כל כך קשה לזהות אוסטאופורוזיס בשלב מוקדם שזה נקרא "המחלה השקטה". מה אם בינה מלאכותית יכולה לעזור לחזות את סיכוייו של חולה ללקות במחלת אובדן העצם לפני שהוא נכנס אי פעם למרפאתו של הרופא?
חוקרים מאוניברסיטת Tulane התקדמו לעבר חזון זה על ידי פיתוח אלגוריתם חדש של למידה עמוקה, שגבר על שיטות חיזוי סיכון לאוסטאופורוזיס מבוססות-מחשב, שעלולות להוביל לאבחנות מוקדמות יותר ולתוצאות טובות יותר עבור חולים עם סיכון לאוסטאופורוזיס.
התוצאות שלהם פורסמו לאחרונה ב גבולות בבינה מלאכותית.
מודלים של למידה עמוקה זכו לתשומת לב ביכולתם לחקות רשתות עצביות אנושיות ולמצוא מגמות בתוך מערכי נתונים גדולים מבלי להיות מתוכנתים לכך במיוחד. חוקרים בדקו את מודל הרשת העצבית העמוקה (DNN) מול ארבעה אלגוריתמים קונבנציונליים של למידת מכונה ומודל רגרסיה מסורתי, תוך שימוש בנתונים של למעלה מ-8,000 משתתפים בני 40 ומעלה במחקר האוסטאופורוזיס של לואיזיאנה. ה-DNN השיג את ביצועי הניבוי הכוללים הטובים ביותר, שנמדדו על ידי ניקוד היכולת של כל דגם לזהות נקודות חיוביות אמיתיות ולהימנע מטעויות.
ככל שהסיכון לאוסטאופורוזיס מתגלה מוקדם יותר, כך יש למטופל יותר זמן לאמצעי מניעה. שמחנו לראות את מודל ה-DNN שלנו עולה על מודלים אחרים בניבוי מדויק של הסיכון לאוסטאופורוזיס באוכלוסייה מזדקנת".
צ'ואן צ'יו, המחבר הראשי, עוזר פרופסור למחקר במרכז בית הספר לרפואה של טולאן לאינפורמטיקה ביו-רפואית וגנומיקה
בבדיקת האלגוריתמים תוך שימוש בגודל מדגם גדול של נתוני בריאות מהעולם האמיתי, החוקרים הצליחו לזהות גם את 10 הגורמים החשובים ביותר לניבוי סיכון לאוסטאופורוזיס: משקל, גיל, מין, חוזק אחיזה, גובה, שתיית בירה, לחץ דיאסטולי, שתיית אלכוהול, שנים של עישון ורמת הכנסה.
יש לציין כי מודל ה-DNN הפשוט באמצעות 10 גורמי הסיכון המובילים הללו פעל כמעט כמו המודל המלא שכלל את כל גורמי הסיכון.
בעוד ש-Qiu הודה שיש עוד הרבה עבודה לעשות לפני שפלטפורמת בינה מלאכותית תוכל לשמש את הציבור כדי לחזות את הסיכון של אדם לאוסטאופורוזיס, הוא אמר שזיהוי היתרונות של מודל הלמידה העמוקה הוא צעד בכיוון הזה.
"המטרה הסופית שלנו היא לאפשר לאנשים להזין את המידע שלהם ולקבל ציוני סיכון לאוסטאופורוזיס מדויקים ביותר כדי להעצים אותם לחפש טיפול כדי לחזק את העצמות שלהם ולהפחית כל נזק נוסף", אמר צ'יו.
