研究人員利用機器學習評估骨密度掃描，以發現人體主動脈的鈣化情況，他們的方法可用於預測未來的心血管疾病和其他疾病，甚至在症狀出現之前。就像心臟血管內壁的鈣化或鈣沉積會帶來問題一樣，人體最大的動脈主動脈也會出現鈣化。從心臟出來後，主動脈向上分支，為大腦和手臂供血，並向下延伸至腹部，在腹部分成較小的動脈，為每條腿供血。

腹主動脈鈣化（AAC）是指主動脈穿過腹部的部分發生鈣化，可預測心血管疾病（如心髒病發作和中風）的發展並決定死亡風險。先前的研究還發現，它也是晚年癡呆症的可靠標誌。AAC在骨密度掃描中可見，通常用於檢測腰椎的骨質疏鬆症，但需要訓練有素的專業人員來分析這些圖像，這需要時間。

AAC通常由訓練有素的影像專家使用24點評分系統（AAC-24）進行量化。0分代表沒有鈣化，24分代表最嚴重的AAC程度。現在，澳大利亞埃迪斯科文大學（Edith Cowan University）的研究人員利用機器學習加快了鈣化評估和評分過程。

研究人員將由四種不同型號的骨密度儀拍攝的5012張脊柱圖像輸入他們的機器學習模型。研究人員說，儘管已經開發了其他算法來評估這些類型圖像中的AAC，但這項研究是規模最大的，也是首次在真實世界環境中使用常規骨密度測試圖像進行測試。

然後，他們評估了該模型在根據AAC-24評分將圖像準確地分為低、中和高鈣化類別方面的性能。為了檢驗準確性，將基於機器學習的AAC評分與人類專家給出的評分進行了比較。專家和軟件在80%的情況下得出了相同的結論。有3%的AAC高分者被軟件錯誤地診斷為低分。

人類和機器學習模型給出的AAC評分比較/伊迪絲考文大學

Lewis說：”這是值得注意的，因為這些人的疾病程度最嚴重，發生致命性和非致命性心血管事件以及全因死亡率的風險最高。雖然與人類讀數相比，提高軟件的準確性還有很多工作要做，但這些結果是我們1.0版算法的結果，我們已經用最新版本的算法大幅提高了結果。”

研究人員說，他們的機器學習算法可以每天分析大約6萬張骨密度掃描圖像。考慮到專家分析一張圖像平均需要5到15分鐘，這是一個巨大的進步。

這項研究的通訊作者約書亞-劉易斯（Joshua Lewis）說：”由於這些圖像和自動評分可以在骨密度檢測時快速方便地獲得，這可能會在未來的常規臨床實踐中為早期心血管疾病檢測和疾病監測帶來新方法。”

研究人員說，他們的篩查方法可用於在症狀出現前篩查疾病。

Lewis說：”自動評估AAC的存在和程度，其準確性與成像專家相似，這為大規模篩查心血管疾病和其他疾病提供了可能–甚至在某人出現任何症狀之前。這將使高危人群更早地做出必要的生活方式改變，使他們在晚年更健康。”

這項研究發表在《eBioMedicine》雜誌上。