างที่มนุษย์จะทำเพื่อหาปริมาณแคลเซียม” Roman Zeleznik ผู้เขียนคนแรก กล่าว “เอกสารของเราแสดงให้เห็นว่าอาจเป็นไปได้ที่จะทำเช่นนี้โดยอัตโนมัติ” พัฒนาจากการสแกน 1636 ครั้ง ทดสอบกับผู้ป่วย 20,084 ราย
ในการพัฒนาอัลกอริธึม นักวิจัยได้ใช้การสแกนจากFramingham Heart Studyซึ่งเป็นการศึกษาเกี่ยวกับระบบหัวใจและหลอดเลือดที่กำลังดำเนินอยู่ ซึ่งตั้งแต่ปี 1948 ได้มีการตรวจสอบสุขภาพของชาวเมือง Framingham รัฐแมสซาชูเซตส์ พวกเขาใช้การสแกน CT 1636 ชิ้นจากการศึกษา (ได้มาจากรุ่นที่สามเป็นต้นไป) เพื่อระบุและหาปริมาณ CAC โดยใช้การแบ่งส่วนด้วยตนเองที่ดำเนินการโดยผู้อ่าน CT ผู้เชี่ยวชาญเป็นความจริงพื้นฐานในการฝึกอบรมระบบการเรียนรู้เชิงลึก
ระบบการเรียนรู้เชิงลึกใช้โครงข่ายประสาทเทียม
แบบบิดต่อเนื่องสามโครงข่ายเพื่อทำนายศูนย์หัวใจ แบ่งส่วนหัวใจ และแบ่งส่วนและระบุแคลเซียมในหลอดเลือดภายในเวลาน้อยกว่า 2 วินาที จากนั้นจะคำนวณคะแนน CAC และแบ่งชั้นออกเป็นหมวดหมู่ที่เกี่ยวข้องทางคลินิก: ต่ำมาก (CAC=0); ต่ำ (CAC=1–100); ปานกลาง (CAC=101–300); และสูง (CAC>300)
จุดแข็งของการศึกษาอยู่ในความกว้างและขอบเขต ของชุดข้อมูลที่ระบบการเรียนรู้เชิงลึกได้รับการทดสอบในภายหลัง ทีมงานใช้กลุ่มประชากรตามรุ่น 4 กลุ่มที่มุ่งเน้นไปที่พยาธิสภาพที่แตกต่างกัน: 663 ผู้เข้าร่วม Framingham Heart Study ที่ได้รับ CT หัวใจ (ไม่มีใครอยู่ในกลุ่มฝึกอบรม); ผู้สูบบุหรี่หนัก 14,959 คนได้รับการตรวจ CT มะเร็งปอด ( การทดลอง NLST ); ผู้ป่วย 4021 รายที่มีอาการเจ็บหน้าอกคงที่โดยใช้หัวใจ CT ( PROMISE trial ); และผู้ป่วย 441 รายที่มีอาการเจ็บหน้าอกเฉียบพลันที่มีหัวใจ CT ( ROMICAT-II trial)
ขั้นแรก ทีมงานตรวจสอบว่าระบบมีความแม่นยำในการสแกน 5521 ครั้งซึ่งมีการวัดของผู้เชี่ยวชาญหรือไม่ คะแนน CAC ของอัลกอริทึมมีความสัมพันธ์อย่างมากกับการให้คะแนนด้วยตนเอง และความแตกต่างส่วนใหญ่เกิดขึ้นระหว่างประเภทความเสี่ยงที่อยู่ติดกัน
การทำนายเหตุการณ์หัวใจและหลอดเลือดในอนาคต
ทีมงานยังได้ตรวจสอบศักยภาพการทำนายของระบบด้วย เนื่องจากผู้ป่วยที่ลงทะเบียนในการศึกษาเหล่านี้มักจะมีการติดตามผล นักวิจัยมองหาความสัมพันธ์ระหว่างคะแนน CAC กับเหตุการณ์หัวใจและหลอดเลือด ตัวอย่างเช่น ในการศึกษา NLST ค่ามัธยฐานของเวลาในการติดตามผลคือ 6.7 ปีหลังจากได้รับการสแกน CT ครั้งแรก พวกเขาเห็นความสัมพันธ์ที่ชัดเจนระหว่างคะแนน CAC กับการเสียชีวิตจากโรคหัวใจและหลอดเลือด โดยพิจารณากลุ่มคะแนน CAC ที่ต่ำมากเป็นข้อมูลอ้างอิง กลุ่มที่มีคะแนนต่ำ ปานกลาง และสูง มีผู้เสียชีวิตดังกล่าวเพิ่มขึ้น 57%, 179% และ 287% ตามลำดับ แนวโน้มที่คล้ายคลึงกันถูกพบในการศึกษาอื่นๆ
