Ερευνητές από το Γερμανικό Κέντρο Έρευνας για τον Καρκίνο (DKFZ) και το Πανεπιστημιακό Νοσοκομείο της Χαϊδελβέργης (UKHD) παρουσίασαν μια νέα μέθοδο που επιτρέπει στην τεχνητή νοημοσύνη (ΤΝ) να μεταφέρει ιατρικά δεδομένα απεικόνισης από τα ζώα στον άνθρωπο.

Η λεγόμενη προσέγγιση "Xeno-Learning" θα μπορούσε στο μέλλον να καταστήσει τις χειρουργικές επεμβάσεις ασφαλέστερες και ακριβέστερες – χωρίς να απαιτούνται εκτεταμένα ανθρώπινα δεδομένα εκπαίδευσης.

Μία από τις μεγαλύτερες προκλήσεις για τους χειρουργούς είναι η αξιόπιστη οπτική αξιολόγηση των ιστών, για παράδειγμα η διάκριση παθολογικών από υγιείς περιοχές ή η προστασία κρίσιμων ανατομικών δομών.

Σε αυτό το σημείο έρχεται η φασματική και υπερφασματική απεικόνιση, καθώς τα σύγχρονα συστήματα καμερών καταγράφουν πολύ περισσότερες πληροφορίες από το ανθρώπινο μάτι, όπως δεδομένα για την αιμάτωση ή τον κορεσμό οξυγόνου των ιστών.

Για να καταστούν αυτά τα πολυδιάστατα δεδομένα χρήσιμα στην κλινική πράξη, είναι απαραίτητη η χρήση τεχνητής νοημοσύνης. Ωστόσο, οι αλγόριθμοι ΤΝ απαιτούν μεγάλες ποσότητες "επισημασμένων" (annotated) δεδομένων εικόνας – δηλαδή συνόλων δεδομένων που έχουν σχολιαστεί από ιατρικούς ειδικούς. Τέτοια δεδομένα από ασθενείς είναι συχνά περιορισμένα ή ανύπαρκτα, για ηθικούς, νομικούς και πρακτικούς λόγους.

Μάθηση πέρα από τα όρια των ειδών

Την ίδια στιγμή, από πειράματα σε ζώα υπάρχουν εκτενή, τυποποιημένα σύνολα δεδομένων απεικόνισης, στα οποία έχουν μελετηθεί στοχευμένα διάφορες αλλοιώσεις ιστών. Εδώ ακριβώς παρεμβαίνει το Xeno-Learning: η μέθοδος αξιοποιεί δεδομένα από ζώα για να εκπαιδεύσει την ΤΝ σε χαρακτηριστικές παθολογικές μεταβολές, όπως διαταραχές της αιμάτωσης ή αντιδράσεις σε σκιαγραφικά μέσα, και στη συνέχεια μεταφέρει αυτή τη γνώση στον άνθρωπο.

"Η βασική πρόκληση ήταν ότι οι φασματικές υπογραφές των ιστών σε ανθρώπους, χοίρους και αρουραίους διαφέρουν σημαντικά ως προς τις απόλυτες τιμές τους", εξηγεί η επικεφαλής της μελέτης Lena Maier-Hein, διευθύντρια τμήματος στο DKFZ και διευθύντρια στο Εθνικό Κέντρο Ογκολογικών Παθήσεων (NCT) της Χαϊδελβέργης. "Ωστόσο, οι σχετικές μεταβολές σε καταστάσεις όπως η μειωμένη αιμάτωση ή η χορήγηση σκιαγραφικών εμφανίζουν παρόμοια συμπεριφορά σε όλα τα είδη. Ακριβώς αυτά τα πρότυπα αξιοποιούμε".

Στη μελέτη αναλύθηκαν περισσότερες από 13.000 υπερφασματικές εικόνες από ανθρώπους, χοίρους και αρουραίους – ένα μοναδικό έως σήμερα σύνολο δεδομένων. Ενώ τα κλασικά μοντέλα ΤΝ που εκπαιδεύτηκαν αποκλειστικά με δεδομένα ζώων απέτυχαν να εφαρμοστούν στον άνθρωπο, η προσέγγιση Xeno-Learning ξεπέρασε αυτό το εμπόδιο.

Η ΤΝ δεν έμαθε απόλυτα χρωματικά μοτίβα, αλλά χαρακτηριστικά πρότυπα μεταβολών, τα οποία μπόρεσε να εφαρμόσει επιτυχώς σε ανθρώπινους ιστούς.

Νέες προοπτικές για μεγαλύτερη ασφάλεια στο χειρουργείο

Οι ερευνητές βλέπουν σημαντικές προοπτικές εφαρμογής στη χειρουργική. "Το Xeno-Learning καθιστά δυνατή τη χρήση της φασματικής απεικόνισης ακόμη και σε περιπτώσεις όπου δεν υπάρχουν διαθέσιμα ανθρώπινα δεδομένα εκπαίδευσης", σημειώνει ο Jan Sellner, ένας από τους δύο κύριους συγγραφείς της μελέτης. Πρόκειται για ένα ουσιαστικό βήμα προς πιο ακριβείς και ασφαλείς χειρουργικές επεμβάσεις.

Από κλινική σκοπιά, η μέθοδος θεωρείται εξίσου ελπιδοφόρα. "Η προσέγγιση αυτή θα μπορούσε να βοηθήσει τους χειρουργούς να αναγνωρίζουν με μεγαλύτερη ακρίβεια κρίσιμες δομές των ιστών κατά τη διάρκεια της επέμβασης", τονίζει ο Alexander Studier-Fischer από την Ουρολογική Κλινική του Πανεπιστημιακού Νοσοκομείου του Μάνχαϊμ, ο οποίος είχε την ευθύνη των κλινικών πτυχών του έργου.

Για να επιταχυνθεί η περαιτέρω έρευνα και η εφαρμογή της μεθόδου, οι επιστήμονες του DKFZ έχουν καταστήσει δημόσια διαθέσιμους τον πηγαίο κώδικα και τα προεκπαιδευμένα μοντέλα. Στόχος είναι η νέα αυτή προσέγγιση να βρει το συντομότερο δυνατό τον δρόμο της προς το χειρουργείο.

Πηγές:
Γερμανικό Κέντρο Έρευνας για τον Καρκίνο

Ειδήσεις υγείας σήμερα
"Παπαγεωργίου": Ποια είναι η κατάσταση των δύο τραυματιών οπαδών του ΠΑΟΚ
Συμβουλές για να μεγαλώνετε με υγεία
Χατζηκώστα Ιωαννίνων: Παραιτείται το μέλος του ΔΣ που ζήτησε σύλληψη γιατρού