Νέα μελέτη καταδεικνύει για πρώτη φορά πως είναι εφικτή η χρήση της τεχνητής νοημοσύνης και αλγορίθμου βαθιάς μάθησης για τη διάγνωση της στεφανιαίας νόσου μέσω της ανάλυσης τεσσάρων φωτογραφιών του προσώπου ενός ατόμου.
Αν και ο αλγόριθμος πρέπει να αναπτυχθεί περαιτέρω και να δοκιμαστεί σε μεγαλύτερες πληθυσμιακές ομάδες και διαφορετικές εθνότητες, οι ερευνητές εκτιμούν ότι έχει τη δυναμική να χρησιμοποιηθεί ως αρχικό εργαλείο διαλογής ασθενών που θα μπορούσαν εν συνεχεία να παραπεμφθούν για κλινικό έλεγχο.
Πρόκειται σε κάθε περίπτωση για προκαταρκτικά ευρήματα που εμπίπτουν σε αρκετούς περιορισμούς, ενώ παράλληλα συνυπάρχουν και τα πάγια ηθικά ζητήματα που συνοδεύουν τη χρήση της τεχνητής νοημοσύνης στην Ιατρική, όπως αναδεικνύει και σε σχετικό συνοδευτικό άρθρο της μελέτης ο υπογράφων καθηγητής Καρδιαγγειακής Ιατρικής στο Πανεπιστήμιο της Οξφόρδης, Ελληνοκύπριος καρδιολόγος Χαράλαμπος Αντωνιάδης.
«Εξ όσων γνωρίζουμε αυτή είναι η πρώτη μελέτη που καταδεικνύει ότι η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για την ανάλυση προσώπων και τον εντοπισμό καρδιαγγειακών παθήσεων. Είναι ένα βήμα προς την ανάπτυξη ενός εργαλείου με βάση τη βαθιά μηχανική μάθηση που θα μπορούσε να χρησιμοποιηθεί για την εκτίμηση του κινδύνου καρδιακών παθήσεων είτε σε εξωτερικά ιατρεία, είτε μέσω selfies. Θα μπορούσε να είναι οδηγός για περαιτέρω διαγνωστικές εξετάσεις ή κλινική επίσκεψη» αναφέρει ο επικεφαλής της μελέτης, καθηγητής Zhe Zheng, αντιπρόεδρος του Εθνικού Κέντρου Καρδιαγγειακών Παθήσεων και του Νοσοκομείου Fuwai της Κίνας.
Ο ίδιος εξηγεί ότι απώτερος στόχος της ερευνητικής προσπάθειας είναι η δημιουργία μίας εφαρμογής, στην οποία θα έχουν πρόσβαση κοινότητες υψηλού κινδύνου πριν την επίσκεψή τους σε κλινική. Επισημαίνει πως θα μπορούσε να αποτελέσει ένα οικονομικό, απλό και αποτελεσματικό εργαλείο για ένα πρώτο επίπεδο διάγνωσης.
Αναγνωρίζει, ωστόσο, πως ο αλγόριθμος απαιτεί βελτίωση και επαλήθευση με ευρύτερους ελέγχους σε εθνικότητες εκτός Κίνας.
Είναι ήδη γνωστό ότι ορισμένα χαρακτηριστικά του προσώπου σχετίζονται με αυξημένο κίνδυνο καρδιαγγειακών παθήσεων. Σε αυτά περιλαμβάνονται αραίωση ή γκρίζα μαλλιά, ρυτίδες, πτυχές στους λοβούς του αυτιού, ξανθελάσματα (μικρές κίτρινες πλάκες που συνήθως εμφανίζονται στην περιοχή των βλεφάρων) και τόξο κερατοειδούς (λιπιδική στοιβάδα που εμφανίζεται ως θολός λευκός, γκρι ή μπλε αδιαφανής δακτύλιος στα εξωτερικά άκρα του κερατοειδούς).
Ωστόσο, είναι δύσκολο για τον κάθε άνθρωπο να προβλέψει και να ποσοτικοποιήσει τον κίνδυνο καρδιακών παθήσεων βάσει αυτών των χαρακτηριστικών. Και εκεί έρχεται η τεχνητή νοημοσύνη.
Στη σχετική κινεζική μελέτη συμμετείχαν 5.796 ασθενείς από οκτώ νοσοκομεία της χώρας το χρονικό διάστημα μεταξύ Ιουλίου 2017 και Μαρτίου 2019. Οι ασθενείς υποβλήθηκαν σε απεικονιστικές εξετάσεις των αιμοφόρων αγγείων, όπως στεφανιογραφία ή αξονική αγγειογραφία. Ακολούθως χωρίστηκαν τυχαία σε ομάδες εκπαίδευσης του αλγορίθμου (5.216 ασθενείς, 90%) και επαλήθευσης αποτελέσματος (580, 10%).
Ειδικά εκπαιδευμένοι νοσηλευτές τράβηξαν τέσσερις φωτογραφίες προσώπου με ψηφιακές φωτογραφικές μηχανές: μία ανφάς, δύο προφίλ και μία όψη της κορυφής του κεφαλιού. Επίσης, πήραν συνέντευξη από τους ασθενείς για να συλλέξουν δεδομένα σχετικά με την κοινωνικο-οικονομική τους κατάσταση, τον τρόπο ζωής και το ιατρικό ιστορικό.
