Retina Yaşı Bir Çok Hastalığın Teşhisinde Kullanılabiliyor

Google araştırmacıları, retinal görüntüler üzerinde derin öğrenmeyi kullanarak Bir Yaşlanma Saati Geliştirdi

Derin öğrenme modelleri biyolojik yaşı doğru bir şekilde tahmin edebiliyor.

Makula (ortadaki koyu nokta), optik disk (sağdaki parlak nokta) ve kan damarlarını (optik diskten uzanan koyu kırmızı çizgiler) gösteren bir retinal görüntü. Sağda: Bireyin gerçek kronolojik yaşının retina modeli tahminleriyle karşılaştırılması, “eyeAge”. 

Bir insanın kronolojik yaşından farklı olan biyolojik yaşı, tahmini yaşlanma süreçleri aracılığıyla kapsamlı bir şekilde incelendi. Ancak bu yaşlanma saatleri, kısa zaman ölçeklerinde sınırlı bir doğruluğa sahip gözüküyor.

Bir insanın kronolojik yaşından farklı olan biyolojik yaşını belirlemek için araştırmacılar, kan proteinleri veya DNA metilasyonu gibi belirteçlere dayalı “yaşlanma saatleri” geliştirdiler. Yaşa bağlı bozuklukların riski, bu yaşlanma saatleri kullanılarak tahmin edilebiliyor. Yine de, protein ve metilasyon göstergeleri bir kan testi gerektirdiğinden, benzer ölçümleri bulmak için daha az müdahaleci yöntemler, yaşlanma verilerini daha yaygın olarak kullanılabilir hale getirebilir.

Aslında retina özelliklerimiz kim olduğumuz hakkında çok şey ortaya koyuyor. Beyne kan damarları yoluyla bağlanan retinanın görüntüleri, biyolojik ve fizyolojik verilerin temel kaynağını oluşturuyor. Retina görüntülerinden elde edilen veriler, Alzheimer hastalığı, kardiyovasküler hastalık ve diyabetik retinopati dahil olmak üzere yaşa bağlı çeşitli bozukluklarla ilişkilendirilebiliyor.

Bu yeni çalışmada bilim insanları, derin öğrenme modellerinin retinal bir görüntüden biyolojik yaşı doğru bir şekilde tahmin edebildiğini ve bireylerde yaşa bağlı hastalıkları daha iyi tahmin eden veriler ortaya çıkarabildiğini gösterdi. Modelin, genetik faktörlerin yaşlanmayı nasıl etkilediğine dair çeşitli veriler elde edilmesini sağlaması bekleniyor.

Google , resmi blogunda, retina görüntülerini analiz etmek için makine öğrenimi çerçeveleri üzerine inşa edilen bu modeller için kod değişiklikleri yayınladıklarını duyurdu.

Bu çalışma için bilim adamları, bireylerin kronolojik yaşını tahmin etmek için EyePACS veri setinden fundus görüntülerini kullanarak kronolojik yaşı tahmin etmek için modelleri geliştirdi. "EyeAge" adı verilen bu yeni "yaşlanma saati", kronolojik yaşı diğer mevcut modellerden daha doğru bir şekilde tahmin etti.

Bilim adamları daha sonra ortaya çıkan model performansını, 50.000 retina görüntüsü seti ve yaklaşık 120.000 görüntü içeren ayrı bir UKBiobank veri seti üzerinde değerlendirdi. eyeAge modelinin projeksiyonları, insanların gerçek kronolojik yaşlarıyla yakından eşleşiyor (aşağıda gösterilmiştir; Pearson korelasyon katsayısı 0,87). Bu, retina resimleri kullanılarak ilk kez hassas bir yaşlanma saati üretildi.

Göz Yaşı ve kronolojik yaşın genellikle örnekler arasında iyi bir şekilde örtüşmesine rağmen, modelin önemli ölçüde daha genç veya daha yaşlı bir değer öngörmesine bağlı olarak, göz Yaşı ve kronolojik yaşı önemli ölçüde farklı olan bireyleri de gösteriyor. Bu, modelin, insanlar biyolojik olarak yaşlandıkça giderek yaygınlaşan hastalıklarla ilgili gerçek biyolojik sonuçları temsil eden retinal görüntülerin özelliklerini hesaba kattığı anlamına gelebilir.

Araştırmacılar, altta yatan biyolojik değişkenlerin buna neden olup olmadığını görmek için bu tutarsızlık ile kronik obstrüktif akciğer hastalığı (KOAH), miyokard enfarktüsü ve sistolik kan basıncı gibi diğer sağlık biyobelirteçleri arasındaki ilişkiye baktılar. Bu durumlarda, gerçek yaştan daha büyük olan tahmini bir yaşın hastalık ve sağlık biyobelirteçleri ile ilişkili olduğunu buldular. Örneğin, gözyaşı ile tüm nedenlere bağlı ölüm arasında istatistiksel olarak anlamlı bir ilişki gösterdiler (p=0,0028), bu da daha yüksek bir göz yaşının çalışma sırasında daha yüksek vefat riskiyle bağlantılı olduğunu gösteriyor.

Araştırmacılar , "Bu çalışma, yaşlanmayı ve yaşa bağlı hastalıkları incelemek ve yaşlanmayı kısa zaman ölçeklerinde kantitatif olarak ölçmek için retinal yaşlanma saatinin potansiyel faydasını gösteriyor, gero-koruyucu terapötiklerin hızlı ve eyleme geçirilebilir değerlendirmesi için yollar açıyor."

"eyeAge saatimizin birçok potansiyel uygulaması var. Yukarıda gösterildiği gibi, araştırmacıların yaşlanma ve yaşa bağlı hastalıklar için belirteçler keşfetmelerini ve daha sağlıklı yaşlanmayı teşvik etmek için işlevleri ilaçlar tarafından değiştirilebilecek genleri belirlemelerini sağlar. Ayrıca araştırmacıların yaşam tarzı alışkanlıklarının ve egzersiz, diyet ve ilaç tedavisi gibi müdahalelerin bireyin biyolojik yaşlanması üzerindeki etkilerini daha iyi anlamalarına yardımcı olabilir.”

"Ayrıca, eyeAge saati ilaç endüstrisinde gençleştirme ve yaşlanma karşıtı tedavileri değerlendirmek için faydalı olabilir. Araştırmacılar, zaman içinde retinadaki değişiklikleri izleyerek, bu müdahalelerin yaşlanma sürecini yavaşlatma veya tersine çevirmedeki etkinliğini belirleyebilirler.”

"Bulgularımız ayrıca, retinal görüntülere dayanan eyeAge saatinin, kan biyobelirteçlerine dayalı yaşlanma saatlerinden bağımsız olduğunu gösteriyor. Bu, araştırmacıların yaşlanmayı başka bir açıdan incelemesine olanak tanır ve diğer belirteçlerle birleştirildiğinde, bireyin biyolojik yaşının daha kapsamlı bir şekilde anlaşılmasını sağlar. Ayrıca, mevcut yaşlanma saatlerinin aksine, görüntülemenin daha az invaziv doğası (kan testleriyle karşılaştırıldığında), eyeAge'ın eyleme geçirilebilir biyolojik ve davranışsal müdahaleler için kullanılmasını sağlayabilir."

Kaynak: www.techexplorist.com