Το νέο μοντέλο τεχνητής νοημοσύνης βοήθησε στη διάγνωση της οστεοαρθρίτιδας του γόνατος σε 178% περισσότερες περιπτώσεις από ό,τι διαγιγνώσκεται επί του παρόντος σε μια μεγάλη ομάδα ασθενών χρησιμοποιώντας μόνο ακτινογραφίες της άρθρωσης του γόνατος. Ερευνητές από το Κολλέγιο Φυσικών Επιστημών του Πανεπιστημίου του Τέξας στο Όστιν (UT Austin) και την Ιατρική Σχολή της Dell ανέπτυξαν ένα μοντέλο τεχνητής νοημοσύνης (AI) ικανό να αναγνωρίζει την οστεοαρθρίτιδα γόνατος με βάση εικόνες ακτίνων Χ της άρθρωσης του γόνατος. Η εργασία, η οποία περιγράφεται λεπτομερώς σε μια πρόσφατη μελέτη npj Digital Medicine , υπογραμμίζει ότι η οστεοαρθρίτιδα γόνατος είναι μια σημαντική αιτία αναπηρίας ενηλίκων στις Ηνωμένες Πολιτείες, ιδιαίτερα σε ασθενείς ηλικίας άνω των 50 ετών. Η πάθηση μπορεί να προκαλέσει καθημερινές δραστηριότητες όπως ορθοστασία, περπάτημα ή αναρρίχηση και οι σκάλες είναι δύσκολες ή σχεδόν αδύνατες, και μόλις γίνει σοβαρή η οστεοαρθρίτιδα του γόνατος μπορεί να γίνει δαπανηρή η θεραπεία.
Η αρθρίτιδα του γόνατος προκαλείται από το τρίξιμο του μηριαίου οστού και της κνήμης μεταξύ τους, γεγονός που προκαλεί τη φθορά του προστατευτικού χόνδρου. Αυτή η φθορά δημιουργεί ένα κενό μεταξύ των δύο οστών, γνωστό ως κοινός χώρος. Το μέγεθος του διαστήματος της άρθρωσης σχετίζεται με τη σοβαρότητα της αρθρίτιδας, με αποτέλεσμα οι κλινικοί γιατροί να το χρησιμοποιούν ως κλινικό βιοδείκτη για την αξιολόγηση της νόσου στο κλινικό περιβάλλον. Αυτό οδήγησε την ερευνητική ομάδα να υποθέσει ότι η ακριβής αξιολόγηση του χώρου της άρθρωσης, όπως παρουσιάζεται σε εικόνες ακτίνων Χ της άρθρωσης του γόνατος, με χρήση τεχνητής νοημοσύνης θα μπορούσε να βοηθήσει στη βελτίωση της διάγνωσης, στην παρακολούθηση της εξέλιξης της νόσου και πιθανώς στην πρόβλεψη του κινδύνου οστεοαρθρίτιδας του γόνατος.
«Φανταστείτε ότι κάποιος πηγαίνει στην κλινική και κάνει ακτινογραφία για κάποιο άλλο λόγο, και η κλινική εκτελεί αυτό το σύστημα AI στο παρασκήνιο σε κάθε εικόνα που διαγιγνώσκει αυτόματα αρθρίτιδα», δήλωσε ο Vagheesh Narasimhan, PhD, επίκουρος καθηγητής στο UT Austin’s. Τμήμα Στατιστικής και Επιστημών Δεδομένων και Τμήμα Ολοκληρωτικής Βιολογίας, στο δελτίο τύπου. «Θα μπορούσαμε να τους πούμε, ίσως θα έπρεπε να συμβουλευτείτε έναν ειδικό ορθοπεδικό για αυτήν την πάθηση». Για να σχεδιάσουν το μοντέλο, οι ερευνητές άντλησαν δεδομένα ηλεκτρονικών αρχείων υγείας, συμπεριλαμβανομένων γενετικών πληροφοριών και ιατρικής απεικόνισης, από 29.257 άτομα στην UK Biobank, μια μεγάλης κλίμακας βάση δεδομένων βιοϊατρικής έρευνας που αποτελείται από πληροφορίες υγείας από μισό εκατομμύριο συμμετέχοντες στο Ηνωμένο Βασίλειο.