Οι ακτινολόγοι εξέτασαν τις απεικονιστικές εξετάσεις των ασθενών και αξιολόγησαν τη βαρύτητα της καρδιαγγειακής νόσου βάσει της στένωσης των αγγείων σε ποσοστό 50% και άνω, καθώς και του σημείου. Οι συγκεκριμένες πληροφορίες χρησιμοποιήθηκαν για την ανάπτυξη, εκπαίδευση και επαλήθευση του αλγορίθμου βαθιάς μηχανικής μάθησης.
Στη συνέχεια, οι ερευνητές δοκίμασαν τον αλγόριθμο σε 1.013 ασθενείς από εννέα νοσοκομεία στην Κίνα, την περίοδο μεταξύ Απριλίου 2019 και Ιουλίου 2019. Η πλειονότητα των ασθενών σε όλες τις ομάδες ανήκε στην κινεζική εθνότητα Χαν.
Και διαπίστωσαν ότι ο αλγόριθμος ξεπέρασε υπάρχουσες μεθόδους πρόγνωσης του κινδύνου καρδιακών παθήσεων (μοντέλο Diamond-Forrester και σημάνσεις CAD). Στην ομάδα επαλήθευσης, ο αλγόριθμος ανίχνευσε σωστά την καρδιαγγειακή νόσο στο 80% των περιπτώσεων (το πραγματικό θετικό ποσοστό ή «ευαισθησία»), ενώ αναγνώρισε σωστά τη μη ύπαρξη της νόσου στο 61% των περιπτώσεων (ο πραγματικός αρνητικός ρυθμός ή «ειδικότητα»). Στην ομάδα ελέγχου, η ευαισθησία ήταν 80% και η ειδικότητα 54%.
«Ο αλγόριθμος είχε μέτρια απόδοση και πρόσθετες κλινικές πληροφορίες δεν την βελτίωσαν, γεγονός που σημαίνει ότι θα μπορούσε να χρησιμοποιηθεί εύκολα για την πρόβλεψη πιθανών καρδιαγγειακών παθήσεων με βάση μόνο τις φωτογραφίες του προσώπου» επισήμανε ο καθηγητής Ji.
«Ωστόσο, πρέπει να βελτιώσουμε την ανάλυση, καθώς ένα ψευδώς θετικό ποσοστό έως και 46% μπορεί να προκαλέσει άγχος και ενόχληση στους ασθενείς, καθώς και δυνητικά υπερφόρτωση κλινικών με ασθενείς που ζητούν περιττές εξετάσεις» συμπλήρωσε ο ίδιος.
Τα μάγουλα, το μέτωπο και η μύτη συνεισέφεραν περισσότερες πληροφορίες στον αλγόριθμο από άλλες περιοχές του προσώπου.
Στο συνοδευτικό άρθρο, ο Χαράλαμπος Αντωνιάδης, καθηγητής Καρδιοαγγειακής Ιατρικής στο Πανεπιστήμιο της Οξφόρδης στο Ηνωμένο Βασίλειο, και ο Χρήστος Κοτανίδης, φοιτητής DPhil που εργάζεται υπό τον καθηγητή Αντωνιάδη στην Οξφόρδη, γράφουν ότι η εν λόγω μελέτη καταδεικνύει συνολικά μία νέα δυναμική στην ιατρική διάγνωση.
«Η δυναμική της προσέγγισης έγκειται στο γεγονός ότι ο αλγόριθμος βαθιάς μάθησης απαιτεί απλώς μια εικόνα προσώπου ως τη μοναδική είσοδο δεδομένων, καθιστώντας την ιδιαίτερα και εύκολα εφαρμόσιμη σε μεγάλη κλίμακα» επισημαίνουν, προσθέτοντας πως η χρήση selfies ως μεθόδου διαλογής μπορεί να προσφέρει έναν απλό, αλλά αποτελεσματικό, τρόπο φιλτραρίσματος του γενικού πληθυσμού προς μία πιο ολοκληρωμένη κλινική αξιολόγηση.
Υποδεικνύουν παράλληλα περιορισμούς στους οποίους αναφέρονται και οι ίδιοι οι υπογράφοντες -τη χαμηλή ειδικότητα του τεστ, το γεγονός ότι πρέπει να βελτιωθεί και να δοκιμαστεί σε μεγαλύτερους πληθυσμούς, αλλά και τα ηθικά ζητήματα που εγείρονται σχετικά με τον κίνδυνο χρήσης ευαίσθητων προσωπικών πληροφοριών για διακρίσεις πολλών μορφών.
Διαβάστε επίσης
Καρκίνος Mαστού: Διάγνωση ακριβείας με τεχνητή νοημοσύνη
Σύστημα τεχνητής νοημοσύνης προβλέπει την οξεία νεφρική βλάβη έως 48 ώρες προτού αυτή συμβεί
Σύστημα τεχνητής νοημοσύνης βοηθά στη διάγνωση του καρκίνου του προστάτη
