همخوانی بالای ارزیابی بصری مقیاس فازکاس با میزان ضایعات ماده سفید مغز در سنجش هوش مصنوعی

bioengineer.org

انتشار در منبع: انتشار در سایت ما:

مقاله اصلی · English

تصویر تولیدشده با هوش مصنوعی

ارزیابی بصری با استفاده از مقیاس فازکاس (Fazekas) در بیماران مبتلا به سکته مغزی ایسکمیک حاد، همخوانی قابل‌توجهی با میزان ضایعات ماده سفید مغز در اندازه‌گیری‌های مبتنی بر هوش مصنوعی نشان داد. بااین‌حال، تفاوت در میزان انطباق نتایج در نواحی مختلف مغز نشان می‌دهد که این دو روش کاربردهای مکمل دارند و نمی‌توان آن‌ها را جایگزین یکدیگر دانست.

مقیاس فازکاس برای ارزیابی شدت ضایعات پرسیگنال ماده سفید مغز به کار می‌رود، درحالی‌که روش‌های مبتنی بر هوش مصنوعی با بخش‌بندی این ضایعات، حجم آن‌ها را به‌صورت پیوسته و عددی اندازه‌گیری می‌کنند. پژوهشگران در این مطالعه تلاش کردند میزان همخوانی این دو روش را در نواحی مختلف و در مجموع مغز مشخص کنند، قابلیت تکرارپذیری ارزیابی میان متخصصان را بسنجند و میزان توافق آن‌ها را در شناسایی بیماران دارای بار ضایعاتی بالا بررسی کنند.

این پژوهش مقطعی و گذشته‌نگر، اطلاعات ۳۶۱ بیمار مبتلا به سکته مغزی ایسکمیک حاد را بررسی کرد که تحت تصویربرداری تشدید مغناطیسی با توالی بازیابی وارونگی تضعیف‌شده با مایع (T2-FLAIR) قرار گرفته بودند. میانه سنی شرکت‌کنندگان ۶۷ سال بود و ۲۵۸ نفر، معادل ۷۱٫۵ درصد از کل بیماران، مرد بودند.

دو ارزیاب انسانی به‌طور مستقل، امتیازهای فازکاس مربوط به نواحی اطراف بطن‌های مغزی، ماده سفید عمقی و مجموع مغز را در تصاویر ثبت کردند. هم‌زمان، حجم ضایعات پرسیگنال ماده سفید که با هوش مصنوعی شناسایی شده بود، بر اساس حجم داخل جمجمه نرمال‌سازی شد. برای بررسی نتایج، پژوهشگران از همبستگی اسپیرمن، تحلیل روند خطی مقاوم با روش HC3، ضریب کاپای وزنی درجه دوم، میزان توافق در طبقه‌بندی دودویی و ماتریس حساسیت آستانه‌ای دو در سه استفاده کردند.

برای تعیین بار بالای ضایعات، در هر یک از دو روش معیار جداگانه‌ای در نظر گرفته شد. در ارزیابی بصری، امتیاز کل فازکاس برابر با چهار یا بیشتر به‌عنوان بار ضایعاتی بالا تعریف شد. در روش مبتنی بر هوش مصنوعی نیز بیمارانی در این گروه قرار گرفتند که حجم ضایعات ماده سفید نرمال‌شده بر اساس حجم داخل جمجمه، در یک‌سوم بالایی مقادیر ثبت‌شده در کل گروه پژوهش قرار داشت؛ این آستانه معادل ۱٫۲۰ درصد بود.

امتیازهای ارزیاب اصلی با اندازه‌گیری‌های خودکار هوش مصنوعی همبستگی بالایی داشتند. این همبستگی در ضایعات پرسیگنال اطراف بطن‌های مغزی به ضریب ۰٫۸۴۰ رسید و فاصله اطمینان ۹۵ درصد آن بین ۰٫۸۰۷ تا ۰٫۸۶۶ بود. در بررسی مجموع بار ضایعات نیز ضریب همبستگی ۰٫۸۸۰ به دست آمد و فاصله اطمینان ۹۵ درصد آن از ۰٫۸۵۱ تا ۰٫۹۰۲ بود.

بااین‌حال، میزان همخوانی در ضایعات عمقی مغز کمتر و در حد متوسط بود. ضریب همبستگی این بخش ۰٫۵۸۸ گزارش شد و فاصله اطمینان ۹۵ درصد آن بین ۰٫۵۱۴ تا ۰٫۶۵۶ قرار داشت. تمامی همبستگی‌های مشاهده‌شده از نظر آماری معنادار بودند و مقدار P در همه موارد کمتر از ۰٫۰۰۱ بود.

