Η Τεχνητή Νοημοσύνη Χρησιμοποιείται για την Ανάλυση Εικόνων Ρετίνας

Σε μια νέα προσέγγιση, η τεχνητή νοημοσύνη (ΤΝ) χρησιμοποιείται για την ανάλυση εικόνων ρετίνας. Το σύστημα θα μπορούσε να χρησιμοποιηθεί από γιατρούς για να επιλέξουν την καλύτερη θεραπεία για ασθενείς που πάσχουν από απώλεια όρασης λόγω διαβητικής μακροπαθίας, μια επιπλοκή του διαβήτη. Το πρόβλημα αυτό συχνά οδηγεί σε απώλεια όρασης σε ενήλικες σε ηλικία εργασίας.

Μια από τις πρώτες θεραπείες που χρησιμοποιούνται συχνά ως γραμμή άμυνας ενάντια στη διαβητική μακροπαθή είναι η αντι-αγγειακή ενδοθηλιακή ανάπτυξη (VEGF). Το πρόβλημα με τους παράγοντες VEGF είναι ότι δεν λειτουργούν για όλους. Αυτοί που θα μπορούσαν να ωφεληθούν από τη θεραπεία πρέπει να ταυτοποιηθούν πρώτα, поскольку απαιτεί πολλές ενέσεις. Οι ενέσεις αυτές κοστίζουν πολύ και είναι βαρύ φορτίο για τους ασθενείς και τους γιατρούς.

Η ηγέτης της ερευνητικής ομάδας είναι η Sina Farsiu από το Πανεπιστήμιο Duke.

“Αναπτύξαμε einen αλγόριθμο που μπορεί να χρησιμοποιηθεί για την αυτόματη ανάλυση εικόνων οπτικής συνεχείας (OCT) της ρετίνας για να προβλέψουμε αν ένας ασθενής είναι πιθανό να ανταποκριθεί στη θεραπεία VEGF”, είπε. “Αυτή η έρευνα αντιπροσωπεύει ένα βήμα προς την ιατρική ακρίβεια, στην οποία οι προβλέψεις αυτές βοηθούν τους κλινικούς γιατρούς να επιλέξουν καλύτερα τις πρώτες θεραπείες για τους ασθενείς με βάση συγκεκριμένες παθήσεις”.

Το έργο δημοσιεύθηκε στο The Optical Society (OSA) περιοδικό Biomedical Optics Express. Στο περιοδικό, η Farsiu και η ομάδα της επέδειξαν πώς ο νέος αλγόριθμος είναι ικανός να προβλέψει ακριβώς αν ένας ασθενής είναι πιθανό να ανταποκριθεί στη θεραπεία VEGF, μετά από μια μόνο τρισδιάστατη σάρωση.

“Η προσέγγισή μας θα μπορούσε να χρησιμοποιηθεί σε κλινικές οφθαλμολογίας για να αποτρέψει άσκοπες και κοστοβόρες θεραπείες και να ανακουφίσει ένα σημαντικό φορτίο θεραπείας για τους ασθενείς”, είπε η Farsiu. “Ο αλγόριθμος θα μπορούσε επίσης να προσαρμοστεί για να προβλέψει την ανταπόκριση στη θεραπεία για πολλές άλλες οφθαλμικές παθήσεις, συμπεριλαμβανομένης της νεοαγγειακής ηλικιακής μακροπαθίας της μακρόχρονης degeneration”.

Ο νέος αλγόριθμος βασίζεται σε μια νέα αρχιτεκτονική συνελικτικής νευρωνικής δικτύου (CNN). Ένα CNN είναι ένας τύπος τεχνητής νοημοσύνης, και αποδίδει σημασία σε διάφορα χαρακτηριστικά ή αντικείμενα για να αναλύσει εικόνες. Ο αλγόριθμος χρησιμοποιήθηκε από τους ερευνητές για να εξετάσουν εικόνες που έχουν ληφθεί με OCT, μια μη επεμβατική τεχνολογία. Το OCT παράγει υψηλής ανάλυσης διατομικές εικόνες ρετίνας, και θεωρείται ο τύπος φροντίδας για την αξιολόγηση και τη θεραπεία διαφόρων οφθαλμικών παθήσεων.

“Σε αντίθεση με τις προηγουμένως αναπτυγμένες προσεγγίσεις, ο αλγόριθμος μας απαιτεί εικόνες OCT μόνο από ένα seul προθεραπευτικό σημείο”, είπε ο Reza Rasti, ο πρώτος συγγραφέας του εγγράφου και μεταδιδακτορικός ερευνητής στο εργαστήριο της Farsiu. “Δεν υπάρχει ανάγκη για χρονοσειρές εικόνων OCT, ιατρικά αρχεία ή άλλα μεταδεδομένα για να προβλεφθεί η ανταπόκριση στη θεραπεία”.

Ο αλγόριθμος λειτουργεί υπογραμμίζοντας τις γлобικές δομές στο OCT. Ταυτόχρονα, ενισχύει επίσης τις τοπικές ιδιότητες από τις περιοχές της νόσου. Ψάχνει για χαρακτηριστικά CNN που μπορούν να συσχετιστούν με την ανταπόκριση VEGF.

Ο αλγόριθμος δοκιμάστηκε με εικόνες OCT από 127 ασθενείς που είχαν υποβληθεί σε θεραπεία για διαβητική μακροπαθή με τρεις συνεχόμενες ενέσεις παράγοντων VEGF. Ο αλγόριθμος ανέλυσε εικόνες OCT που είχαν ληφθεί πριν από τις ενέσεις VEGF, και οι προβλέψεις του αλγορίθμου συγκρίθηκαν με εικόνες OCT που είχαν ληφθεί μετά τη θεραπεία VEGF. Αυτό είπε στους ερευνητές αν η θεραπεία είχε ως αποτέλεσμα τη βελτίωση της κατάστασης.

Ο αλγόριθμος βρέθηκε να έχει einen 87% ποσοστό ακρίβειας για την πρόβλεψη εκείνων που θα ανταποκριθούν στη θεραπεία. Had einen μέσο όρο ακρίβειας και ειδικότητας 85% και μια ευαισθησία 80%.

Οι ερευνητές τώρα θέλουν να επιβεβαιώσουν τα ευρήματα και να πραγματοποιήσουν μια μεγαλύτερη παρατηρητική μελέτη ασθενών που δεν έχουν ακόμη υποβληθεί σε θεραπεία.