Kunstig intelligens til diagnosticering af diabetes sværhedsgrad

Kunstig intelligens til diagnosticering af diabetes sværhedsgrad

Et team af forskere brugte højopløselig, ikke-invasiv teknologi til at tage billeder af små blodkar fundet under huden på diabetespatienter, og brugte en kunstig intelligens-algoritme til at formulere en "score", der kan bruges til at bestemme sværhedsgraden af sygdom. Når først denne teknologi er bærbar, kan den bruges til at overvåge effektiviteten af ​​behandlingen, ifølge New Atlas, der citerer tidsskriftet Nature Biomedical Engineering.

Mikroangiopati

Mikroangiopati, hvor væggene i blodkapillærerne bliver så tykke og svage, at de bløder, lækker protein og langsom blodgennemstrømning er en stor komplikation til diabetes, som kan påvirke mange organer i kroppen, herunder huden.

Forskere fra det tekniske universitet i München har udviklet TUM, en metode til at få detaljerede billeder af blodkar under huden på diabetespatienter ved hjælp af kunstig intelligens til kvantitativt at bestemme sværhedsgraden af ​​tilstanden.

Audiovisuel billedbehandling

Optoakustisk billeddannelse bruger lysimpulser til at generere ultralydsbølger i væv. Små udvidelser og sammentrækninger i vævet omkring molekylerne, som kraftigt absorberer lys, skaber signaler, der optages af sensorer og omdannes til billeder i høj opløsning. Det iltbærende protein hæmoglobin er et af disse molekyler, der absorberer lys, og da det er koncentreret i blodkarrene, producerer optoakustisk billeddannelse detaljerede billeder af blodkar, som andre ikke-kirurgiske teknikker ikke kan producere, ud over at det er en hurtig procedure og gør ikke bruge stråling.

Mere dybde og detaljer

I det nye studie udviklede forskerne en specifik optisk-akustisk billeddannelsesmetode kaldet RSOM, som kan indhente data om forskellige dybder af huden samtidigt ned til en dybde på 1 millimeter, hvilket Angelos Karlas, undersøgelsens ledende forsker, sagde. "mere dybde og detaljer end andre optiske metoder."

RSOM teknologi

Forskerne brugte RSOM-teknologi til at tage billeder af huden på benene på 75 diabetespatienter og en kontrolgruppe på 40 personer og brugte en kunstig intelligens-algoritme til at identificere klinisk relevante karakteristika forbundet med diabeteskomplikationer. Forskerne lavede en liste over 32 særligt vigtige ændringer i hudens mikrovaskulatur, herunder diameteren af ​​blodkarrene og antallet af grene, de har.

Antal blodkar

Forskerne bemærkede, at antallet af kar og grene i hudlaget falder hos diabetespatienter, men stiger i epidermis tættest på hudoverfladen. Alle 32 karakteristika identificeret af forskerne var påvirket af sygdomsprogression og sværhedsgrad. Ved at kompilere de 32 karakteristika beregnede forskerholdet en "mikroangiopati-score", som forbinder tilstanden af ​​små blodkar i huden og sværhedsgraden af ​​diabetes.

Til lavere omkostninger og inden for få minutter

Vassilis Ntziachristos, en forsker i undersøgelsen, sagde, at ved hjælp af "RSOM-teknologi er det muligt at kvantitativt beskrive virkningerne af diabetes," forklarer, at "med den nye evne til at gøre RSOM bærbar og omkostningseffektiv, vil disse resultater åbne en ny vej til løbende at overvåge tilstanden for de ramte – mere end 400 millioner mennesker.” Mennesker over hele verden. I fremtiden vil det med hurtige og smertefrie tests kun tage et par minutter at fastslå, om behandlingerne har effekt, selv mens patienten er hjemme.

Skyttens kærlighedshoroskop for år 2024