Επιστήμη & Ζωή

Αλγόριθμος ανιχνεύει το εγκεφαλικό επεισόδιο [έρευνα]

Ο αλγόριθμος αποδείχθηκε σημαντικά πιο ακριβής σε σύγκριση με τα εμπορικά προϊόντα τεχνητής νοημοσύνης.


Τρίτη, 12 Σεπτεμβρίου 2023, 16:30

Φίλιππος Ζάχαρης
Ειδικά ρεπορτάζ - Σύλλογοι Ασθενών και ΜΚΟ

Ένα νέο πρόγραμμα ανάλυσης μπορεί να βοηθήσει στη διάγνωση ενός εγκεφαλικού επεισοδίου. Η εφαρμογή για την ανάλυση δεδομένων εικόνων αξονικής τομογραφίας (CT) έχει καλύτερες επιδόσεις σε συγκριτικές δοκιμές από τις διαθέσιμες σήμερα εφαρμογές τεχνητής νοημοσύνης (AI) για τη διάγνωση εγκεφαλικών επεισοδίων.

Αυτό ανέφερε μια ομάδα από το Πανεπιστημιακό Νοσοκομείο της Χαϊδελβέργης (UKHD), το Γερμανικό Κέντρο Έρευνας για τον Καρκίνο (DKFZ) και το Πανεπιστημιακό Νοσοκομείο της Βόννης (UKB) στο περιοδικό "Nature Communications".

Η αξονική τομογραφία είναι γνωστό ότι είναι απαραίτητη στη διάγνωση του εγκεφαλικού επεισοδίου: η εξέταση είναι γρήγορη και παρέχει εικόνα των πιθανών αγγειακών αποφράξεων, του εντοπισμού και της έκτασής τους, καθώς και των ιστικών βλαβών στον εγκέφαλο. Οι εικόνες της αξονικής τομογραφίας πρέπει να αξιολογούνται γρήγορα, διότι όσο περισσότερος χρόνος μεσολαβεί μέχρι την έναρξη της θεραπείας, τόσο περισσότερο ο εγκεφαλικός ιστός υφίσταται ανεπανόρθωτη βλάβη λόγω της κυκλοφορικής διαταραχής.

"Ωστόσο, στην περίπτωση των σπάνια εμφανιζόμενων αποφράξεων στις εξωτερικές περιοχές του εγκεφάλου, η αξιολόγηση των δεδομένων των εικόνων μπορεί να πάρει χρόνο και υπόκειται σε έναν ορισμένο βαθμό αβεβαιότητας, ο οποίος εξαρτάται επίσης από την εμπειρία της ομάδας ειδικών αξιολόγησης που βρίσκεται επί τόπου", δήλωσε ο Philipp Vollmuth, κύριος συγγραφέας του άρθρου και επικεφαλής του τμήματος υπολογιστικής νευροαπεικόνισης, Τμήμα Νευροακτινολογίας στο UKHD.

Τα προγράμματα ανάλυσης με τη βοήθεια υπολογιστή κυκλοφορούν πλέον στην αγορά ως υποστήριξη για την εξοικονόμηση χρόνου. Για τον σκοπό αυτό, ένας αλγόριθμος μάθησης εκπαιδεύεται για να ανιχνεύει αγγειακές αποφράξεις στον εγκέφαλο όσο το δυνατόν πιο αξιόπιστα χρησιμοποιώντας ολοένα και περισσότερα δεδομένα εικόνας αξονικής τομογραφίας.

Ωστόσο, σύμφωνα με την ερευνητική ομάδα, το πρόβλημα με αυτές τις εφαρμογές είναι ότι έχουν περιορισμένη μόνο πρόσβαση σε κλινικά δεδομένα και επομένως το υλικό εκπαίδευσης της ΤΝ δεν είναι πάντα αντιπροσωπευτικό. Ως αποτέλεσμα, η τεχνητή νοημοσύνη είναι ιδιαίτερα φτωχή στην αναγνώριση αποφράξεων σε λιγότερο συχνά προσβεβλημένα αγγεία του εγκεφάλου.

Το εργαλείο ανάλυσης της Χαϊδελβέργης, από την άλλη πλευρά, αναπτύχθηκε με δεδομένα εικόνας από περισσότερους από 1.000 ασθενείς που εξετάστηκαν και αντιμετωπίστηκαν στο UKHD με υποψία εγκεφαλικού επεισοδίου.

Στη συνέχεια, αποδείχθηκε σε μια φάση δοκιμών διάρκειας 6 μηνών σε 3 επιλεγμένα νοσοκομεία-εταίρους της κοινοπραξίας εγκεφαλικών επεισοδίων Ρήνου-Νεκάρ (FAST) και στο UKB.

"Ο αλγόριθμός μας αποδείχθηκε σημαντικά ακριβέστερος σε σύγκριση με τα εμπορικά προϊόντα τεχνητής νοημοσύνης. Επιπλέον, η αρνητική τιμή πρόβλεψης, δηλαδή όταν ο αλγόριθμος αποκλείει μια αγγειακή απόφραξη, η πρόβλεψη είναι στην πραγματικότητα σωστή, είναι ήδη πολύ καλή και φτάνει το 97%", λέει ο Vollmuth.

Ο αλγόριθμος μπορεί να χρησιμοποιηθεί για ερευνητικούς σκοπούς και παρέχεται δωρεάν από το DKFZ.



ΔΙΑΒΑΣΤΕ ΑΚΟΜΑ

ΔΕΙΤΕ ΕΠΙΣΗΣ

ΜΠΕΙΤΕ ΣΤΗ ΣΥΖΗΤΗΣΗ

Loading ...
Προσθήκη Σχολίου

ΣΗΜΕΡΑ ΣΤΟ IATRONET.GR

Σεβόμαστε την ιδιωτικότητά σας


Εμείς και οι συνεργάτες μας χρησιμοποιούμε τεχνολογίες, όπως cookies, και επεξεργαζόμαστε προσωπικά δεδομένα, όπως διευθύνσεις IP και αναγνωριστικά cookies, για να προσαρμόζουμε τις διαφημίσεις και το περιεχόμενο με βάση τα ενδιαφέροντά σας, για να μετρήσουμε την απόδοση των διαφημίσεων και του περιεχομένου και για να αποκτήσουμε εις βάθος γνώση του κοινού που είδε τις διαφημίσεις και το περιεχόμενο. Κάντε κλικ παρακάτω για να συμφωνήσετε με τη χρήση αυτής της τεχνολογίας και την επεξεργασία των προσωπικών σας δεδομένων για αυτούς τους σκοπούς. Μπορείτε να αλλάξετε γνώμη και να αλλάξετε τις επιλογές της συγκατάθεσής σας ανά πάσα στιγμή επιστρέφοντας σε αυτόν τον ιστότοπο.

Πολιτική Cookies
& Προστασία Προσωπικών Δεδομένων