Πρόκειται για μια αθόρυβη αλλά ισχυρή αλλαγή, η οποία εξαπλώνεται από τα ιατρικά εργαστήρια έως τα ιατρεία και τα νοσοκομεία. Η μηχανική μάθηση κατακτά με ταχύτητα και τον κόσμο της υγειονομικής περίθαλψης. Γιατί όπου υπάρχει ανάγκη αναγνώρισης προτύπων, οι νέοι αλγόριθμοι με ικανότητα μάθησης μπορούν να αξιοποιήσουν πλήρως τα πλεονεκτήματά τους.

Υποστηρίζουν τους γιατρούς στην αξιολόγηση ακτινογραφιών, αναλύουν ιστολογικές τομές ή διακρίνουν αβλαβή σπίλους από κακοήθη μελανώματα. Οι διαγνώσεις τους είναι όλο και πιο συχνά πιο ακριβείς από αυτές των ειδικών. Ωστόσο, το μεγαλύτερο μέρος των νέων μεθόδων που χρησιμοποιούν τεχνητή νοημοσύνη δεν έχει ακόμη εγκριθεί για ιατρική χρήση. Αυτό που βιώνουμε σήμερα είναι μόνο η αρχή της ιατρικής προόδου με βάση τα δεδομένα.

Στο Ινστιτούτο Κβαντικής Οπτικής "Max Planck", ο Έλληνας ερευνητής Κοσμάς Κεπεσίδης εργάζεται επίσης για να καταστήσει τη μηχανική μάθηση χρήσιμη στην ιατρική, ιδίως για την αξιολόγηση μετρήσεων στο ανθρώπινο πλάσμα αίματος.

Μαζί με τη συνάδελφό του, Mihaela Zigman, η οποία είναι υπεύθυνη για τις μετρήσεις, ο επιστήμονας δεδομένων έχει αναπτύξει μια μέθοδο που θα επιτρέπει την πρόωρη διάγνωση ασθενειών όπως ο διαβήτης ή ο καρκίνος του πνεύμονα.

Για το σκοπό αυτό, αρκεί στους δύο ερευνητές μια μόνο μέτρηση λίγων λεπτών σε μία μόνο σταγόνα αίματος. Η μέθοδος είναι τόσο γρήγορη και οικονομική που θα μπορούσε να χρησιμοποιηθεί και σε μαζική κλίμακα.

Έτσι, καθίστανται δυνατοί οι ολοκληρωμένοι έλεγχοι υγείας, που επιτρέπουν την έγκαιρη διάγνωση ορισμένων ασθενειών και, ως εκ τούτου, την καλύτερη θεραπεία τους.

Σύμφωνα με το Ινστιτούτο "Robert Koch", στην Γερμανία περίπου ένα εκατομμύριο άνθρωποι πάσχουν από διαβήτη που δεν έχει διαγνωστεί, ενώ ακόμη περισσότεροι δεν γνωρίζουν ότι έχουν υψηλή αρτηριακή πίεση.

Η νέα μέθοδος μέτρησης, μας οδήγησε σε μια αλλαγή παραδείγματος κατά την αξιολόγηση των δεδομένων.

Πολλές ασθένειες αντανακλώνται στη μοριακή σύνθεση, για παράδειγμα του πλάσματος του αίματος.

Οι σύγχρονες εργαστηριακές τεχνικές, όπως η φασματομετρία μάζας ή η φασματοσκοπία πυρηνικού μαγνητικού συντονισμού, έχουν ήδη δείξει το δυναμικό τους στην ανίχνευση ασθενειών όπως ο καρκίνος ή ο διαβήτης με τη μέτρηση μεμονωμένων βιοδεικτών, όπως πρωτεΐνες ή μεταβολικά προϊόντα.

Ωστόσο, αυτές οι μέθοδοι είναι πολύπλοκες και δαπανηρές. "Συνήθως μετρούν μόνο λίγα μόρια ταυτόχρονα και απαιτούν συνήθως πολύπλοκη προετοιμασία των δειγμάτων", εξηγεί ο Κεπεσίδης.

Ωστόσο, ύποπτες αλλαγές στους βιοδείκτες μπορούν επίσης να ανιχνευθούν με υπέρυθρο φως.  Αυτό το τμήμα του ηλεκτρομαγνητικού φάσματος το αντιλαμβανόμαστε ως θερμική ακτινοβολία.

Το φως προκαλεί δονήσεις στα μόρια. Διαφορετικές ουσίες ανταποκρίνονται σε χαρακτηριστικές συχνότητες του υπέρυθρου φάσματος. Σε πολύπλοκα βιομόρια, όπως οι πρωτεΐνες, είναι αρκετές εκατοντάδες έως χιλιάδες άτομα που δονούνται σε ένα άτακτο χάος.

Ο Κεπεσίδης και η Zigman χρησιμοποιούν εξαιρετικά σύντομους παλμούς λέιζερ με υψηλό εύρος ζώνης, οι οποίοι διεγείρουν ταυτόχρονα όλες τις πιθανές δονήσεις στο δείγμα αίματος. Όταν εξετάζουν ένα δείγμα αίματος με αυτή τη μέθοδο, τα μόρια απορροφούν ακριβώς τις συχνότητες που είναι χαρακτηριστικές για αυτά.

Οι πρωτεΐνες, τα λίπη ή τα σάκχαρα στο πλάσμα του αίματος αφήνουν ένα είδος μοριακού αποτυπώματος στο υπέρυθρο φάσμα. Σε αυτό καταγράφονται ακόμη και οι μικροσκοπικές αλλαγές στη σύνθεση που προκαλούνται από ασθένειες.

"Αυτή η νέα μέθοδος μέτρησης μας οδήγησε επίσης σε μια αλλαγή παραδείγματος στην αξιολόγηση των δεδομένων", λέει ο Κεπεσίδης. Λόγω των αμέτρητων μοριακών δεσμών στα δείγματα, το μετρούμενο φάσμα είναι πολύ περίπλοκο και οι μοριακές αιτίες μιας συγκεκριμένης αλλαγής είναι δύσκολο να αναγνωριστούν.

Έτσι, αντί να αναλύουν γιατί μια συγκεκριμένη κορυφή σε ένα φάσμα είναι λίγο υψηλότερη ή χαμηλότερη από το κανονικό, τα μοντέλα μηχανικής μάθησης αναλύουν ταυτόχρονα ολόκληρο το αποτύπωμα του δείγματος.

"Αυτό είναι το αποφασιστικό πλεονέκτημα της προσέγγισής μας", λέει ο Κεπεσίδης. Για το σκοπό αυτό, οι ερευνητές εκπαιδεύουν το τεχνητό νευρωνικό τους δίκτυο με ολόκληρα τα φάσματα. Και η "μαγεία" στα βάθη των νευρωνικών στρωμάτων τους επιτρέπει στην τεχνητή νοημοσύνη να αναγνωρίζει μοτίβα που υποδηλώνουν συγκεκριμένες ασθένειες.

Για την εκπαίδευση των δικτύων, ο Kepesidis και η ομάδα του μπόρεσαν να χρησιμοποιήσουν τα αποτελέσματα μελετών περίπτωσης-ελέγχου, δηλαδή κλινικών μελετών που αποσκοπούν στο να διαπιστωθεί εάν συγκεκριμένοι παράγοντες, όπως η σύνθεση του πλάσματος του αίματος, σχετίζονται με μια συγκεκριμένη ασθένεια. Για το σκοπό αυτό, οι γιατροί συνήθως σχηματίζουν δύο ομάδες: άτομα που έχουν ήδη την ασθένεια (περιπτώσεις) και υγιή άτομα (έλεγχοι).

Στη συνέχεια, εξετάζουν εάν οι ομάδες διαφέρουν σε συγκεκριμένα χαρακτηριστικά, για παράδειγμα στο πλάσμα του αίματος. Ενώ ένας άνθρωπος μπορεί να συσχετίσει μόνο μεμονωμένες ανωμαλίες σε ένα φάσμα υπέρυθρων ακτίνων με μια συγκεκριμένη ασθένεια, η τεχνητή νοημοσύνη ανακαλύπτει πιο σύνθετες συσχετίσεις και μοτίβα στα φάσματα. Έτσι, ο Κεπεσίδης και ο Zigman κατάφεραν να αναγνωρίσουν μια σειρά χρόνιων ασθενειών με μία μόνο μέτρηση του μοριακού αποτυπώματος. Τα πρώτα αποτελέσματα δημοσιεύθηκαν ήδη πέρυσι στο επιστημονικό περιοδικό "Cell Reports Medicine".

