یادگیری ماشینی از دست دادن بینایی را پیش‌بینی می‌کند

فهرست مطالب نمایش

خلاصه: یک مطالعه شگفتی‌ساز توسط دانشگاه پزشکی و دندان‌پزشکی توکیو، یک مدل یادگیری ماشینی را معرفی کرده است که قادر به پیش‌بینی اختلال بینایی طولانی‌مدت در بیماران مبتلا به نزدیک‌بینی بالا است. این مدل با استفاده از یک مجموعه داده از 34 متغیر مربوط به معاینه چشم و یک نوموگرام (Nomogram) مناسب برای بیمار جهت تفسیر آسان، گام مهمی را در مبارزه با چالش جهانی از دست دادن بینایی برمی‌دارد.

یادگیری ماشینی از دست دادن بینایی را پیش‌بینی می‌کند

محققان دانشگاه پزشکی و دندان‌پزشکی توکیو (Tokyo Medical and Dental University (TMDU)) مدل‌هایی مبتنی بر یادگیری ماشینی توسعه داده‌اند که حدت بینایی طولانی‌مدت را در بیماران مبتلا به نزدیک‌بینی بالا (یکی از سه علت اصلی نابینایی غیرقابل برگشت در بسیاری از مناطق جهان) پیش‌بینی می‌کند.

محققان دانشگاه پزشکی و دندانپزشکی توکیو (TMDU) مدل‌های یادگیری ماشینی را برای پیش‌بینی حدت بینایی در بیماران مبتلا به نزدیک‌بینی بالا توسعه دادند. یک مطالعه هم‌گروهی (کوهورت، Cohort study) از 967 بیمار برای ارزیابی این مدل‌ها استفاده شد. نتایج نشان می‌دهد که یک مدل رگرسیون حدت بینایی را در 3 و 5 سال با دقت پیش‌بینی می‌کند و یک مدل طبقه‌بندی باینری می‌تواند این خطر را در 5 سال آینده برای بیماران پیش‌بینی و تصویرسازی کند، که پتانسیل این مدل را در ارزیابی و نظارت بالینی نشان می‌دهد.

مشخص شده است که یادگیری ماشینی نتایج بسیاری از شرایط سلامتی را به خوبی پیش‌بینی می‌کند. اکنون محققان ژاپنی راهی برای پیش‌بینی اینکه آیا افراد مبتلا به نزدیک‌بینی شدید در آینده بینایی خوب خواهند داشت یا بد، یافته‌اند.

در مطالعه‌ای که اخیراً در JAMA Ophthalmology منتشر شده است، محققان دانشگاه پزشکی و دندان‌پزشکی توکیو (TMDU) یک مدل یادگیری ماشینی ایجاد کردند که برای پیش‌بینی و تصویرسازی خطر اختلال بینایی در دراز مدت، به خوبی کار می‌کند.

نزدیک‌بینی ماکولوپاتی (Myopic maculopathy)، که به عنوان نزدیک‌بینی تباهی لکه زرد یا دژنراسیون ماکولا (Macular degeneration) نیز شناخته می‌شود، یکی از ویژگی‌های کلیدی نزدیک‌بینی پاتولوژیک (pathologic myopia) است. در سیستم طبقه‌بندی META-PM، ضایعات نزدیک‌بینی ماکولوپاتی به پنج دسته شامل: بدون ضایعات نزدیک‌بینی شبکیه (دسته 0)، فوندوس دارای طرح موزاییکی (Tessellated fundus) (دسته 1، شکل A)، آتروفی کوریورتینال منتشر (Diffuse chorioretinal atrophy) (دسته 2، شکل B و C)، آتروفی کوریورتینال تکه‌ای (Patchy chorioretinal atrophy) (دسته 3، شکل D؛ قسمت‌‌هایی که با فلش مشخص شده) و آتروفی ماکولا (Macular atrophy) (دسته 4، شکل E و F) طبقه‌بندی می‌شوند.

