Της Κατερίνας Μυλωνά
Η ασθένεια COVID-19 που προκαλείται από τον κορωνοϊό SARS-CoV-2 έχει επιφέρει μια αναπάντεχη κρίση στο υγειονομικό σύστημα των περισσότερων χωρών του κόσμου, με εκατομμύρια ανθρώπους να έχουν προσβληθεί από τον ιό. Η έλλειψη, η περιορισμένη ευαισθησία, ο εκτεταμένος χρόνος διάγνωσης και το υψηλό κόστος των διαγνωστικών τεστ με τη μέθοδο RT-PCR έχουν δημιουργήσει ένα τεράστιο βάρος στο υγειονομικό σύστημα ακόμη και αναπτυγμένων χωρών, οδηγώντας έτσι στη καθυστέρηση απομόνωσης ή νοσηλείας των ασθενών και ως εκ τούτου στη δυσκολία περιορισμού του ιού.
Η διεθνής ερευνητική κοινότητα, λοιπόν, έχει οδηγηθεί στην αναζήτηση εναλλακτικών λύσεων για την διάγνωση του ιού. Συγκεκριμένα, η νόσος του κορωνοϊού παρουσιάζει χαρακτηριστικές ακτινολογικές υπογραφές που μπορούν να παρατηρηθούν σε εξετάσεις ρουτίνας (όπως η ακτινογραφία και η αξονική τομογραφία θώρακος), αλλά η αναγνώριση τους είναι δύσκολη και χρονοβόρα ακόμη και για εξειδικευμένους ακτινολόγους.
Το Εργαστήριο Υπολογιστικής Βιοϊατρικής του Ινστιτούτου Πληροφορικής του ΙΤΕ, υπό την επίβλεψη του καθηγητή Κώστα Μαριά ανέπτυξε δύο εφαρμογές τεχνητής νοημοσύνης (ΤΝ) για την ανίχνευση της ασθένειας COVID-19 μέσω ανάλυσης ακτινογραφιών (X-ray) και αξονικών τομογραφιών (CT) θώρακος. Οι ευφυείς αυτές εφαρμογές βασίζονται σε μοντέλα βαθιάς μάθησης (deep learning) εκπαιδευμένα σε παρελθοντικά δεδομένα με γνωστό το κλινικό αποτέλεσμα.
Τα μοντέλα ΤΝ για ακτινογραφίες αναλύουν τις αντίστοιχες εξετάσεις χωρίς να απαιτείται ειδική επεξεργασία των εικόνων. Επίσης παρέχουν την δυνατότητα όχι μόνο ανίχνευσης του COVID-19 αλλά τον διαχωρισμό των ασθενών με βάση την πάθηση δηλαδή αν o ασθενής έχει προσβληθεί από άλλου είδους ιογενή ή βακτηριακή λοίμωξη του αναπνευστικού. Η σημασία αυτού έγκειται στο γεγονός ότι είναι περίπλοκος ο διαχωρισμός διαφόρων τύπων πνευμονίας από τους ιατρούς, έχοντας μόνο την ακτινογραφία θώρακος, λόγω των εγγενών ομοιοτήτων στα κλινικά συμπτώματα των εξεταζόμενων πνευμονιών.
Το εν λόγω μοντέλο ανέπτυξε ο Νίκος Τσικνάκης και η αντίστοιχη δημοσίευση είναι ανοιχτή και δωρεάν στο ευρύ κοινό στον διαδικτυακό τόπο του περιοδικού Experimental and Therapeutic Medicine. Επίσης η υλοποίηση αυτή απέσπασε το Gold βραβείο στη κατηγορία «Ερευνητικό Έργο σε Πανεπιστήμια/Εκπαιδευτικά Ιδρύματα/ Ερευνητικά Κέντρα/Νοσοκομεία» στα Healthcare Business Awards 2020, το οποίο παρέλαβαν ο Νίκος Τσικνάκης και ο καθηγητής Κώστας Μαριάς.
Επιπρόσθετα, οι απεικονιστικές τεχνικές μέσω της αξονικής τομογραφίας (CT) είναι στοχευμένες εξετάσεις που παρουσιάζουν με περισσότερη λεπτομέρεια ανατομικές περιοχές του ασθενή. Το δεύτερο σύστημα ανάλυσης εξετάσεων CT αποτελείται από δυο μοντέλα ΤΝ. Κατά την πρώτη φάση ένα ευφυές μοντέλο τμηματοποίησης εικόνων CT απομονώνει και εξάγει το πνευμονικό παρέγχυμα του ασθενή απορρίπτοντας περιοχές και όργανα που δεν είναι χρήσιμα για την ανάλυση του εξεταζόμενου κλινικού ερωτήματος. Στη δεύτερη φάση το πνευμονικό παρέγχυμα αναλύεται από το σύστημα ΤΝ για την ανίχνευση του COVID-19 ή την κατηγοριοποίηση της ασθένειας σε αλλού είδους λοίμωξη του αναπνευστικού. Τα πλεονεκτήματα αυτού του μοντέλου έναντι του πρώτου αφορούν στη χρήση τρισδιάστατης απεικόνισης των πνευμόνων, αναλύοντας έτσι περισσότερη πληροφορία για την εξαγωγή της τελικής απόφασης. Το μοντέλο ανέπτυξε ο Ελευθέριος Τριβιζάκης και τα ευρήματα της παραπάνω έρευνας είναι διαθέσιμα σε ανοιχτή δημοσίευση στο περιοδικό Experimental and Therapeutic Medicine.
Στην κλινική πράξη αυτή η τεχνογνωσία ΤΝ μπορεί να υποστηρίξει τη διάγνωση COVID-19 με δεδομένα ρουτίνας παρέχοντας εναλλακτικούς τρόπους παρακολούθησης της εξέλιξης της νόσου χρησιμοποιώντας μη επεμβατικές μεθόδους. Ένα σημαντικό κίνητρο για την υλοποίηση αυτής της έρευνας είναι η ελλιπής διαθεσιμότητα των διαγνωστικών Reverse Transcription Polymerase Chain Reaction (RT-PCR) για COVID-19 σε ορισμένες γεωγραφικές περιοχές καθώς και το υψηλό κόστος σε αντίθεση με τη ευρεία προσβασιμότητα των μηχανημάτων αξονικής τομογραφίας και ειδικότερα των μηχανημάτων ακτίνων Χ.
Η χρήση της ΤΝ στην κλινική πράξη επιτρέπει την καλύτερη διαχείριση του χρόνου του εξειδικευμένου ιατρικού προσωπικού, παρέχει κρίσιμη υποβοήθηση διάγνωσης ακόμα και σε κλινικούς χωρίς την αντίστοιχη εξειδίκευση ή εμπειρία αντιμετώπισης τέτοιου είδους περιπτώσεων και καθιστά την ακριβή διάγνωση της ασθένειας με ελαχιστοποίηση του κόστους σε πόρους και χρόνο. Με τα ενθαρρυντικά αποτελέσματα αυτής της έρευνας φιλοδοξούμε να προωθήσουμε την κοινή χρήση και φιλοξενία δεδομένων και μοντέλων για την επιτάχυνση της ανάπτυξης της τεχνητής νοημοσύνης ώστε να υποστηριχθεί η απόκριση του συστήματος υγείας σε ένα νέο κύμα COVID-19 ή σε μελλοντικές πανδημίες.
Δείτε το σχετικό βίντεο:
