Για ασθενείς που έχουν ορατή ή χαμηλού βαθμού δυσπλασία (μη φυσιολογική κυτταρική ανάπτυξη που μπορεί να μην είναι κακοήθης), συνήθως χρησιμοποιείται η ενδοσκοπική εκτομή, μια τεχνική αφαίρεσης των καρκινικών βλαβών, και η κολονοσκόπηση. Ωστόσο, για ασθενείς με υψηλό ποσοστό νεοπλασίας (σοβαρή κυτταρική ανάπτυξη που είναι κακοήθης), η ολική πρωκτοκολεκτομή, δηλαδή η πλήρης αφαίρεση του παχέος εντέρου και του ορθού είναι η τυπική θεραπεία, η οποία είναι εξαιρετικά επιζήμια για την ποιότητα ζωής τους. Ως εκ τούτου, ο εντοπισμός της σοβαρότητας και του βαθμού της νεοπλασίας κατά τη διάγνωση είναι απαραίτητος πριν ξεκινήσει η θεραπεία. Δυστυχώς, η παρουσία φλεγμονής στην περιοχή του παχέος εντέρου δυσκολεύει τους ενδοσκόπους να ταξινομήσουν τον τύπο της νεοπλασίας IBD (IBDN). Έτσι η βιοψία είναι η μόνη βιώσιμη επιλογή, η οποία, ωστόσο, συνδέεται με υψηλούς κινδύνους και συχνά οδηγεί σε ανακριβείς διαγνώσεις, υπογραμμίζοντας την ανάγκη για μια απλούστερη διαγνωστική τεχνική με υψηλή ακρίβεια.
Για το σκοπό αυτό, μια ομάδα ερευνητών από την Ιατρική Σχολή του Πανεπιστημίου της Οκαγιάμα, συμπεριλαμβανομένου του Επίκουρου Καθηγητή Hideaki Kinugasa, Doctor Shumpei Yamamoto, του καθηγητή Sakiko Hiraoka και του Yoshiro Kawahara, διεξήγαγε μια πιλοτική μελέτη για την ανάπτυξη ενός συστήματος τεχνητής νοημοσύνης (AI) που ταξινομεί της βλάβες με ακρίβεια. Επιπλέον, ως μέρος της μελέτης, η οποία δημοσιεύτηκε στο Gastroenterology and Hepatology για πρώτη φορά στις 29 Μαΐου 2022, οι ερευνητές συνέκριναν τη διαγνωστική ικανότητα των ενδοσκόπων με αυτή του νέου συστήματος AI.
Πρώτον, η ομάδα χρησιμοποίησε ένα συμβατικό νευρωνικό δίκτυο (CNN) – έναν τύπο νευρωνικού δικτύου που χρησιμοποιείται για την ανάλυση οπτικών εικόνων – γνωστό ως Efficient-Net-B3, για να αναπτύξει το πρωτότυπο του συστήματος AI. Εκπαίδευσαν αυτό το σύστημα χρησιμοποιώντας 862 ενδοσκοπικές εικόνες 99 βλαβών IBDN από ασθενείς με IBD που προέρχονται από δύο νοσοκομεία μεταξύ 2003 και 2021 και το επικύρωσαν χρησιμοποιώντας ένα πλαίσιο βαθιάς μάθησης. Στη συνέχεια, ζήτησαν από ενδοσκόπους με πάνω από 8 χρόνια εμπειρίας στην ενδοσκόπηση του γαστρεντερικού συστήματος να αναλύσουν τις εικόνες και να ταξινομήσουν τις βλάβες σε δύο τύπους με βάση την ανάγκη για πρωκτοκολεκτομή και συνέκριναν την ταξινόμησή τους με αυτή του συστήματος AI.
Ως αποτέλεσμα, το σύστημα AI δημιούργησε περίπου έξι εκατομμύρια εικόνες από το αρχικό σύνολο δεδομένων, οι οποίες στη συνέχεια χρησιμοποιήθηκαν για την ανάλυση κλινικοπαθολογικών χαρακτηριστικών των ασθενών και των βλαβών. Με βάση αυτές τις αναλύσεις, η ομάδα διαπίστωσε ότι οι περισσότεροι ασθενείς είχαν ελκώδη κολίτιδα – έναν τύπο IBD, με περισσότερο από το 95% από αυτούς να παρουσιάζουν πανκολίτιδα και αριστερή κολίτιδα. Επιπλέον, το σύστημα AI εμφάνισε μια διαγνωστική ικανότητα βάσει εικόνας με ευαισθησία 64,5%, ειδικότητα 89,5% και ακρίβεια 80,6% και διαγνωστική ικανότητα βάσει βλαβών με ευαισθησία 74,4%, ειδικότητα 85% και ακρίβεια 80,8%. Αυτό που είναι ενδιαφέρον είναι ότι το σωστό ποσοστό διάγνωσης του συστήματος AI ήταν 79,0, ενώ των ενδοσκόπων ήταν 77,8.
“Το πρωτότυπο του συστήματος AI μας αποδείχθηκε επιτυχημένο στον προσδιορισμό του βαθμού κακοήθειας των όγκων του IBD και είναι αρκετά πολύτιμο ώστε να συμβάλει στην κλινική πρακτική τα επόμενα χρόνια”, δήλωσε ο Επίκουρος Καθηγητής Kinugasa.