Apa yang berlaku
Penyelidik di Carnegie Mellon University dan UPMC membangunkan algoritma pembelajaran mesin tanpa pengawasan untuk mengenal pasti vaskulopati desidua dalam tisu plasenta, penunjuk utama preeklampsia selepas bersalin. Alat ini menganalisis organisasi spatial sel trofoblas ekstravillous dan sel darah merah untuk menandakan kes yang memerlukan semakan pakar, bertujuan untuk meningkatkan kadar pemeriksaan di AS di mana kurang daripada 20% plasenta sedang diperiksa.
Penyelidik di Jabatan Kejuruteraan Mekanikal di Carnegie Mellon University dan Jabatan Patologi di UPMC membangunkan algoritma pembelajaran mesin untuk menyelaraskan pemeriksaan plasenta untuk preeklampsia. Kajian yang diterbitkan dalam npj Perubatan Digital, menangani cabaran bahawa kurang daripada 20% plasenta di Amerika Syarikat disaring selepas bersalin kerana kekurangan ahli patologi perinatal terlatih.
Algoritma ini memberi tumpuan kepada mengenal pasti vaskulopati desidua, penyakit saluran darah ibu dalam plasenta yang dikaitkan dengan preeklampsia selepas bersalin. Model ini menggunakan sifat penghantaran cahaya yang bergantung kepada noda untuk menganalisis organisasi ruang sel trofoblas ekstravillous (EVT) dan sel darah merah dalam saluran plasenta. Salur yang sihat mempunyai lebih sedikit EVT berbanding sel darah merah, manakala salur yang berpenyakit mempunyai lebih banyak, mewujudkan corak berbeza yang boleh dikesan oleh AI.
Ciri utama model ialah 'skor pemisahan morfologi,' yang mengukur tahap tipikal atau luar biasa organisasi sel. Pendekatan ini membolehkan AI bukan sahaja menandakan penyakit yang berpotensi tetapi juga menerangkan asas biologi untuk kesimpulannya, faktor kritikal untuk membina kepercayaan dalam aplikasi AI klinikal. Para penyelidik menggambarkan proses itu sama seperti mencari kapal berpenyakit tertentu di kalangan beribu-ribu kapal yang kelihatan serupa.
Butiran sumber: medicalxpress.com ↗
Mengapa ia penting
Preeklampsia adalah punca utama kematian berkaitan kehamilan, namun kapasiti diagnostik sangat terhad oleh kekurangan ahli patologi perinatal. Alat AI ini menawarkan penyelesaian berskala untuk mengautomasikan saringan awal, yang berpotensi membenarkan ahli patologi menyemak lebih banyak kes dan mengesan komplikasi selepas bersalin lebih awal. Fokus model pada kebolehjelasan, menggunakan 'skor pemisahan morfologi' untuk menyerlahkan perbezaan biologi, menangani halangan utama kepada penggunaan klinikal dengan memberikan alasan yang telus dan bukannya keluaran kotak hitam.
Preeklampsia kekal sebagai punca utama kematian berkaitan kehamilan, dan komplikasi selepas bersalin boleh muncul beberapa hari atau minggu selepas bersalin. Kesesakan diagnostik semasa ialah kapasiti manusia; tanpa pemeriksaan automatik, ramai pesakit berisiko mungkin tidak menerima pengenalan tepat pada masanya keabnormalan plasenta.
Pembangunan model AI yang boleh dijelaskan adalah penting untuk penggunaan penjagaan kesihatan. Dengan menyediakan perbezaan biologi yang boleh diukur dan bukannya diagnosis kotak hitam, alat ini bertujuan untuk memudahkan kepercayaan di kalangan ahli patologi. Ketelusan ini penting untuk menyepadukan AI ke dalam keputusan perubatan yang mempunyai kepentingan tinggi di mana akauntabiliti adalah yang paling utama.
Kesan yang berpotensi melangkaui praeklampsia. Para penyelidik mencadangkan bahawa model AI berasaskan biomarker yang serupa boleh digunakan untuk keadaan lain, seperti kanser dan penyakit berkaitan otak, di mana pengesanan awal perubahan selular tertentu adalah penting untuk hasil rawatan.
Mekanisme Interaktif: Bagaimana Ia Berfungsi Sebenarnya
Terokai teknologi asas di sebalik pembangunan ini secara interaktif.
Why can ethical evaluation not be reduced to one model score?
Apa yang perlu ditonton seterusnya
Kajian pengesahan klinikal untuk menentukan sensitiviti dan kekhususan algoritma dalam tetapan hospital dunia sebenar. Laluan kawal selia untuk kelulusan FDA terhadap perisian sebagai peranti perubatan. Penyepaduan alat ke dalam aliran kerja patologi hospital sedia ada dan kesannya terhadap kadar keseluruhan pemeriksaan plasenta.
Langkah kritikal seterusnya ialah pengesahan klinikal bebas untuk mengesahkan ketepatan algoritma dalam populasi pesakit yang pelbagai. Walaupun kajian menunjukkan kebolehlaksanaan teknikal, prestasi dunia sebenar dalam tetapan hospital akan menentukan utiliti klinikalnya.
Kelulusan kawal selia akan diperlukan sebelum alat itu boleh digunakan secara meluas. Rangka kerja FDA untuk peranti perubatan berasaskan AI mungkin memerlukan ujian yang ketat untuk memastikan keselamatan dan keberkesanan, yang mungkin mengambil masa beberapa tahun.
Sistem penjagaan kesihatan perlu menilai keberkesanan kos melaksanakan alat pemeriksaan tersebut. Jika AI boleh meningkatkan jumlah plasenta yang disemak oleh pakar patologi dengan ketara, ia boleh membawa kepada campur tangan lebih awal dan hasil kesihatan ibu yang lebih baik.