Dudaklarınızın arasına sıkıştırdığınız sigaradan çektiğiniz nefesle birlikte içerisinde 7000’den fazla kimyasal madde bulunduran duman, içinizde sizin için pek de iyi olmayacak bir yolculuğa başladı bile. Çeşitli kanserleri tetikleyen, görme ve işitme bozukluklarına sebep olabilen bu kimyasallar, dünyanın önde gelen ölüm nedeni kardiyovasküler hastalıkların da önemli risk faktörlerindendir. Özellikle sigaranın kardiyovasküler sistem üzerindeki zararlı etkileri, çağın önde gelen hastalıklarından biri olarak nitelendirebileceğimiz şeker hastalığında daha da artmaktadır. Bunun yanında sigaranın sistemik dolaşım ve retina dolaşımı üzerine fizyolojik ve anatomik etkileri de vardır. Peki bu etkiler kişinin gözünden çekilecek bir fotoğrafla tespit edilebilir mi?
Fundus; optik sinir, makula, retina ve kan damarı gibi yapıları içeren gözün arka kısmıdır. Bu yapıların durumlarını renkli olarak göstermeye ve arşivlemeye imkân veren fundus fotoğrafçılığı tekniği, geçen yüzyılda hızla gelişti ve son zamanlarda bu fotoğrafların analizinde derin öğrenme de yerini aldı. Diyabetik retinopati ve glokom gibi sık görülen çeşitli göz hastalıklarının takibinde faydalanılan fundus fotoğrafları, bu gelişmelerin de etkisiyle kardiyovasküler risk faktörlerinden diyabetik retinopati bulgularına ve hatta sigara içme durumunun belirlenmesine kadar çeşitli alanlarda otomatik tahmin olanağı sağlamaktadır.
Bilgi Kutusu: Derin öğrenme, bir sisteme verilen veri seti ile sonuçları tahmin eden ve birden fazla katmandan oluşan bir makine öğrenimi alt kümesidir. Bu şekilde sistem açık talimatlar olmadan kendisini eğitebilir. CNN (evrişimsel sinir ağları) de derin öğrenmenin bir alt dalıdır ve genelde görsel verilerin birçok katmanla analizinde kullanılır.
Diyabet, bir diğer adıyla şeker hastalığı birçoğumuzun çok yakından tanıdığı yüksek kan şekeri ile karakterize kronik ve metabolik bir hastalıktır. Dünya genelinde 422 milyon insan şeker hastası olmakla birlikte her yıl 1.6 milyon kişi hayatını kaybetmektedir. Sigaranın kardiyovasküler sağlık üzerindeki zararlı etkileri şeker hastalarında daha belirgin şekilde gözlemlenmektedir ve bu durumu en aza düşürmek amacıyla sigara içen şeker hastaları için etkili sigara bırakma stratejilerinin geliştirilmesi gerekmektedir. Ayrıca bu stratejilerin etkinliğini test etmek için hastanın sigara içme durumunun pahalı olmayan ve objektif bir şekilde ölçülmesine ihtiyaç vardır. Auckland Üniversitesinden Ehsan Vaghefi ve arkadaşları tam da bu hedefler doğrultusunda çalışmalarını yürüttüler. Fundus fotoğraflarından elde edilen retina görüntülerini ve CNN mimarisini kullanarak kişinin sigara içip içmediğinin ve sigara içen bireylerin retina bölgesinde ne gibi değişimler olduğunun anlaşılmasını konu alan makaleleri 2019 yılında “Scientific Reports” adlı dergide yayımlandı. Araştırmacılar, şeker hastalarından alınan 165 binden fazla retina görüntüsünü hazırlanan CNN modeli için uygun formata getirdiler ve bu görüntülerin %60’ını model eğitimi, %20’sini doğrulama ve %20’sini test için kullanmak üzere üç gruba rastgele ayırdılar. Model eğitiminden önce görseller, iskeletlendirme ve kontrastlama olmak üzere iki farklı filtreleme yöntemine ayrı ayrı tabi tutuldu.
Bilgi Kutusu: Model performansı değerlendirilirken karşımıza özgüllük ve duyarlılık gibi çeşitli kavramlar çıkmaktadır. Özgüllük bize sigara içmeyen, duyarlılık ise sigara içen insanların yüzde kaçının doğru bir şekilde tespit edildiğini gösterir.
İskeletlendirilmiş veri seti kullanılarak eğitilen CNN; %63.63 doğruluk, %65.60 özgüllük ve %47.14 duyarlılıkta sonuçlar verdi. Kontrastlı veri setinde ise %88.88 doğruluk, %93.87 özgüllük ve %62.62 duyarlılıkta sonuçlar alındı. Çalışmayı yürüten ekip yüksek doğruluğa sahip modellerinin duyarlılığının biraz düşük olduğunu ayrıca sigara içme süresi, sıklığı ve sigara miktarı gibi faktörlerin modelin duyarlılığını artırıp artırmayacağını belirlemek için araştırma yapılması gerektiğini belirtiyor.
Ekip, CNN’nin test edilen görüntüdeki hangi alanlardan gelen verileri kullanarak kişinin sigara içip içmediğini tespit ettiğini anlamak için daha iyi sonuç aldıkları kontrastlı veri seti analizinden dikkat haritaları elde etti. Dikkat haritalarında retina damarlarının, perivasküler bölgenin ve foveanın vurgulandığı gözlemlendi.
Araştırmacılar bu çalışma ile fundustan elde edilen retina görüntüleri kullanılarak eğitilen bir CNN mimarisinin bireylerin sigara içme durumunu doğru bir şekilde tahmin etmek için kullanılabileceğini gösteriyor. Hassasiyeti arttırmaya yönelik atılacak adımlarla model, çok daha kullanışlı bir hale getirilebilir. Çalışmayla ilgili detaylı bilgiler için makaleye göz atabilirsiniz. Sigarasız, sağlıklı günler dilerim.
- Görsel 1. https://www.business-standard.com/article/technology/with-98-6-accuracy-google-ai-to-tell-if-diabetes-will-hamper-your-eyesight-118050201259_1.html
- https://apps.who.int/iris/handle/10665/324846
- https://www.istanbulretina.com/goz-diagnostik-testler-fundus-fotografi.php#:~:text=Fundus%20Fotograf%C4%B1%20optik%20sinir%2C%20makula,imkan%20veren%20bir%20g%C3%B6r%C3%BCnt%C3%BCleme%20y%C3%B6ntemidir.
- https://www.who.int/health-topics/diabetes#tab=tab_1
- Vaghefi, E., Yang, S., Hill, S. et al. Detection of smoking status from retinal images; a Convolutional Neural Network study. Sci Rep 9, 7180 (2019).
Yanıt yok