Τεχνολογία

AI: Η τεχνητή νοημοσύνη βοηθά τους επαγγελματίες υγείας να διαβάζουν μπερδεμένα ΗΕΓ για να σώζουν ζωές

AI: Η τεχνητή νοημοσύνη βοηθά τους επαγγελματίες υγείας να διαβάζουν μπερδεμένα ΗΕΓ για να σώζουν ζωές
Και σε αυτήν την περίπτωση, το ερμηνεύσιμο μοντέλο ήταν στην πραγματικότητα πιο ακριβές. Παρέχει επίσης μια οπτική γωνία των τύπων ανώμαλων ηλεκτρικών σημάτων που εμφανίζονται στον εγκέφαλο, κάτι που είναι πραγματικά χρήσιμο για φροντίδα βαρέως πασχόντων ασθενών».

AI: Ερευνητές στο Πανεπιστήμιο Duke ανέπτυξαν ένα υποστηρικτικό μοντέλο μηχανικής μάθησης που βελτιώνει σημαντικά την ικανότητα των ιατρών να διαβάζουν τα διαγράμματα ηλεκτροεγκεφαλογραφίας (EEG) ασθενών εντατικής θεραπείας. Επειδή οι μετρήσεις ηλεκτροεγκεφαλογραφίας ΗΕΓ είναι η μόνη μέθοδος για να γνωρίζουμε πότε οι αναίσθητοι ασθενείς κινδυνεύουν να υποστούν επιληπτικές κρίσεις ή να παρουσιάζουν επεισόδια παρόμοια με αυτές, το υπολογιστικό εργαλείο θα μπορούσε να βοηθήσει να σωθούν χιλιάδες ζωές κάθε χρόνο.

Τα αποτελέσματα εμφανίζονται ηλεκτρονικά στις 23 Μαΐου στο NEJM AI. Τα ηλεκτροεγκεφαλογραφήματα χρησιμοποιούν μικρούς αισθητήρες που συνδέονται με το τριχωτό της κεφαλής για να μετρούν τα ηλεκτρικά σήματα του εγκεφάλου, παράγοντας μια μεγάλη σειρά από σκιρτούρες πάνω και κάτω. Όταν ένας ασθενής παθαίνει κρίση, αυτές οι γραμμές πηδούν δραματικά πάνω-κάτω σαν σεισμογράφος κατά τη διάρκεια ενός σεισμού – ένα σήμα που είναι εύκολο να αναγνωριστεί. Αλλά άλλες ιατρικά σημαντικές ανωμαλίες που ονομάζονται συμβάντα που μοιάζουν με επιληπτικές κρίσεις είναι πολύ πιο δύσκολο να διακριθούν. «Η εγκεφαλική δραστηριότητα που εξετάζουμε υπάρχει σε μια συνέχεια, όπου οι επιληπτικές κρίσεις βρίσκονται στο ένα άκρο, αλλά υπάρχουν ακόμη πολλά γεγονότα στη μέση που μπορούν επίσης να προκαλέσουν βλάβη και να απαιτήσουν φαρμακευτική αγωγή», δήλωσε ο Δρ Brandon Westover, αναπληρωτής καθηγητής νευρολογίας στο Γενικό Νοσοκομείο της Μασαχουσέτης και στην Ιατρική Σχολή του Χάρβαρντ. “Τα πρότυπα ΗΕΓ που προκαλούνται από αυτά τα συμβάντα είναι πιο δύσκολο να αναγνωριστούν και να κατηγοριοποιηθούν με σιγουριά, ακόμη και από υψηλά εκπαιδευμένους νευρολόγους, κάτι που δεν έχουν όλες οι ιατρικές εγκαταστάσεις. Αλλά κάτι τέτοιο είναι εξαιρετικά σημαντικό για τα αποτελέσματα υγείας αυτών των ασθενών.”

Για να δημιουργήσουν ένα εργαλείο που θα βοηθήσει να γίνουν αυτοί οι προσδιορισμοί, οι γιατροί στράφηκαν στο εργαστήριο της Cynthia Rudin, του Earl D. McLean, Jr. Καθηγητή Επιστήμης Υπολογιστών και Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών στο Duke. Η Rudin και οι συνεργάτες της ειδικεύονται στην ανάπτυξη «ερμηνεύσιμων» αλγορίθμων μηχανικής μάθησης. Ενώ τα περισσότερα μοντέλα μηχανικής μάθησης είναι ένα «μαύρο κουτί» που καθιστά αδύνατο για έναν άνθρωπο να γνωρίζει πώς καταλήγει σε συμπεράσματα, τα ερμηνεύσιμα μοντέλα μηχανικής μάθησης ουσιαστικά πρέπει να δείχνουν τη δουλειά τους. Αυτό το γράφημα που μοιάζει με αστερία είναι μια οπτική αναπαράσταση του τρόπου με τον οποίο ένας νέος αλγόριθμος τεχνητής νοημοσύνης βοηθά τους επαγγελματίες της ιατρικής περίθαλψης να διαβάσουν τα μοτίβα ΗΕΓ EEG ασθενών που κινδυνεύουν να υποστούν εγκεφαλική βλάβη από επιληπτικές κρίσεις ή επεισόδια που μοιάζουν με επιληπτικές κρίσεις. Κάθε βραχίονας διαφορετικού χρώματος αντιπροσωπεύει έναν τύπο επεισοδίων παρόμοιων με επιληπτικές κρίσεις που θα μπορούσε να αντιπροσωπεύει το ΗΕΓ. Όσο πιο κοντά βάζει ο αλγόριθμος ένα συγκεκριμένο γράφημα προς την άκρη ενός βραχίονα, τόσο πιο σίγουρος είναι για την απόφασή του, ενώ όσοι τοποθετούνται πιο κοντά στο κεντρικό σώμα είναι λιγότερο σίγουροι.

