🎯تشخیص سکته مغزی خاموش و پیش‌بینی خطر سکته مغزی با یادگیری عمیق

🧠سکته مغزی خاموش (Silent Brain Infarction; SBI) در اثر انسداد جریان خون در بخشی از مغز رخ می‌دهد. این نوع سکته معمولاً بدون علائم بالینی است، اما با تصویربرداری مغزی مانند MRI یا CT قابل تشخیص است. با این حال، انجام تصویربرداری مغزی به‌صورت گسترده در جمعیت عمومی پرهزینه و غیرعملی است.

📰در این مقاله، پژوهشگران با استفاده از یادگیری عمیق، امکان تشخیص SBI و پیش‌بینی خطر وقوع سکته مغزی آینده را از طریق تصویربرداری رتینال بررسی کرده‌اند. تصویربرداری رتینال با استفاده از دوربین‌های اختصاصی، نمای دقیقی از شبکیه، عصب بینایی و عروق خونی فراهم می‌کند و روشی کم‌تهاجمی‌تر و در دسترس‌تر نسبت به تصویربرداری مغزی محسوب می‌شود. مدل پیشنهادی که DeepRETStroke نام دارد، به‌عنوان یک ابزار پژوهشی برای پالایش و بهبود ارزیابی ریسک سکته مغزی طراحی شده و در حال حاضر جایگزین تصمیم‌گیری بالینی مستقیم نیست.

🦾برای پیش‌آموزش (pretraining) مدل DeepRETStroke از 895,640 تصویر رتینال و برای ارزیابی از 213,762 تصویر متعلق به جمعیت‌های با تنوع قومیتی استفاده شده است. عملکرد مدل با معیار AUC روی داده‌های اعتبارسنجی برابر با 0.901 گزارش شده است. نتایج نشان می‌دهد که مدل مبتنی بر تصویر رتینال عملکرد بهتری نسبت به مدل‌های مبتنی صرفاً بر ویژگی‌های بالینی (متادیتا) دارد. این مدل در دو وظیفه متمایز ارزیابی شده است:
۱) تشخیص SBI به‌عنوان یک مسئله طبقه‌بندی دودویی در سطح فرد، و
۲) پیش‌بینی وقوع سکته مغزی در بازه زمانی تا ۵ سال پس از تصویربرداری.
یافته‌ها نشان می‌دهند که بازنمایی‌های بصری آموخته‌شده برای تشخیص SBI حاوی اطلاعات مرتبط با خطر سکته آینده هستند و می‌توانند عملکرد پیش‌بینی ریسک را بهبود دهند.

🤔معماری DeepRETStroke مبتنی بر ترنسفورمر بینایی (Vision Transformer; ViT) با ۲۴ بلاک است. در مرحله پیش‌آموزش، از راهبرد یادگیری خودنظارتی به سبک Masked Autoencoder (MAE) استفاده شده است؛ به‌طوری که بخش بزرگی از patchهای تصویر رتینال ماسک شده و مدل بازسازی آن‌ها را می‌آموزد. در مرحله یادگیری نظارت‌شده، تابع هدف شامل مجموع زیان‌های Binary Cross-Entropy برای پیش‌بینی وقوع سکته در افق‌های زمانی t=1 تا t=5 سال است، به‌گونه‌ای که برچسب y_t نشان‌دهنده وقوع یا عدم وقوع سکته پس از t سال از زمان تصویربرداری است.

🤨متادیتای بالینی مورد استفاده شامل سن، جنسیت، سابقه استعمال دخانیات، فشار خون، شاخص توده بدنی (BMI)، کلسترول تام، HDL، سابقه فشار خون بالا و سابقه دیابت است. برای مدل مبتنی بر متادیتا از logistic regression به‌عنوان baseline استفاده شده است. در مدل چندوجهی، با بهره‌گیری از late fusion، بردار ویژگی استخراج‌شده از انکودر تصویر با متادیتای بالینی الحاق شده و یک شبکه MLP به‌عنوان دسته‌بند نهایی آموزش داده شده است

✍محمد شفیع‌زاده

لینک مقاله


🔗Telegram
🔗LinkedIn
🔗Instagram

😀 سی و هفتمین #ژورنال_کلاب شاخه دانشجویی انجمن جهانی زیست‌شناسی محاسباتی در ایران

😀 موضوع:

ساختارهای مولکولی به‌مثابه ابرنقاط: زبانی نو برای زیست‌شناسی ساختاری

Molecular Structures as Point Clouds: A New Language for Structural Biology

💻سخنران: جناب دکتر محمد طاهری

👨‍🏫 دکتر محمد طاهری، دانش آموخته رشته بیوانفورماتیک از دانشگاه تهران هستند. حوزه تحقیقاتی ایشان مدلسازی ریاضی سیستم‌های پیچیده زیستی و توسعه الگوریتم‌های محاسباتی الهام گرفته شده از سیستم‌های فیزیکی، هوش مصنوعی و یادگیری عمیق است.


⌛ایشان پروژه‌های متعددی در حوزه‌های زیست شناسی محاسباتی و بیوانفورماتیک انجام داده اند، از جمله: پیاده سازی و انتشار پکیج pastboon در R برای شبیه سازی شبکه های Boolean تصادفی پارامتری، پیاده سازی پایپلاین استخراج neoantigen از داده های ژنومیک و ترنسکریپتومیک و پایپلاین تشخیص زودهنگام تومور با استفاده از داده های cfDNA.

😀 جهت آشنایی بیشتر با فعالیت‌ها و پروژه‌های تحقیقاتی او، می‌توانید به صفحه لینکدین و صفحه گوگل اسکالر ایشان مراجعه نمایید.

😀 تاریخ: ۱۷ دی ماه
🔜 ساعت: ۲۰ به وقت تهران

🔗لینک ثبت نام
🌐برگزاری به صورت آنلاین

😀Telegram
😀LinkedIn
😀Instagram

⭕️سی و هفتمین #ژورنال_کلاب شاخه دانشجویی انجمن جهانی زیست‌شناسی محاسباتی در ایران به احترام مخاطبان عزیز برگزار نخواهد شد
❄️تاریخ برگزاری این ژورنال کلاب متعاقبا اعلام میگردد.
❄️از همراهی و شکیبایی شما سپاس گزاریم❤️