NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Derin öğrenme (DL) kullanan Arka PlanYapay zeka (AI) retina görüntülemeyi kullanarak sistemik hastalık tahmini için potansiyele sahiptir. Retinanın benzersiz özellikleri, merkezi sinir sisteminin ve mikrovasküler dolaşımın invaziv olmayan görselleştirilmesini sağlar, kişiselleştirilmiş bakım için erken teşhis ve kişiselleştirilmiş tedavi planlarına yardımcı olur. Bu inceleme retinal değerlendirmenin değerini, AI tabanlı retina biyobelirteçlerini ve kişiselleştirilmiş bakımda uzunlamasına tahmin modellerinin önemini araştırıyor.Ana metinBu anlatı incelemesi, PubMed ve Google Scholar'daki ilgili çalışmalar için literatürü kapsamlı bir şekilde inceliyor, retina fundus fotoğrafçılığı kullanarak sistemik hastalıkların tahmininde AI tabanlı retina biyobelirteçlerinin uygulanmasını araştırıyor. Çalışma ayarları, örneklem boyutları, kullanılan AI modelleri ve ilgili sonuçlar çıkarıldı ve analiz edildi. Bu inceleme, AI tabanlı retina biyobelirteçlerinin nörodejeneratif, kardiyovasküler ve kronik böbrek hastalıklarını tahmin etmedeki önemli potansiyelini vurgulamaktadır. Özellikle, DL algoritmaları bilişsel düşüş, demans, Parkinson hastalığı ve kardiyovasküler risk faktörleri ile ilişkili retina görüntü özelliklerinin belirlenmesinde etkili olduğunu göstermiştir. Ayrıca, retina görüntülerinden yararlanan uzunlamasına tahmin modelleri, sürekli hastalık riski değerlendirmesi ve erken tespitinde potansiyel göstermiştir. AI tabanlı retina biyobelirteçleri, hastalık tahminleri ve kişiselleştirilmiş bakım için non-invaziv, doğru ve verimlidir.ConclusionAI tabanlı retina görüntüleme, birincil bakımın ve sistemik hastalık yönetiminin dönüştürülmesinde söz verir. Birlikte, retinanın benzersiz özellikleri ve AI'nın gücü, erken teşhis, risk katmanlaşması ve hastalık yönetimi planlarında devrim yaratmaya yardımcı olur. Bununla birlikte, yapay zekanın bu alandaki potansiyelini tam olarak gerçekleştirmek için, gerçek dünya ayarlarında daha fazla araştırma ve doğrulama gereklidir.
Özgün kaynak özetini okuyun
BackgroundArtificial intelligence (AI) that utilizes deep learning (DL) has potential for systemic disease prediction using retinal imaging. The retina's unique features enable non-invasive visualization of the central nervous system and microvascular circulation, aiding early detection and personalized treatment plans for personalized care. This review explores the value of retinal assessment, AI-based retinal biomarkers, and the importance of longitudinal prediction models in personalized care.Main textThis narrative review extensively surveys the literature for relevant studies in PubMed and Google Scholar, investigating the application of AI-based retina biomarkers in predicting systemic diseases using retinal fundus photography. The study settings, sample sizes, utilized AI models and corresponding results were extracted and analysed. This review highlights the substantial potential of AI-based retinal biomarkers in predicting neurodegenerative, cardiovascular, and chronic kidney diseases. Notably, DL algorithms have demonstrated effectiveness in identifying retinal image features associated with cognitive decline, dementia, Parkinson's disease, and cardiovascular risk factors. Furthermore, longitudinal prediction models leveraging retinal images have shown potential in continuous disease risk assessment and early detection. AI-based retinal biomarkers are non-invasive, accurate, and efficient for disease forecasting and personalized care.ConclusionAI-based retinal imaging hold promise in transforming primary care and systemic disease management. Together, the retina's unique features and the power of AI enable early detection, risk stratification, and help revolutionizing disease management plans. However, to fully realize the potential of AI in this domain, further research and validation in real-world settings are essential.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.