Kilencven százalékos pontossággal jósolja az AI a térdízületi fájdalmat

Egy új, értelmezhető és megbízható AI-keretrendszert fejlesztettek ki, amely a térdízületi struktúrák és a fájdalom közötti kapcsolatok nagyszabású, hosszú távú vizsgálatát teszi lehetővé. A kutatók az Osteoarthritis Initiative (OAI) adatait használták fel a módszer kidolgozásához, amely a mélytanulás alapú MRI Osteoarthritis Knee Score (MOAKS) predikciót kombinálja értelmezhető statisztikai modellezéssel.

A keretrendszer lényege, hogy először egy mélytanuló modell segítségével jósolja meg a MOAKS-jellemzőket a térd MR-felvételekből. Ezt követően konformális predikciót alkalmazva biztosítja a predikciós bizonytalanság kvantifikálását. Ez a bizonytalanságtudatos stratégia lehetővé teszi a modellkimenetek explicit szűrését, így csak a magas megbízhatóságú MOAKS-predikciók maradnak a térd szintjén.

Kapcsolódó: Adatbővítési módszerek

A nagy megbízhatóságú előrejelzések birtokában a kutatók kibővítették a mintanagyságot 2175 térdízületre a longitudinális osztály-vegyes modell (LCMM) elemzéséhez. Az eredmények szerint a három MR-definált eltérés – csontvelői léziók (BML), porckopás (CART) és meniszkusz-eltolódás (ME) – esetében a keretrendszer jelentősen javította a Matthews korrelációs együtthatót (MCC) és más metrikákat. Például a MCC 0,69-ről 0,91-re nőtt BML esetén, 0,45-ről 0,80-ra CART esetén, és 0,59-ről 0,89-re ME esetén.

Kapcsolódó: Agi konnektom-elemzés

Az elemzés két különálló fájdalom-trajektóriát azonosított: a gyors és a stabil fájdalom progresszióját. A gyors progressziós csoport becsült esélyhányadosai (95% CI) a következők voltak: 1,62 (1,12-2,35) BML esetén, 1,83 (1,24-2,70) porckopás esetén, és 2,50 (1,75-3,57) meniszkusz-eltolódás esetén. Ezek az eredmények rávilágítanak e strukturális eltérések fontosságára a csontritkulás okozta fájdalom és funkcionális romlás kockázati tényezőiként.

Kapcsolódó: Klinikai szöveggenerálás

A kutatás eredményeit előnyomtatott formában tették közzé az arXiv-on. Az új AI-megközelítés forradalmasíthatja a krónikus betegségek, mint a csontritkulás, diagnosztikáját és kezelését, pontosabb prognózist és személyre szabottabb terápiás stratégiákat kínálva.

Kapcsolódó: Stanford AI Index