研究人员创建了一种创新的深度学习算法,超越了当前基于计算机的方法来预测骨质疏松症风险,这可能导致对骨质疏松症风险个体的早期检测和改善结果。
骨质疏松症在早期阶段常常难以诊断,被称为“无声疾病”。想象一下,如果人工智能能够帮助预测一个人患上这种骨质流失疾病的可能性,甚至在访问医疗提供者之前?
Tulane大学的研究人员朝着这一愿景迈出了重要一步,开发出一种新的深度学习算法,其预测骨质疏松症风险的表现优于现有的计算机方法,这可能导致更早的诊断和更好的结果,帮助处于骨质疏松症风险中的个体。
他们研究的结果最近发表在《人工智能前沿》上。
深度学习模型以其模拟人类神经网络和识别广泛数据集中的模式的能力而著称,无需明确编程。研究人员将深度神经网络(DNN)模型与四种传统机器学习算法和一种标准回归模型进行了比较。他们使用了来自路易斯安那州骨质疏松症研究的8000多名40岁及以上参与者的数据。通过评估每种模型正确识别真实阳性和防止错误的能力,DNN总体上表现出优越的预测性能。
首席作者丘川(Chuan Qiu),Tulane医学院生物医学信息学和基因组学中心的研究助理教授指出:“越早识别出骨质疏松症风险,患者采取预防措施的机会就越多。我们很高兴发现我们的DNN模型在准确预测老年人群中的骨质疏松症风险方面优于其他模型。”
通过利用实质性现实世界健康数据集分析算法,研究人员确定了预测骨质疏松症风险的十大关键因素。这些因素包括体重、年龄、性别、握力、身高、啤酒消费、舒张压、酒精摄入、吸烟年限和收入水平。
有趣的是,使用这十大风险因素的简化DNN模型表现几乎与涵盖所有风险因素的综合模型一样有效。
尽管丘承认在人工智能系统可以被公众用于预测个体骨质疏松症风险之前需要进一步的进展,但他强调,认识到深度学习模型的优势是朝着这一方向的重要一步。
丘表示:“我们的终极目标是让个人输入他们的信息,并获得高度精确的骨质疏松症风险评分,从而使他们能够寻求治疗以增强骨骼强度并减少进一步的伤害。”