Τεχνητή Νοημοσύνη: Ένας νέος αλγόριθμος τεχνητής νοημοσύνης που αναπτύχθηκε στο Ευρωπαϊκό Πανεπιστήμιο EPFL και το Πανεπιστημιακό Νοσοκομείο της Γενεύης (HUG) θα τροφοδοτήσει ένα έξυπνο στηθοσκόπιο που ονομάζεται Pneumoscope και έχει τη δυνατότητα να βελτιώσει τη διαχείριση των αναπνευστικών ασθενειών σε περιβάλλοντα με χαμηλές πηγές και απομακρυσμένες περιοχές.
Καθώς ο αέρας περνά μέσα από τον λαβύρινθο των μικρών διαδρόμων στους πνεύμονές μας, κάνει έναν χαρακτηριστικό ήχο που σφυρίζει. Όταν αυτές οι δίοδοι στενεύουν λόγω ασθματικής φλεγμονής ή φράσσονται από τις μολυσματικές εκκρίσεις της βρογχίτιδας, ο ήχος αλλάζει με χαρακτηριστικούς τρόπους. Ο έλεγχος για αυτές τις διαγνωστικές υπογραφές με τη χρήση ενός στηθοσκοπίου που εφαρμόζεται στο θώρακα, μια διαδικασία που ονομάζεται ακρόαση, έχει γίνει αναπόφευκτο στοιχείο σχεδόν κάθε υγειονομικού ελέγχου. Ωστόσο, παρά την εμπειρία δύο αιώνων με τα στηθοσκόπια, η ερμηνεία της ακρόασης εξακολουθεί να είναι εξαιρετικά υποκειμενική, όπου ο ένας γιατρός ο άλλος θα ακούσει κάτι διαφορετικό. Πράγματι, ανάλογα με το πού βρίσκεστε στον κόσμο, ένας και μόνο ήχος μπορεί να περιγραφεί ποικιλοτρόπως ως τσιτσίρισμα, σκάσιμο καραμέλας, βέλκρο, τηγάνισμα ρυζιού και πολλά άλλα. Η ακρίβεια επηρεάζεται περαιτέρω από το επίπεδο εμπειρίας του υγειονομικού και την εξειδίκευσή του. Αυτές οι επιπλοκές τον καθιστούν ιδανική πρόκληση για τη βαθιά μάθηση, η οποία έχει τη δυνατότητα να διακρίνει πιο αντικειμενικά τα ηχητικά μοτίβα. Η βαθιά μάθηση έχει ήδη αποδειχθεί ότι μπορεί να ενισχύσει την ανθρώπινη αντίληψη στην ερμηνεία μιας σειράς σύνθετων ιατρικών εξετάσεων, όπως οι ακτίνες Χ και οι μαγνητικές τομογραφίες.
Τώρα, μια νέα μελέτη που δημοσιεύθηκε στο npj Digital Medicine από την ερευνητική ομάδα ευφυούς παγκόσμιας υγείας (iGH) της EPFL που εδρεύει στο Εργαστήριο Μηχανικής Μάθησης και Βελτιστοποίησης, ένα κέντρο διεπιστημονικών ειδικών της Τεχνητής Νοημοσύνης στη Σχολή Επιστημών Υπολογιστών και Επικοινωνιών, περιγράφει τον αλγόριθμό Τεχνητής Νοημοσύνης ΤΝ, DeepBreath, που δείχνει τις δυνατότητες αυτοματοποιημένης ερμηνείας στη διάγνωση αναπνευστικών ασθενειών. “Αυτό που κάνει αυτή τη μελέτη ιδιαίτερα μοναδική είναι η ποικιλομορφία και η αυστηρή συλλογή της τράπεζας ήχων της ακρόασης”, δήλωσε η επικεφαλής συγγραφέας της μελέτης, δρ Mary-Anne Hartley, ιατρός και επιστήμονας βιοϊατρικών δεδομένων που είναι επικεφαλής του iGH. Σχεδόν 600 παιδιατρικοί εξωτερικοί ασθενείς προσελήφθησαν σε πέντε χώρες – Ελβετία, Βραζιλία, Σενεγάλη, Καμερούν και Μαρόκο. Οι αναπνευστικοί ήχοι καταγράφηκαν σε ασθενείς κάτω των 15 ετών που παρουσίαζαν τους τρεις πιο κοινούς τύπους αναπνευστικής νόσου – ακτινογραφικά επιβεβαιωμένη πνευμονία και κλινικά διαγνωσμένη βρογχιολίτιδα, καθώς και άσθμα. “Οι αναπνευστικές παθήσεις είναι η υπ’ αριθμόν ένα αιτία θανάτου που μπορεί να αποφευχθεί σε αυτή την ηλικιακή ομάδα”, εξήγησε ο καθηγητής Alain Gervaix, επικεφαλής του Τμήματος Παιδιατρικής Ιατρικής στο HUG και ιδρυτής της Onescope: της νεοφυούς επιχείρησης που θα φέρει στην αγορά αυτό