Μια ερευνητική ομάδα του Helmholtz Munich, του Τεχνικού Πανεπιστημίου του Μονάχου (TUM), του TUM Klinikum και του Γερμανικού Κέντρου Καρδιαγγειακής Έρευνας (DZHK) ανέπτυξε το DeepNeo, έναν αλγόριθμο βασισμένο στην τεχνητή νοημοσύνη που αυτοματοποιεί την ανάλυση των στεντ μετά την εμφύτευση. Το έργο συνοδεύτηκε κλινικά από τους καρδιολόγους PD Dr. med. Philipp Nicol και Prof. Dr. med. Michael Joner (DZHK/TUM Klinikum).

Το DeepNeo επιτυγχάνει την ακρίβεια των ειδικών ιατρών και ταυτόχρονα μειώνει σημαντικά τον χρόνο αξιολόγησης. Χάρη στην εκτενή επικύρωση σε ανθρώπινα και ζωικά μοντέλα, το DeepNeo έχει τη δυνατότητα να τυποποιήσει τη μετεγχειρητική φροντίδα μετά από επεμβάσεις τοποθέτησης στεντ, βελτιώνοντας έτσι μακροπρόθεσμα τα αποτελέσματα της θεραπείας καρδιαγγειακών παθήσεων.

Προκλήσεις στην παρακολούθηση των στεντ

Κάθε χρόνο, περισσότεροι από τρία εκατομμύρια άνθρωποι σε όλο τον κόσμο υποβάλλονται σε θεραπεία με στεντ για να ανοίξουν τα στενωμένα αιμοφόρα αγγεία λόγω καρδιακών παθήσεων.

Ωστόσο, η παρακολούθηση της διαδικασίας επούλωσης μετά την εμφύτευση εξακολουθεί να αποτελεί πρόκληση. Εάν ο ιστός που αναπτύσσεται πάνω από το στεντ εξελιχθεί ακανόνιστα – είτε είναι πολύ παχύς είτε με αποθέσεις – μπορεί να οδηγήσει σε επιπλοκές, όπως επαναστένωση ή απόφραξη του αιμοφόρου αγγείου.

Επί του παρόντος, η ανάλυση αυτών των προτύπων επούλωσης σε εικόνες ενδοαγγειακής οπτικής τομογραφίας συνοχής (OCT) είναι χρονοβόρα και δύσκολα εφαρμόσιμη στην κλινική πρακτική.

Αυτοματοποιημένη αξιολόγηση της διαδικασίας επούλωσης

Μια ερευνητική ομάδα του Helmholtz Munich και του TUM Klinikum έχει αναπτύξει τον DeepNeo, έναν αλγόριθμο τεχνητής νοημοσύνης που μπορεί να αξιολογεί αυτόματα την επούλωση των στεντ σε εικόνες OCT.

Το DeepNeo αναγνωρίζει διάφορα μοτίβα επούλωσης με ακρίβεια που αντιστοιχεί σε κλινικούς ειδικούς, αλλά σε κλάσμα του χρόνου.

Επιπλέον, το εργαλείο τεχνητής νοημοσύνης παρέχει ακριβή δεδομένα μέτρησης, όπως το πάχος του ιστού και την κάλυψη του στεντ, προσφέροντας έτσι πολύτιμες πληροφορίες για τη διαχείριση των ασθενών.

"Με το DeepNeo επιτυγχάνουμε μια αυτοματοποιημένη, τυποποιημένη και εξαιρετικά ακριβή ανάλυση της επούλωσης των στεντ και των αγγείων – κάτι που μέχρι τώρα ήταν δυνατό μόνο μέσω χρονοβόρας χειροκίνητης αξιολόγησης", λέει ο Valentin Koch, πρώτος συγγραφέας της μελέτης στην οποία παρουσιάστηκε ο αλγόριθμος. "Το DeepNeo είναι τόσο καλό όσο ένας γιατρός – μόνο πολύ πιο γρήγορο."