Η ερευνητική ομάδα ξεκίνησε συλλέγοντας δείγματα ΗΕΓ από περισσότερους από 2.700 ασθενείς και έχοντας περισσότερους από 120 ειδικούς να επιλέξουν τα σχετικά χαρακτηριστικά στα γραφήματα, κατηγοριοποιώντας τα είτε ως επιληπτικές κρίσεις, είτε ως έναν από τους τέσσερις τύπους επεισοδίων που μοιάζουν με επιληπτικές κρίσεις είτε ως «άλλα». Κάθε τύπος συμβάντος εμφανίζεται στα γραφήματα ΗΕΓ ως συγκεκριμένα σχήματα ή επαναλήψεις στις κυματιστές γραμμές. Επειδή όμως αυτά τα γραφήματα σπάνια είναι σταθερά στην εμφάνισή τους, τα ενδεικτικά σήματα μπορεί να διακοπούν από κακά δεδομένα ή να αναμιχθούν μεταξύ τους για να δημιουργήσουν ένα μπερδεμένο γράφημα. «Υπάρχει μια βασική αλήθεια, αλλά είναι δύσκολο να διαβαστεί», είπε ο Stark Guo, Ph.D. μαθητής που εργάζεται στο εργαστήριο του Rudin. “Η εγγενής ασάφεια σε πολλά από αυτά τα γραφήματα σήμαινε ότι έπρεπε να εκπαιδεύσουμε το μοντέλο ώστε να τοποθετεί τις αποφάσεις του σε ένα συνεχές και όχι σε καλά καθορισμένους ξεχωριστούς κάδους.”

Όταν εμφανίζεται οπτικά, αυτό το συνεχές μοιάζει με πολύχρωμο αστερία που κολυμπά μακριά από ένα αρπακτικό. Κάθε βραχίονας διαφορετικού χρώματος αντιπροσωπεύει έναν τύπο επεισοδίων παρόμοιων με επιληπτικές κρίσεις που θα μπορούσε να αντιπροσωπεύει το ΗΕΓ. Όσο πιο κοντά βάζει ο αλγόριθμος ένα συγκεκριμένο γράφημα προς την άκρη ενός βραχίονα, τόσο πιο σίγουρος είναι για την απόφασή του, ενώ όσοι τοποθετούνται πιο κοντά στο κεντρικό σώμα είναι λιγότερο σίγουροι. Εκτός από αυτήν την οπτική ταξινόμηση, ο αλγόριθμος επισημαίνει επίσης τα μοτίβα στα εγκεφαλικά κύματα που χρησιμοποίησε για τον προσδιορισμό του και παρέχει τρία παραδείγματα επαγγελματικών διαγνωστικών διαγραμμάτων που θεωρεί ότι είναι παρόμοια. «Αυτό επιτρέπει σε έναν επαγγελματία ιατρό να κοιτάξει γρήγορα τις σημαντικές ενότητες και είτε να συμφωνήσει ότι τα μοτίβα είναι εκεί είτε να αποφασίσει ότι ο αλγόριθμος δεν είναι σωστός», δήλωσε η Alina Barnett, μεταδιδακτορική ερευνητική συνεργάτης στο εργαστήριο Rudin. «Ακόμα κι αν δεν είναι άριστα εκπαιδευμένοι να διαβάζουν ηλεκτροεγκεφαλογραφήματα, μπορούν να πάρουν μια πολύ πιο μορφωμένη απόφαση».

Δοκιμάζοντας τον αλγόριθμο, η συνεργατική ομάδα ζήτησε από οκτώ επαγγελματίες ιατρούς με σχετική εμπειρία να κατηγοριοποιήσουν 100 δείγματα EEG στις έξι κατηγορίες, μία με τη βοήθεια AI και μία χωρίς. Η απόδοση όλων των συμμετεχόντων βελτιώθηκε σημαντικά, με τη συνολική τους ακρίβεια να αυξάνεται από 47% σε 71%. Η απόδοσή τους ανέβηκε επίσης πάνω από αυτές που χρησιμοποιούσαν έναν παρόμοιο αλγόριθμο «μαύρου κουτιού» σε προηγούμενη μελέτη. «Συνήθως, οι άνθρωποι πιστεύουν ότι τα μοντέλα μηχανικής εκμάθησης μαύρου κουτιού είναι πιο ακριβή, αλλά για πολλές σημαντικές εφαρμογές, όπως αυτή, απλά δεν είναι αλήθεια», είπε ο Rudin. “Είναι πολύ πιο εύκολο να αντιμετωπιστούν προβλήματα όταν είναι ερμηνεύσιμα. Και σε αυτήν την περίπτωση, το ερμηνεύσιμο μοντέλο ήταν στην πραγματικότητα πιο ακριβές. Παρέχει επίσης μια οπτική γωνία των τύπων ανώμαλων ηλεκτρικών σημάτων που εμφανίζονται στον εγκέφαλο, κάτι που είναι πραγματικά χρήσιμο για φροντίδα βαρέως πασχόντων ασθενών».