قابلیت توافق میان دو ارزیاب بالینی نیز بسیار مطلوب بود؛ به‌طوری‌که مقادیر ضریب کاپای وزنی درجه دوم برای ارزیابی‌های آن‌ها بین ۰٫۸۶۹ تا ۰٫۹۲۶ قرار داشت. با استفاده از معیارهای اصلی تعیین بار بالای ضایعات، ارزیابی بصری و اندازه‌گیری الگوریتمی در ۳۲۶ مورد از مجموع ۳۶۱ بیمار به نتیجه یکسان رسیدند. به این ترتیب، میزان توافق در طبقه‌بندی بیماران ۹۰٫۳ درصد و ضریب کاپا ۰٫۷۸۱ بود. فاصله اطمینان ۹۵ درصد این ضریب نیز از ۰٫۷۰۸ تا ۰٫۸۴۷ محاسبه شد.

تکرار تحلیل با استفاده از امتیازهای ارزیاب دوم نیز نتایج مشابهی به همراه داشت. بااین‌حال، بررسی آستانه‌های جایگزین نشان داد که میزان توافق بسته به معیارهای انتخاب‌شده تغییر می‌کند و مقادیر ضریب کاپا در این ارزیابی‌ها بین ۰٫۴۶۲ تا ۰٫۸۰۱ متغیر بود.

در مجموع، یافته‌های این مطالعه گذشته‌نگر نشان داد که ارزیابی بصری فازکاس و اندازه‌گیری خودکار مبتنی بر هوش مصنوعی در تعیین بار کلی ضایعات و ضایعات اطراف بطن‌های مغزی همخوانی بالایی دارند، اما این همخوانی در بافت عمقی مغز ضعیف‌تر است. از سوی دیگر، تغییر معیارهای تشخیصی و آستانه‌های طبقه‌بندی می‌تواند بر میزان توافق دو روش تأثیر بگذارد. به همین دلیل، پژوهشگران تأکید کردند که امتیازدهی بصری فازکاس و بخش‌بندی کمی ضایعات با هوش مصنوعی، هرکدام اطلاعات تشخیصی مکملی فراهم می‌کنند و نباید به‌عنوان ابزارهایی کاملاً قابل‌جایگزینی در بالین در نظر گرفته شوند.

موضوع پژوهش: بررسی میزان همخوانی امتیازدهی بصری فازکاس با اندازه‌گیری ضایعات پرسیگنال ماده سفید مغز مبتنی بر هوش مصنوعی در بیماران مبتلا به سکته مغزی ایسکمیک حاد.

عنوان مقاله: همخوانی منطقه‌ای امتیازدهی بصری فازکاس با میزان ضایعات پرسیگنال ماده سفید مغز مبتنی بر هوش مصنوعی در سکته مغزی ایسکمیک حاد: یک مطالعه مقطعی گذشته‌نگر.

منابع مقاله: لیائو، کیو؛ تانگ، وای؛ لیان، اچ؛ وانگ، ال؛ و لیو، جی. (۲۰۲۶). همخوانی منطقه‌ای امتیازدهی بصری فازکاس با میزان ضایعات پرسیگنال ماده سفید مغز مبتنی بر هوش مصنوعی در سکته مغزی ایسکمیک حاد: یک مطالعه مقطعی گذشته‌نگر. مجله BMC Neurology.

https://doi.org/10.1186/s12883-026-05594-x

اعتبار تصویر: تولیدشده با هوش مصنوعی.

شناسه دیجیتال مقاله (DOI): 10.1186/s12883-026-05594-x

کلیدواژه‌ها: سکته مغزی ایسکمیک حاد، مقیاس فازکاس، ضایعات پرسیگنال ماده سفید مغز، هوش مصنوعی، تصویربرداری MRI با توالی T2-FLAIR، ضایعات پرسیگنال اطراف بطن‌های مغزی، ماده سفید عمقی، حجم داخل جمجمه، قابلیت توافق میان ارزیابان، کاپای وزنی درجه دوم، همبستگی اسپیرمن، بخش‌بندی ضایعات، تصویربرداری عصبی، مطالعه مقطعی، حساسیت آستانه‌ای، تصویربرداری تشدید مغناطیسی.