το έξυπνο στηθοσκόπιο που ενσωματώνει τον αλγόριθμο DeepBreath. “Η εργασία αυτή αποτελεί ένα τέλειο παράδειγμα μιας επιτυχημένης συνεργασίας μεταξύ του HUG και του EPFL, μεταξύ κλινικών μελετών και βασικής επιστήμης. Το πνευμονοσκόπιο που τροφοδοτείται από το DeepBreath είναι μια επαναστατική καινοτομία για τη διάγνωση και τη διαχείριση των αναπνευστικών παθήσεων”, συνέχισε. Η ομάδα της Dr. Hartley ηγείται της ανάπτυξης της τεχνητής νοημοσύνης για το Onescope και είναι ιδιαίτερα ενθουσιασμένη από τις δυνατότητες του εργαλείου σε περιβάλλοντα απομακρυσμένα και χαμηλών πόρων. “Τα επαναχρησιμοποιήσιμα διαγνωστικά εργαλεία χωρίς αναλώσιμα, όπως αυτό το έξυπνο στηθοσκόπιο, έχουν το μοναδικό πλεονέκτημα της εγγυημένης βιωσιμότητας”, εξήγησε και πρόσθεσε: “Τα εργαλεία τεχνητής νοημοσύνης έχουν, επίσης, τη δυνατότητα να βελτιώνονται συνεχώς και είμαι αισιόδοξη ότι θα μπορούσαμε να επεκτείνουμε τον αλγόριθμο σε άλλες αναπνευστικές ασθένειες και πληθυσμούς με περαιτέρω δεδομένα”.
Το DeepBreath εκπαιδεύεται σε ασθενείς από την Ελβετία και τη Βραζιλία και στη συνέχεια επικυρώνεται σε καταγραφές από τη Σενεγάλη, το Καμερούν και το Μαρόκο, δίνοντας εικόνα για τη γεωγραφική γενικευσιμότητα του εργαλείου. “Μπορείτε να φανταστείτε ότι υπάρχουν πολλές διαφορές μεταξύ των δωματίων επειγόντων περιστατικών στην Ελβετία, το Καμερούν και τη Σενεγάλη”, δήλωσε ο Dr. Hartley. Απαριθμεί παραδείγματα, όπως “το ηχοτοπίο του θορύβου του περιβάλλοντος, ο τρόπος με τον οποίο ο κλινικός ιατρός κρατά το στηθοσκόπιο που καταγράφει τον ήχο, η επιδημιολογία και τα τοπικά πρωτόκολλα διάγνωσης”. Με αρκετά δεδομένα, ένας αλγόριθμος θα πρέπει να είναι ανθεκτικός σε αυτές τις αποχρώσεις και να βρίσκει το σήμα μέσα στον θόρυβο. Το DeepBreath διατήρησε εντυπωσιακή απόδοση σε διαφορετικές τοποθεσίες παρά τον μικρό αριθμό ασθενών, γεγονός που υποδηλώνει τη δυνατότητα περαιτέρω βελτίωσης με περισσότερα δεδομένα. Μια ιδιαίτερα μοναδική συνεισφορά της μελέτης ήταν η συμπερίληψη μεθόδων που αποσκοπούσαν στην απομυθοποίηση της εσωτερικής λειτουργίας του “μαύρου κουτιού” του αλγορίθμου. Οι συγγραφείς κατάφεραν να αποδείξουν ότι το μοντέλο χρησιμοποιούσε πράγματι τον κύκλο της αναπνοής για να κάνει τις προβλέψεις του και να δείξουν ποια μέρη του ήταν πιο σημαντικά. Η απόδειξη ότι ο αλγόριθμος χρησιμοποιεί πράγματι τους ήχους της αναπνοής, αντί να “κλέβει” χρησιμοποιώντας τις προκατειλημμένες υπογραφές στον θόρυβο του περιβάλλοντος, αποτελεί κρίσιμο κενό στην τρέχουσα βιβλιογραφία και μπορεί να υποβαθμίσει την εμπιστοσύνη στον αλγόριθμο. Η διεπιστημονική ομάδα εργάζεται για να προετοιμάσει τον αλγόριθμο για χρήση στον πραγματικό κόσμο στο έξυπνο στηθοσκόπιό της, το Pneumoscope. Ένα σημαντικό επόμενο έργο είναι η επανάληψη της μελέτης σε περισσότερους ασθενείς χρησιμοποιώντας ηχογραφήσεις από αυτό το πρόσφατα αναπτυγμένο ψηφιακό στηθοσκόπιο, το οποίο καταγράφει επίσης τη θερμοκρασία και την οξυγόνωση του αίματος. “Ο συνδυασμός αυτών των σημάτων μαζί θα βελτιώσει πιθανότατα τις προβλέψεις ακόμη περισσότερο”, λέει ο Δρ Χάρτλεϊ.