ความหลากหลายของชุดข้อมูลที่ใช้ช่วยเสริมความแข็งแกร่ง
ให้กับผลลัพธ์ทั่วไปในการตั้งค่าทางคลินิก “คะแนนแคลเซียมของหลอดเลือดหัวใจสามารถช่วยให้ผู้ป่วยและแพทย์ตัดสินใจอย่างมีข้อมูลและเป็นส่วนตัวเกี่ยวกับการใช้ยาสแตติน [ยาที่ช่วยลดคอเลสเตอรอลและความเสี่ยงต่ออาการหัวใจวาย] จากมุมมองทางคลินิก เป้าหมายระยะยาวของเราคือการนำระบบการเรียนรู้เชิงลึกนี้ไปใช้ในบันทึกสุขภาพอิเล็กทรอนิกส์ เพื่อระบุผู้ป่วยที่มีความเสี่ยงสูงโดยอัตโนมัติ” Michael Luผู้ เขียนร่วมสรุป
“เนื่องจากคุณสมบัติทางชีวภาพที่แท้จริงและคุณสมบัติทางชีวเคมีของอนุภาคนาโนซิลิกาที่บรรจุไอออน/ยา การรวมไว้ใน GelMA ทำให้สามารถแยกแยะความแตกต่างระหว่างเซลล์ต้นกำเนิด mesenchymal ที่มีต่อ osteoblasts ซึ่งเป็นเซลล์ที่สร้างกระดูกตามธรรมชาติ โดยไม่ต้องมีการเสริมสังเคราะห์เพิ่มเติมซึ่งปกติจำเป็นสำหรับ กระบวนการนี้” Mano กล่าวกับPhysics World
ขณะนี้นักวิจัยกำลังสำรวจการสร้างโครงสร้างที่มีความซับซ้อนทางสัณฐานวิทยามากขึ้นโดยใช้หมึกชีวภาพตัวใหม่นี้ “เรายังใช้เทคโนโลยีการพิมพ์ชีวภาพแบบ 3 มิติขั้นสูง เช่น การพิมพ์ชีวภาพแบบแขวนลอยโดยใช้อ่างรองรับที่มีความยืดหยุ่นสูง” Mano กล่าว “สิ่งนี้ช่วยให้สามารถพิมพ์ทางชีวภาพแบบอิสระอย่างแท้จริงและการผลิตโครงสร้างที่ใช้หมึกชีวภาพนาโนคอมโพสิตที่มีลำดับสูงกว่า”
การเพิ่ม qubits ลงในคอมพิวเตอร์ควอนตัมนั้นยากกว่าการเพิ่มบิตลงในคอมพิวเตอร์แบบคลาสสิก เนื่องจากแต่ละ qubit (ซึ่งอาจเป็นไอออนที่ติดอยู่ วงจรตัวนำยิ่งยวด ศูนย์เพชรไนโตรเจนว่าง หรืออาการทางกายภาพอื่น ๆ อีกมากมายของสถานะควอนตัม) สามารถรับการโต้ตอบเชิงตรรกะที่จำเป็นในขณะที่ยังได้รับการปกป้องจากสัญญาณรบกวน ซึ่งสามารถทำลายข้อมูลควอนตัมได้
แหล่งสัญญาณรบกวนที่สำคัญคือการรบกวนระหว่าง qubits หลายตัว: “สมมติว่ามีสามหรือสี่ qubits ในอุปกรณ์เครื่องเดียวและคุณต้องการทำประตูระหว่างเพียงสองเครื่อง” Severin Daissจาก Max Planck Institute of Quantum Optics ใน Garching อธิบาย; “เนื่องจากพวกมันทั้งหมดอยู่ในอุปกรณ์เครื่องเดียว คุณยังคงสามารถ crosstalk ของ qubit สองตัวนั้นกับ qubit อื่น ๆ ที่ไม่ควรมีส่วนร่วมในการคำนวณ” ยิ่งมีการเพิ่ม qubits ลงในอุปกรณ์เครื่องเดียว ปัญหาการครอสทอล์คก็จะยิ่งรุนแรงขึ้น ปัจจัยอื่นๆ ที่ทำให้เกิดปัญหาในแพลตฟอร์มเฉพาะ ได้แก่ ความยากในการจัดการ qubits เฉพาะในรีจิสเตอร์ขนาดใหญ่ พื้นที่จำกัด และปัญหาเกี่ยวกับการกำจัดความร้อนจากตัวอย่างไครโอเจนิกส์ขนาดใหญ่
Credit : parkerhousewallace.com partyservicedallas.com pastorsermontv.com planosycapacetes.com platterivergolf.com
