Επιστήμονες στις ΗΠΑ, με επικεφαλής έναν Έλληνα της διασποράς, δημιούργησαν μια νέα πλατφόρμα τεχνητής νοημοσύνης με αλγόριθμο μηχανικής μάθησης ικανό να διαγνώσει τη νόσο Covid-19, αναλύοντας ακτινογραφίες των πνευμόνων.
Το «έξυπνο» σύστημα με την ονομασία DeepCOVID-XR, όπως έδειξαν οι δοκιμές του, μπορεί να ανιχνεύσει τη νόσο του κορονοϊού περίπου δέκα φορές πιο γρήγορα και με ακρίβεια 1% έως 6% μεγαλύτερη σε σχέση με ακτινολόγους εξειδικευμένους στις ακτινογραφίες θώρακα.
Οι ερευνητές, με επικεφαλής τον ειδικό στη τεχνητή νοημοσύνη καθηγητή ‘Αγγελο Κατσάγγελο, του Τμήματος Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Northwestern του Ιλινόις, οι οποίοι έκαναν τη σχετική δημοσίευση στο περιοδικό ακτινολογίας «Radiology», ευελπιστούν ότι το σύστημα τους θα αξιοποιηθεί μελλοντικά από τους γιατρούς για να ελέγχουν πιο αποτελεσματικά τους ασθενείς που εισάγονται στο νοσοκομείο για αιτίες άλλες από την Covid-19, εντοπίζοντας άμεσα εκείνους που στην πραγματικότητα έχουν μολυνθεί από τον κορονοϊό SARS-CoV-2.
«Στόχος μας δεν είναι να αντικαταστήσουμε τα τεστ για κορονοϊό. Οι ακτινογραφίες-Χ είναι μια ασφαλής και φθηνή διαδικασία ρουτίνας. Με το νέο σύστημα μας χρειάζονται δευτερόλεπτα για να ελεγχθεί ένας ασθενής και να διαπιστωθεί κατά πόσο πρέπει να απομονωθεί λόγω λοίμωξης Covid-19», δήλωσε ο Κατσάγγελος.
«Χρειάζονται ώρες ή μέρες για να πάρει κανείς τα αποτελέσματα από ένα τεστ Covid-19. Η τεχνητή νοημοσύνη δεν επιβεβαιώνει αν κάποιος έχει τον κορονοϊό ή όχι. Όμως, με το νέο αλγόριθμο, μπορούμε να ξεχωρίζουμε ένα ασθενή ως ύποπτο κρούσμα, προτού βγουν τα αποτελέσματα του τεστ», πρόσθεσε ο δρ Ράμσεϊ Γουέμπε της Ιατρικής Σχολής του Northwestern.
Σε πολλούς ασθενείς με Covid-19 οι ακτινογραφίες θώρακα εμφανίζουν παρεμφερή εικόνα πνευμόνων με όμοια χαρακτηριστικά ευρήματα, καθώς συχνά οι πνεύμονες έχουν φλεγμονή και έχουν συσσωρεύσει υγρό. Το πρόβλημα είναι ότι η απλή πνευμονία, η καρδιακή ανεπάρκεια και άλλες παθήσεις των πνευμόνων μπορεί να εμφανίζουν μια παρόμοια εικόνα στις ακτινογραφίες. Συνεπώς χρειάζεται μερικές φορές πολύ έμπειρο μάτι για να διακρίνει τη διαφορά ανάμεσα στην Covid-19 και σε κάποια άλλη μη λοιμογόνο πάθηση.
Το εργαστήριο του Α. Κατσάγγελου ειδικεύεται εδώ και χρόνια στη χρήση τεχνητής νοημοσύνης στις απεικονιστικές διαγνωστικές εξετάσεις, ιδίως στο πεδίο της καρδιολογίας. Οι ερευνητές αξιοποίησαν την εμπειρία τους για να αναπτύξουν ένα νέο αλγόριθμο, τον οποίο «εκπαίδευσαν» με 17.000 ακτινογραφίες θώρακα, εκ των οποίων οι 5.445 από ασθενείς με Covid-19.
Στη συνέχεια ο αλγόριθμος δοκιμάστηκε -«κόντρα» σε πέντε ακτινολόγους έμπειρους στις καρδιοθωρακικές ακτινογραφίες- στην ανάλυση 300 τυχαίων ακτινογραφιών πνευμόνων από νοσοκομείο. Ο κάθε ακτινολόγος χρειάστηκε δυόμισι έως τρεισήμισι ώρες για να αναλύσει αυτό τον αριθμό ακτινογραφιών, έναντι μόνο 18 λεπτών του συστήματος DeepCOVID-XR. Η ακρίβεια διάγνωσης των περιπτώσεων Covid-19 από τους πέντε ακτινολόγους ήταν από 76% έως 81%, ενώ της «έξυπνης» πλατφόρμας 82%.
«Οι ακτινολόγοι είναι ακριβοί και όχι πάντα διαθέσιμοι. Οι ακτινογραφίες-Χ είναι φθηνές και ήδη αποτελούν μια διαδικασία ρουτίνας στην κλινική πράξη. Το νέο σύστημα μπορεί να εξοικονομήσει χρήματα και να σώσει ζωές, ιδίως τώρα που η έγκαιρη διάγνωση είναι τόσο κρίσιμη, όταν κανείς δουλεύει με την Covid-19», τόνισε ο Κατσάγγελος, ο οποίος είναι απόφοιτος του Τμήματος Ηλεκτρολόγων Μηχανικών του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης (1979), με διδακτορικό από το Ινστιτούτο Τεχνολογίας της Τζόρτζια των ΗΠΑ (1985).
Οι ερευνητές επεσήμαναν ότι δεν εμφανίζουν όλοι οι ασθενείς σημάδια της Covid-19 στους πνεύμονες τους, συνεπώς ούτε στις ακτινογραφίες τους, ιδίως στα αρχικά στάδια της νόσου. Σε αυτές τις περιπτώσεις, το «έξυπνο» σύστημα ασφαλώς δεν μπορεί να κάνει διάγνωση και γι’ αυτό δεν μπορεί να αντικαταστήσει τα τεστ.
Ο Κατσάγγελος και οι συνεργάτες του αποφάσισαν να διαθέσουν δημόσια τον αλγόριθμο τους, με την ελπίδα ότι άλλοι ερευνητές θα συνεχίσουν να τον «εκπαιδεύουν» με νέα δεδομένα και έτσι να τον βελτιώσουν. Προς το παρόν, το DeepCOVID-XR βρίσκεται σε ερευνητικό στάδιο και δεν θεωρείται ακόμη έτοιμο για κλινική αξιοποίηση.
Σύνδεσμος για την επιστημονική δημοσίευση:
https://pubs.rsna.org/doi/10.1148/radiol.2020203511