Από εκεί, η ερευνητική ομάδα εκπαίδευσε έναν αλγόριθμο βαθιάς μάθησης (DL) για να αναλύσει δεδομένα απεικόνισης ζευγοποιημένης απορρόφησης ακτίνων Χ διπλής ενέργειας (DXA) και δεδομένων αλληλουχίας γονιδιώματος. Στη συνέχεια, οι ερευνητές εκπαίδευσαν έναν δεύτερο αλγόριθμο DL για τη μέτρηση του πλάτους του χώρου της άρθρωσης του γόνατος, έναν ποσοτικό φαινότυπο που σχετίζεται με τη σοβαρότητα της οστεοαρθρίτιδας του γόνατος. Αυτά θα μπορούσαν στη συνέχεια να συνδυαστούν για τον εντοπισμό περιπτώσεων ασθένειας. Το μοντέλο που προέκυψε έδειξε απόδοση σε επίπεδο κλινικού ιατρού, επισημαίνοντας με ακρίβεια 178 τοις εκατό περισσότερες περιπτώσεις οστεοαρθρίτιδας του γόνατος από αυτές που διαγιγνώσκονται επί του παρόντος στην ομάδα ασθενών.
Επιπλέον, οι ασθενείς που προσδιορίστηκαν από το μοντέλο ανέφεραν υψηλότερα ποσοστά πόνου στο γόνατο, για μεγαλύτερη διάρκεια και με αυξημένη σοβαρότητα σε σύγκριση με τους ασθενείς της ομάδας ελέγχου. Η δυνατότητα της οστεοαρθρίτιδας γόνατος να προκαλέσει αναπηρία και άλλες δυσμενείς εκβάσεις ώθησε περαιτέρω την ερευνητική ομάδα να σχεδιάσει το εργαλείο τεχνητής νοημοσύνης ως εργαλείο υποστήριξης κλινικών αποφάσεων που θα μπορούσε να ενσωματωθεί σε υπάρχον λογισμικό που αξιοποιείται από τεχνικούς για την αξιολόγηση της ιατρικής απεικόνισης. Κάτι τέτοιο μπορεί να βοηθήσει στην πρόβλεψη του ποιος μπορεί να διατρέχει κίνδυνο για την πάθηση και να ενισχύσει την έγκαιρη ανίχνευση, ανέφερε η ερευνητική ομάδα. «Έτσι, σκεφτόμαστε επίσης τρόπους για να συνδυάσουμε την απεικόνιση, τα γενετικά δεδομένα και άλλους παράγοντες κινδύνου ταυτόχρονα σε ένα ενιαίο μοντέλο, για να παρέχουμε μια πιο ολοκληρωμένη πρόβλεψη για την οστεοαρθρίτιδα του γόνατος», εξήγησε ο Narasimhan.
Αυτή η έρευνα αντικατοπτρίζει ένα ευρύτερο ενδιαφέρον για το πώς η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για την προώθηση της ιατρικής απεικόνισης. Την περασμένη εβδομάδα, η Microsoft και η εταιρεία τεχνολογίας υγειονομικής περίθαλψης Paige ανακοίνωσαν μια συνεργασία με στόχο την ανάπτυξη των μεγαλύτερων μοντέλων τεχνητής νοημοσύνης που βασίζονται σε εικόνες στον κόσμο για ογκολογία και παθολογία. Η συνεργασία εργάζεται για τη δημιουργία ενός μοντέλου τεχνητής νοημοσύνης που εκπαιδεύεται χρησιμοποιώντας δισεκατομμύρια παραμέτρους απεικόνισης και άλλα δεδομένα με την ελπίδα να καταγράψει λεπτές λειτουργίες στην απεικόνιση του καρκίνου. Με αυτόν τον τρόπο, οι ενδιαφερόμενοι προτείνουν ότι το μοντέλο έχει τη δυνατότητα να προωθήσει σημαντικά την ογκολογία και την παθολογία, οδηγώντας σε μετασχηματισμούς στη διάγνωση και τη φροντίδα του καρκίνου.