Artificiell intelligens för att diagnostisera diabetes svårighetsgrad
Artificiell intelligens för att diagnostisera diabetes svårighetsgrad
Artificiell intelligens för att diagnostisera diabetes svårighetsgrad
Ett team av forskare använde högupplöst, icke-invasiv teknologi för att få bilder av små blodkärl som hittats under huden på diabetespatienter, och använde en artificiell intelligensalgoritm för att formulera en "poäng" som kan användas för att bestämma svårighetsgraden av sjukdom. När den här tekniken är portabel kan den användas för att övervaka behandlingens effektivitet, enligt New Atlas, som citerar tidskriften Nature Biomedical Engineering.
Mikroangiopati
Mikroangiopati, där väggarna i blodkapillärerna blir så tjocka och svaga att de blöder, läcker protein och långsammare blodflödet är en stor komplikation av diabetes, som kan påverka många organ i kroppen, inklusive huden.
Forskare från Münchens tekniska universitet har utvecklat TUM, en metod för att få detaljerade bilder av blodkärl under huden på diabetespatienter med hjälp av artificiell intelligens för att kvantitativt bestämma tillståndets svårighetsgrad.
Audiovisuell bildbehandling
Optoakustisk avbildning använder ljuspulser för att generera ultraljudsvågor i vävnad. Små expansioner och sammandragningar i vävnaden som omger molekylerna, som starkt absorberar ljus, skapar signaler som registreras av sensorer och omvandlas till högupplösta bilder. Det syrebärande proteinet hemoglobin är en av dessa molekyler som absorberar ljus, och eftersom det är koncentrerat i blodkärlen ger optoakustisk avbildning detaljerade bilder av blodkärl som andra icke-kirurgiska tekniker inte kan producera, förutom att det är ett snabbt ingrepp och gör inte använda strålning.
Mer djup och detaljer
I den nya studien utvecklade forskarna en specifik optisk-akustisk avbildningsmetod som kallas RSOM, som kan samla in data på olika djup av huden samtidigt ner till ett djup av 1 millimeter, vilket Angelos Karlas, studiens ledande forskare, sa. "mer djup och detaljer än andra optiska metoder."
RSOM-teknik
Forskarna använde RSOM-teknik för att ta bilder av huden på benen på 75 diabetespatienter och en kontrollgrupp på 40 personer och använde en artificiell intelligensalgoritm för att identifiera kliniskt relevanta egenskaper associerade med diabeteskomplikationer. Forskarna skapade en lista med 32 särskilt viktiga förändringar i hudens mikrovaskulatur, inklusive diametern på blodkärlen och antalet grenar de har.
Antal blodkärl
Forskarna noterade att antalet kärl och grenar i hudlagret minskar hos diabetespatienter, men ökar i epidermis närmast hudytan. Alla 32 egenskaper som identifierats av forskarna påverkades av sjukdomsprogression och svårighetsgrad. Genom att sammanställa de 32 egenskaperna, beräknade forskargruppen en "mikroangiopati-poäng", som kopplar tillståndet hos små blodkärl i huden och svårighetsgraden av diabetes.
Till lägre kostnader och inom några minuter
Vassilis Ntziachristos, en forskare i studien, sa att med hjälp av "RSOM-teknik är det möjligt att kvantitativt beskriva effekterna av diabetes", och förklarade att "med den framväxande förmågan att göra RSOM portabel och kostnadseffektiv kommer dessa resultat att öppna ett nytt sätt att kontinuerligt övervaka tillståndet för de drabbade – mer än 400 miljoner människor.” Människor över hela världen. I framtiden, med snabba och smärtfria tester, tar det bara några minuter att avgöra om behandlingarna har effekt, även när patienten är hemma.