Επικυρωμένο με ισχυρή απόδοση

Για την εκπαίδευση του DeepNeo, η ερευνητική ομάδα χρησιμοποίησε 1.148 εικόνες OCT από 92 σαρώσεις ασθενών, οι οποίες σχολιάστηκαν χειροκίνητα για να ταξινομηθούν διάφορες μορφές ανάπτυξης ιστού.

Στη συνέχεια, ο αλγόριθμος τεχνητής νοημοσύνης δοκιμάστηκε σε ένα ζωικό μοντέλο – με πειστικά αποτελέσματα: το DeepNeo εντόπισε σωστά τον παθολογικό ιστό στο 87% των περιπτώσεων, σε σύγκριση με τη λεπτομερή εργαστηριακή ανάλυση, που αποτελεί τον τρέχοντα χρυσό κανόνα.

Ακόμη και κατά την αξιολόγηση των σαρώσεων ανθρώπων, το DeepNeo έδειξε υψηλή ακρίβεια και τα αποτελέσματα του ταίριαζαν σε μεγάλο βαθμό με τις εκτιμήσεις των ιατρικών ειδικών.

"Το DeepNeo δείχνει πώς η μηχανική μάθηση μπορεί να βοηθήσει τους γιατρούς να λαμβάνουν ταχύτερες και πιο τεκμηριωμένες θεραπευτικές αποφάσεις. Το επόμενο βήμα είναι τώρα η στοχευμένη ενσωμάτωση αλγορίθμων τεχνητής νοημοσύνης όπως το DeepNeo στην κλινική πρακτική", εξηγεί ο Δρ Carsten Marr, διευθυντής του Ινστιτούτου Τεχνητής Νοημοσύνης για την Υγεία στο Helmholtz Munich.

Η συνάδελφός του, η καθηγήτρια Julia Schnabel, διευθύντρια του Ινστιτούτου Μηχανικής Μάθησης στη Βιοϊατρική Απεικόνιση και καθηγήτρια Υπολογιστικής Απεικόνισης και Τεχνητής Νοημοσύνης στην Ιατρική στο TUM, βλέπει στο DeepNeo ένα δομικό στοιχείο για ένα σύστημα υγείας βασισμένο στην τεχνητή νοημοσύνη, το οποίο θα μπορούσε στο μέλλον να υποστηρίξει τις κλινικές αποφάσεις με πρωτοφανή ασφάλεια.

Στο δρόμο προς την κλινική εφαρμογή

Το έργο χρηματοδοτήθηκε με μια επιχορήγηση Helmholtz Innovation Grant και έχει ήδη κατατεθεί αίτηση για δίπλωμα ευρεσιτεχνίας. Η Ascenion, ο συνεργάτης μεταφοράς τεχνολογίας στον τομέα των βιοεπιστημών, υποστηρίζει την ομάδα DeepNeo στην αναζήτηση πιθανών βιομηχανικών εταίρων.

"Το DeepNeo διευκολύνει και τυποποιεί την αξιολόγηση των εικόνων OCT μετά από εμφύτευση στεντ, συμβάλλοντας έτσι σε πιο τεκμηριωμένες κλινικές αποφάσεις", αναφέρουν ο PD Dr. med. Philipp Nicol και ο Prof. Dr. med. Michael Joner, καρδιολόγοι στο TUM Klinikum, οι οποίοι έχουν συνοδεύσει κλινικά το έργο.

"Η μέθοδος έχει το δυναμικό όχι μόνο να μειώσει το κόστος της υγειονομικής περίθαλψης, αλλά και να ανοίξει το δρόμο για πιο αποτελεσματικές και εξατομικευμένες καρδιαγγειακές θεραπείες".

Πηγές:
Γερμανικό Ινστιτούτο για την καρδιαγγειακή έρευνα

Ειδήσεις υγείας σήμερα
ΕΟΠΥΥ: Από αύριο 139.000 ασθενείς μπορούν να λαμβάνουν φάρμακα στο σπίτι τους
Ημέρα του Πατέρα 2025: 10 λόγοι για να κάνεις αγκαλιά τον μπαμπά σου
''Δώσε αίμα, δώσε ελπίδα: Μαζί σώζουμε ζωές''