研究人员利用机器学习评估骨密度扫描，以发现人体主动脉的钙化情况，他们的方法可用于预测未来的心血管疾病和其他疾病，甚至在症状出现之前。就像心脏血管内壁的钙化或钙沉积会带来问题一样，人体最大的动脉主动脉也会出现钙化。从心脏出来后，主动脉向上分支，为大脑和手臂供血，并向下延伸至腹部，在腹部分成较小的动脉，为每条腿供血。
腹主动脉钙化（AAC）是指主动脉穿过腹部的部分发生钙化，可预测心血管疾病（如心脏病发作和中风）的发展并决定死亡风险。先前的研究还发现，它也是晚年痴呆症的可靠标志。AAC在骨密度扫描中可见，通常用于检测腰椎的骨质疏松症，但需要训练有素的专业人员来分析这些图像，这需要时间。
AAC通常由训练有素的影像专家使用24点评分系统（AAC-24）进行量化。0分代表没有钙化，24分代表最严重的AAC程度。现在，澳大利亚埃迪斯科文大学（Edith Cowan University）的研究人员利用机器学习加快了钙化评估和评分过程。
研究人员将由四种不同型号的骨密度仪拍摄的5012张脊柱图像输入他们的机器学习模型。研究人员说，尽管已经开发了其他算法来评估这些类型图像中的AAC，但这项研究是规模最大的，也是首次在真实世界环境中使用常规骨密度测试图像进行测试。
然后，他们评估了该模型在根据AAC-24评分将图像准确地分为低、中和高钙化类别方面的性能。为了检验准确性，将基于机器学习的AAC评分与人类专家给出的评分进行了比较。专家和软件在80%的情况下得出了相同的结论。有3%的AAC高分者被软件错误地诊断为低分。
人类和机器学习模型给出的AAC评分比较/伊迪丝考文大学
Lewis说：”这是值得注意的，因为这些人的疾病程度最严重，发生致命性和非致命性心血管事件以及全因死亡率的风险最高。虽然与人类读数相比，提高软件的准确性还有很多工作要做，但这些结果是我们1.0版算法的结果，我们已经用最新版本的算法大幅提高了结果。”
研究人员说，他们的机器学习算法可以每天分析大约6万张骨密度扫描图像。考虑到专家分析一张图像平均需要5到15分钟，这是一个巨大的进步。
这项研究的通讯作者约书亚-刘易斯（Joshua Lewis）说：”由于这些图像和自动评分可以在骨密度检测时快速方便地获得，这可能会在未来的常规临床实践中为早期心血管疾病检测和疾病监测带来新方法。”
研究人员说，他们的筛查方法可用于在症状出现前筛查疾病。
Lewis说：”自动评估AAC的存在和程度，其准确性与成像专家相似，这为大规模筛查心血管疾病和其他疾病提供了可能–甚至在某人出现任何症状之前。这将使高危人群更早地做出必要的生活方式改变，使他们在晚年更健康。”
这项研究发表在《eBioMedicine》杂志上。
文章为互联网资源，版权归原作者所有，发布者：头条新闻，转转请注明出处：https://www.fangxiaofeng.com/jk/4632.html