 Για τη μελέτη τους, σε συνεργασία με συναδέλφους τους από το Πανεπιστήμιο Ludwig-Maximilians του Μονάχου και το Τεχνικό Πανεπιστήμιο του Μονάχου, εξέτασαν πάνω από 5000 δείγματα αίματος με φασματοσκοπία υπέρυθρων και εντόπισαν μια σειρά από ανωμαλίες υγείας, από διαταραχές του μεταβολισμού των λιπιδίων έως υπέρταση και διαβήτη, με ακρίβεια έως και 95%.

Σε αντίθεση με τις συμβατικές διαγνωστικές μεθόδους, το σύστημα μπορεί να υπολογίσει ταυτόχρονα τις πιθανότητες εμφάνισης διαφορετικών και ανεξάρτητων μεταξύ τους ασθενειών. "Το αποτέλεσμα θα μπορούσε, για παράδειγμα, να είναι ότι ένας ασθενής έχει 70% πιθανότητα να πάσχει από υπέρταση και ταυτόχρονα 40% πιθανότητα να έχει διαβήτη", εξηγεί ο Kepesidis. «Αυτές είναι σημαντικές πληροφορίες που μπορούν να βοηθήσουν τους γιατρούς να διαγνώσουν τις παθήσεις των ασθενών τους». Επιπλέον, οι ερευνητές μπόρεσαν να προβλέψουν αν κάποιος θα αναπτύξει στο μέλλον το λεγόμενο μεταβολικό σύνδρομο, και αυτό χρόνια πριν η ασθένεια γίνει πραγματικά εμφανής.

Σε μια άλλη παρόμοια μελέτη, ο Κεπεσίδης και ο Zigman κατάφεραν να προσδιορίσουν τα μοριακά αποτυπώματα του καρκίνου. Για το σκοπό αυτό, εξέτασαν το πλάσμα του αίματος περισσότερων από 2500 ατόμων, μεταξύ των οποίων άτομα με καρκίνο του πνεύμονα, του προστάτη, του μαστού και της ουροδόχου κύστης, καθώς και υγιή άτομα που χρησίμευσαν ως ομάδα ελέγχου.

Και σε αυτή την περίπτωση, οι αλγόριθμοι τεχνητής νοημοσύνης εντόπισαν ειδικά μοτίβα υπέρυθρης ακτινοβολίας στο αίμα που υποδηλώνουν καρκίνο, και μάλιστα σε πολύ πρώιμο στάδιο. Με ποσοστό επιτυχίας 88%, η μέθοδος αυτή αποδείχθηκε ιδιαίτερα αποτελεσματική στον καρκίνο του πνεύμονα. Για τους άλλους τύπους καρκίνου, η ακρίβεια κυμάνθηκε μεταξύ 60% και 70%.

Έτσι, η νέα τεχνική αποδείχθηκε ήδη πολλά υποσχόμενη για την έγκαιρη και αξιόπιστη διάγνωση του καρκίνου. Ο Κεπεσίδης και η ομάδα του εργάζονται τώρα για να κάνουν την τεχνική ακόμα πιο ακριβή. Για τις εργασίες ταξινόμησης, τα τεχνητά νευρωνικά δίκτυα λαμβάνουν για κάθε φάσμα που βλέπουν κατά τη διάρκεια της εκπαίδευσής τους, πληροφορίες σχετικά με την ασθένεια που κρύβεται πίσω από τα δεδομένα. Στο παραπάνω παράδειγμα, μαθαίνουν έτσι να συσχετίζουν ύποπτα μοτίβα στα φάσματα με τον καρκίνο.

Εναλλακτικά, ο Κεπεσίδης και η ομάδα του ασχολούνται επίσης με τους λεγόμενους αυτοκωδικοποιητές. Πρόκειται για ειδικά νευρωνικά δίκτυα που φιλτράρουν τον θόρυβο από τα φάσματα και απομονώνουν τις σχετικές πληροφορίες. "Αυτό είναι παρόμοιο με τη συμπίεση αρχείων", εξηγεί ο Κεπεσίδης. "Συμπιέζουμε τα δεδομένα σε μια συμπαγή μορφή, αλλά μπορούμε στη συνέχεια να τα αποσυμπιέσουμε για να ανακτήσουμε όλες τις πληροφορίες".

