Η Fraunhofer Austria και το AULSS2 Marca Trevigiana Institute στο Τρεβίζο έχουν αναπτύξει μια μέθοδο βασισμένη στην τεχνητή νοημοσύνη που μπορεί να μειώσει τον φόρτο εργασίας των εργαστηρίων. Οι λοιμώξεις του ουροποιητικού συστήματος διαγιγνώσκονται συνήθως μέσω καλλιέργειας ούρων: ένα εκχύλισμα του δείγματος ούρων εφαρμόζεται σε ένα πιάτο και εξετάζεται για ανάπτυξη βακτηρίων στο μικροσκόπιο για τις επόμενες 24 έως 48 ώρες. Ωστόσο, μετά από αυτή τη χρονοβόρα διαδικασία, περισσότερα από τα δύο τρίτα των δειγμάτων αποδεικνύονται αρνητικά.
Η δυνατότητα εκ των προτέρων φιλτραρίσματος αυτών των αρνητικών δειγμάτων θα μείωνε σημαντικά τον φόρτο εργασίας στα εργαστήρια και τα αρνητικά αποτελέσματα των δοκιμών θα ήταν διαθέσιμα πολύ πιο γρήγορα. Η τεχνητή νοημοσύνη (AI), που αναπτύχθηκε τώρα από τις αυστριακές και ιταλικές ερευνητικές ομάδες, μπορεί να ανιχνεύσει αρνητικά δείγματα με μεγαλύτερη ακρίβεια από προηγούμενες μεθόδους και, ως εκ τούτου, μπορεί να μειώσει τον φόρτο εργασίας στο εργαστήριο κατά 16%.
Ο αλγόριθμος που χρησιμοποιείται εμπίπτει στην κατηγορία του λεγόμενου ερμηνεύσιμου AI: ενημερώνει τους γιατρούς που θεραπεύουν τον ασθενή για τους λόγους για τους οποίους προσδιόρισε ένα δείγμα ως αρνητικό. Τα αποτελέσματα της μελέτης δημοσιεύτηκαν στο American Journal of Clinical Pathology και είναι διαθέσιμα για άμεση χρήση σε κατάλληλα μηχανήματα.
Καθώς είναι πολύ χρονοβόρο η λεπτομερής εξέταση κάθε δείγματος ούρων, πολλά νοσοκομεία χρησιμοποιούν ήδη κυτταρομετρία ροής. Με αυτόν τον τρόπο, οι γιατροί μπορούν να κάνουν μια προεπιλογή, ώστε να μην αποστέλλονται εξαρχής στην καλλιέργεια ούρων προφανώς αρνητικά ή μολυσμένα δείγματα. Μια ευρέως χρησιμοποιούμενη συσκευή για το σκοπό αυτό είναι το «Sysmex Uf-1000i», τα δεδομένα του οποίου ανέλυσαν οι ερευνητές στο πλαίσιο της μελέτης τους.
Αυτή η συσκευή μετράει και ταξινομεί αυτόματα τα σωματίδια στο δείγμα και εξάγει περισσότερες από 40 παραμέτρους που μπορούν στη συνέχεια να χρησιμοποιηθούν για διάγνωση. Ωστόσο, οι προηγούμενες μέθοδοι για τον εντοπισμό αρνητικών δειγμάτων χρησιμοποιούσαν μόνο μερικές από αυτές τις παραμέτρους — γεγονός που έδωσε την ώθηση για το ερευνητικό έργο.
«Θέλαμε να δούμε αν μπορούμε να βελτιώσουμε τα αποτελέσματα συμπεριλαμβάνοντας περισσότερες παραμέτρους στην αξιολόγηση αντί μόνο δύο ή τριών», εξηγεί ο Giacomo Da Col, επικεφαλής του έργου στη Fraunhofer Austria. Μαζί με τον γιατρό Fabio Del Ben από το Εθνικό Ινστιτούτο Καρκίνου στο Aviano της Ιταλίας και μια ερευνητική ομάδα, αξιολογήθηκαν 15.312 δείγματα από 10.534 ασθενείς.
Δέντρα απόφασης ως ερμηνεύσιμη AI
Ωστόσο, οι ερευνητές είχαν ειδικές απαιτήσεις για τη χρήση του AI στο έργο. Επομένως, ήταν υποχρεωτική απαίτηση για εμάς ο αλγόριθμός μας να είναι διαφανής και ερμηνεύσιμος και οι γιατροί να γνωρίζουν γιατί ένα δείγμα κατηγοριοποιήθηκε ως αρνητικό», εξηγεί ο Giacomo Da Col. Μια μορφή τεχνητής νοημοσύνης στην οποία ισχύει αυτό είναι τα λεγόμενα δέντρα απόφασης. Αυτή η μεθοδολογία είναι πολύ διαισθητική και καθιστά δυνατή την κατανόηση των αξιολογήσεών της.
Ο τρόπος με τον οποίο λειτουργούν τα δέντρα αποφάσεων είναι συγκρίσιμος με τον τρόπο που σκέφτονται οι άνθρωποι: κάνουν και απαντούν ορισμένες ερωτήσεις η μία μετά την άλλη για να καταλήξουν σε μια κρίση. Η ομάδα διαπίστωσε ότι τα κριτήρια απόφασης του AI ήταν πολύ παρόμοια με εκείνα των γιατρών. Το AI κατέληξε επίσης στο συμπέρασμα ότι ένα από τα πιο σημαντικά κριτήρια έπρεπε να είναι ο αριθμός των βακτηρίων, ακολουθούμενος από την ηλικία του ασθενούς. Σε αντίθεση με προηγούμενες μεθόδους, ωστόσο, οι ερευνητές εξέτασαν και άλλες παραμέτρους.
Ο τελικός αλγόριθμος χρησιμοποιεί επτά από τις διαθέσιμες παραμέτρους, έχει την απαιτούμενη ευαισθησία 95% και μπορεί να μειώσει τον φόρτο εργασίας των εργαστηρίων κατά 16% σε σύγκριση με προηγούμενες μεθόδους. «Κάναμε αρκετές βελτιώσεις στον αλγόριθμο του δέντρου αποφάσεων για να αυξήσουμε την απόδοση διατηρώντας παράλληλα την ερμηνευτικότητα», εξηγεί η Doriana Cobârzan από την Fraunhofer Austria, η οποία έπαιξε βασικό ρόλο στην ανάπτυξη της τεχνητής νοημοσύνης.