نزدیک‌بینی بالا و خطرات آن

افراد مبتلا به نزدیک‌بینی شدید می‌توانند به وضوح اجسامی را که در نزدیکی آن‌ها قرار دارند، ببینند اما نمی‌توانند روی اشیاء دور تمرکز کنند. برای اصلاح بینایی می‌توان از لنز‌های چشمی، عینک یا جراحی استفاده کرد، اما داشتن نزدیک‌بینی بالا فقط ناخوشایند نیست. نیمی از مواقع منجر به بروز وضعیتی به نام نزدیک‌بینی پاتولوژیک می‌شود و عوارض ناشی از نزدیک بینی پاتولوژیک علت اصلی نابینایی است.

رویکرد تحقیق و یافته‌ها

Yining Wang، نویسنده اصلی این مطالعه، می‌گوید: «ما می‌دانیم که الگوریتم‌های یادگیری ماشینی روی کارهایی مانند شناسایی تغییرات و عوارض در نزدیک‌بینی به خوبی کار می‌کنند، اما در این مطالعه، ما می‌خواستیم چیز متفاوتی را بررسی کنیم، یعنی این‌که این الگوریتم‌ها در پیش‌بینی‌های بلندمدت چقدر خوب هستند.»

یک نوموگرام که برای تصویرسازی مدل ساخته شد. هر چه طول خط بیشتر باشد، تأثیر متغیرها بر وجود اختلال بینایی در 5 سال بیشتر است. هر متغیر دارای امتیازهای متناظر خود بوده که می‌توان آن را برای محاسبه امتیازات کل و ریسک متناظر بروز اختلال بینایی اضافه کرد.

برای انجام این کار، این تیم تحقیقاتی یک مطالعه کوهورت انجام داد و حدت بینایی 967 بیمار ژاپنی در مرکز بالینی پیشرفته TDMU از نظر نزدیک‌بینی پس از 3 و 5 سال بررسی کرد. آن‌ها یک مجموعه داده از 34 متغیر ایجاد کردند که معمولاً در طول معاینات چشمی جمع‌آوری شده بودند، مانند سن، حدت بینایی فعلی و قطر قرنیه. سپس چندین مدل معروف یادگیری ماشینی مانند جنگل‌های تصادفی و ماشین‌های بردار پشتیبان (Support vector machine) را آزمایش کردند. از بین این مدل‌ها، مدل مبتنی بر رگرسیون لجستیک بهترین عملکرد را در پیش‌بینی اختلال بینایی در 5 سال داشت.

تصویرسازی و رفع اختلال بینایی

با این حال، پیش‌بینی نتایج تنها بخشی از داستان است. Kyoko Ohno-Matsui، نویسنده ارشد می‌گوید: «همچنین مهم است که خروجی مدل را به گونه‌ای ارائه کنیم که درک آن برای بیماران آسان باشد و برای تصمیم گیری بالینی راحت باشد. برای انجام این کار، محققان از یک نوموگرام برای تصویرسازی مدل طبقه‌بندی استفاده کردند. به هر متغیر یک خط با یک طول اختصاص داده می‌شود که نشان می‌دهد چقدر برای پیش‌بینی حدت بینایی اهمیت دارد. این طول‌ها را می‌توان به امتیازهایی تبدیل کرد که می‌توان آن‌ها را برای به دست آوردن امتیاز نهایی که خطر اختلال بینایی در آینده را توضیح می‌دهد، جمع کرد.

تأثیر گسترده‌تر

افرادی که به طور دائم بینایی خود را از دست می‌دهند، اغلب در نتیجه از دست دادن استقلال، هم از نظر مالی و هم از نظر جسمی آسیب می‌بینند. کاهش بهره‌وری جهانی ناشی از اختلال شدید بینایی در سال 2019، 94.5 میلیارد دلار برآورد شد. اگرچه این مدل هنوز باید در جمعیت بزرگ‌تری ارزیابی شود، این مطالعه نشان داده است که مدل‌های یادگیری ماشینی پتانسیل خوبی برای کمک به رسیدگی به این نگرانی فزاینده سلامت عمومی دارند، که هم به نفع افراد و هم به طور کلی جامعه است.

همچنین بخوانید:

منبع

مترجم: صادق حسینی‌کیا

از این مطلب چقدر راضی بودید؟

روی ستاره کلیک کنید تا نظرتون ثبت بشه