Skip to content Skip to sidebar Skip to footer

Αλέξανδρος Μπριασούλης, Επίκουρος Καθηγητής Θεραπευτικής-Καρδιολογίας, Ιατρική Σχολή Ε.Κ.Π.Α;

Πολύδωρος Καπακτσής, Επίκουρος Καθηγητής Καρδιολογίας, Ιατρική Σχολή Columbia University, Νέα Υόρκη, Η.Π.Α.

Figures ML CHD

Το ενδιαφέρον για τις εφαρμογές της Τεχνητής Νοημοσύνης (Artificial Intelligence) στην Ιατρική και ιδιαίτερα της Μηχανικής Μάθησης (Machine Learning), που αποτελεί τον βασικό της υπολογιστικό κλάδο, αυξάνεται εκθετικά την τελευταία δεκαετία. Οι αλγόριθμοι Μηχανικής Μάθησης ουσιαστικά με τον ένα ή άλλο τρόπο υλοποιούν διεργασίες που αναγνωρίζουν πρότυπα στα δεδομένα: ουσιαστικά ο όρος Αναγνώριση Προτύπων (Pattern Recognition) είναι συνώνυμος της Μηχανικής Μάθησης.  Τα πρότυπα αυτά δημιουργούνται από τους αλγορίθμους είτε χωρίς, είτε υπό επίβλεψη, και μέσω επαναληπτικών διεργασιών που συνολικά αποκαλούμε «εκπαίδευση» (training) οδηγούν σε ένα τελικό υπολογιστικό μοντέλο που μπορεί να αναγνωρίζει πρότυπα σε νέα δεδομένα. Για παράδειγμα, ένα μοντέλο Μηχανικής Μάθησης μπορεί να εκπαιδευτεί να διαχωρίζει φυσιολογικές από παθολογικές μαστογραφίες (φυσιολογικό και παθολογικό πρότυπο αντίστοιχα). Για την διαδικασία της εκπαίδευσης, κατά κανόνα απαιτούνται σημαντικές ποσότητες ψηφιακών δεδομένων από πληθώρα πηγών, τα οποία συνολικά έχουν περιγραφεί με τον όρο «Μεγάλα Δεδομένα» (Big Data). Η εκτεταμένη ψηφιοποίηση των τελευταίων δεκαετίων πλέον καθιστά «Μεγάλα Δεδομένα» διαθέσιμα και έχει οδηγήσει σε προσπάθειες αξιοποίησης τους με εφαρμογές Μηχανικής Μάθησης. Αξίζει ωστόσο να σημειωθεί πως η αποτελεσματικότητα του τελικού μοντέλου Μηχανικής Μάθησης εξαρτάται σε πολύ μεγάλο βαθμό και από την ποιότητα των δεδομένων, ειδικά σε ιατρικές εφαρμογές όπου το περιθώριο λάθους είναι μικρό.

Σε γενικές γραμμές, οι εφαρμογές Μηχανικής Μάθησης στην ιατρική μπορεί να θεωρηθεί πως ανήκουν σε μια τουλάχιστον από τις εξής τέσσερις κατηγορίες: α) ανίχνευση νόσου ή υποβοηθούμενη διάγνωση β) πρόβλεψη κλινικής έκβασης και εκτίμηση ρίσκου γ) δημιουργία φαινοτύπων δ) υποβοηθούμενη κλινική απόφαση. Ουσιαστικά η Αναγνώριση Προτύπων χρησιμοποιείται με κατάλληλο τρόπο σε κάθε μία κατηγορία. Οι εφαρμογές αυτές μπορεί να χρησιμοποιούνται για την αυτοματοποίηση διεργασιών στην κλινική ιατρική, όπως στην περίπτωση της ανίχνευσης νόσου αλλά και να παράγουν νέα ιατρική γνώση σε μη πλήρως διευκρινησμένα νοσήματα, όπως η πνευμονική αρτηριακή υπέρταση. Επί παραδείγματι, εφαρμογές Μηχανικής Μάθησης που ήδη χρησιμοποιούνται για την αυτόματη αναγνώριση χαρακτηριστικών σε ιατρικές εικόνες όπως η καρδιακή μαγνητική τομογραφία και η οπτική τομογραφία (OCT) ανήκουν στην α’ κατηγορία. Κατά κύριο λόγο, οι εφαρμογές Μηχανικής Μάθησης στην ιατρική προκύπτουν από διεπιστημονικές συνεργασίες ιατρών και επιστημόνων δεδομένων (data scientists) με εξειδίκευση στην Τεχνητή Νοημοσύνη.