Ωστόσο, σε αντίθεση με τις εργασίες ταξινόμησης, οι αυτοκωδικοποιητές δεν λαμβάνουν καμία ένδειξη για το αν και ποια ασθένεια υπάρχει σε ένα φάσμα. Εκπαιδεύονται απλώς να μειώνουν τα φάσματα σε λίγες λεγόμενες λανθάνουσες μεταβλητές, οι οποίες όμως εξακολουθούν να περιέχουν αρκετές πληροφορίες για να ανακατασκευάσουν το αρχικό φάσμα.

Στόχος μας είναι να καταστήσουμε δυνατή την προληπτική υγειονομική περίθαλψη.

Μπορούμε να να φανταστούμε το βαθύ νευρωνικό δίκτυο ενός αυτοκωδικοποιητή σαν ένα χωνί που δέχεται μια μεγάλη ποσότητα πληροφοριών στην είσοδό του και τις μεταβιβάζει προς το τέλος του για να περιοριστούν. Σε αυτόν τον στενό χώρο, μόνο λίγα νευρώνες παραμένουν ενεργά και σχηματίζουν την πολύ μειωμένη αναπαράσταση των αρχικών δεδομένων.

Αυτές οι λανθάνουσες μεταβλητές περιέχουν, κατά κάποιον τρόπο, την ουσία των δεδομένων εισόδου, ενώ ο αυτοκωδικοποιητής έχει αφαιρέσει τις μη σημαντικές πληροφορίες.

Το νευρωνικό δίκτυο του αποκωδικοποιητή, από την άλλη πλευρά, μοιάζει με ένα ανεστραμμένο χωνί, το οποίο λαμβάνει αυτές τις λανθάνουσες μεταβλητές στη στενή είσοδό του και προσπαθεί να ανακτήσει τα αρχικά δεδομένα όσο το δυνατόν καλύτερα. Με αυτόν τον τρόπο, το δίκτυο μαθαίνει πώς να συμπιέζει τα δεδομένα χωρίς να χάνει σημαντικές πληροφορίες.

"Έτσι, εντοπίσαμε λανθάνουσες μεταβλητές που συσχετίζονται με διάφορες ασθένειες", λέει ο Κεπεσίδης. "Αυτές οι τιμές έχουν λοιπόν διαγνωστική αξία και θα μπορούσαν να χρησιμεύσουν στο μέλλον ως βιοδείκτες για συγκεκριμένες ασθένειες".

Όπως δείχνουν τα αποτελέσματα που δημοσιεύθηκαν πρόσφατα, η νέα μέθοδος ανιχνεύει τον καρκίνο του πνεύμονα με ακρίβεια 2,6 ποσοστιαίες μονάδες υψηλότερη από την ερμηνεία των φασμάτων υπέρυθρης ακτινοβολίας χωρίς την αυτόματη κωδικοποίηση.

"Αυτό οφείλεται στο γεγονός ότι τα συμπιεσμένα φάσματα δεν περιέχουν πλέον θόρυβο και περιττές πληροφορίες, αλλά επικεντρώνονται κυρίως σε λίγα, βιολογικά σημαντικά σήματα", εξηγεί ο Κεπεσίδης.

Το πλεονέκτημα της αυτοκωδικοποίησης είναι λοιπόν ότι παρέχει μεγαλύτερη σαφήνεια στην ερμηνεία των φασμάτων.

Πηγές:
Ινστιτούτο Max Planck

Ειδήσεις υγείας σήμερα
Φάρμακα GLP-1: Τι συμβαίνει με το σωματικό βάρος όταν κάποιος παραλείπει μια δόση περιστασιακά; [μελέτη]
Οφθαλμοπλαστικός Χειρουργός: Ο γιατρός που θα πρέπει να απευθυνθείτε για τη Βλεφαροπλαστική σας
Νέα σύμπραξη Brain ReGain και Δικτύου Αργώ για την υποστήριξη των Ελλήνων του εξωτερικού και τον επαναπατρισμό επαγγελματιών