Στα πλαίσια ερευνητικής δραστηριότητας για την αξιοποίηση Μηχανικής Μάθησης στην Καρδιολογία δημιουργήθηκε η επιστημονική ομάδα Heart In AI, μέλος της οποίας είναι ο κ. Αλέξανδρος Μπριασούλης, επίκουρος καθηγητής Καρδιολογίας του ΕΚΠΑ. Σε συνεργασία με τον κ. Πολύδωρο Καμπακτσή, επίκουρο καθηγητή Καρδιολογίας στο Columbia University, τον κ. Σεραφείμ Μουστακίδη, διδάκτωρα ηλεκτρολόγο μηχανικό της εταιρίας AiDEAS και τον κ. Αναστάσιο Δρόσου, διδάκτωρα ηλεκτρολόγο μηχανικό και ερευνητή του ΕΚΕΤΑ διερευνήθηκε η χρησιμότητα της Μηχανικής Μάθησης για την πρόβλεψη της κλινικής έκβασης ασθενών που υπόκεινται σε μεταμόσχευση καρδιάς. Για το σκοπό αυτό χρησιμοποιήθηκε η εθνική βάση δεδομένων United Network for Organ Sharing (UNOS), στην οποία καταγράφονται οι κλινικές πληροφορίες όλων των ασθενών που λαμβάνουν μοσχεύματα στις ΗΠΑ. Το ερώτημα που τέθηκε ήταν η πρόβλεψη επιβίωσης 1 έτος μετά από μεταμόσχευση καρδιάς, η οποία εξαρτάται από πολλούς παράγοντες και είναι δύσκολο να προβλεφθεί με ακρίβεια από τα υπάρχοντα μοντέλα. Χρησιμοποιήθηκαν πάνω από 130 μεταβλητές και πάνω από 18 χιλιαδες ασθενείς που μεταμοσχεύθηκαν μεταξύ των ετών 2010-18. Τα αποτελέσματα έδειξαν αυξημένη προγνωστική ακρίβεια των μοντέλων Μηχανικής Μάθησης συγκριτικά με το IMPACT, ένα υπάρχον μοντέλο, και βάσει της περιοχής κάτω από την καμπύλη (Area Under the Curve, AUC). Ωστόσο, η προβλεπτική ικανότητα εξακολούθησε να μην είναι υψηλή (AUC 0.689 vs. 0.569, αντιστοίχως). Σχετικά ικανοποιητική προβλεπτική ικανότητα επιτεύχθη όταν αλγόριθμοι Μηχανικής Μάθησης εφαρμόστηκαν σε μια συγκεκριμένη κατηγορία ασθενών, αυτούς με καρδιακή ανεπάρκεια εξαιτίας συγγενών καρδιοπαθειών (AUC 0.82). Σε όλα τα μοντέλα Μηχανικής Μάθησης εφαρμόστηκαν τεχνικές εξηγησιμότητας (explainability), οι οποίες συνιστώνται σε ξεχωριστούς αλγορίθμους που επιχειρούν να προσδώσουν σημασία ή βαρύτητα στις μεταβλητές οι οποίες επιλέγονται τα τελικά μοντέλα. Με τον τρόπο αυτό αντιμετωπίζεται η αδυναμία της Μηχανικής Μάθησης να δημιουργεί μοντέλα που δεν στηρίζονται σε αιτιολογικές σχέσεις, σε αντίθεση με την κλασσική στατιστική όπου κάτι τέτοιο αποφεύγεται από τον αναλυτή.

Τα αποτελέσματα των ανωτέρω ερευνητικών εργασιών είναι ενθαρρυντικά κι έχουν δημοσιευθεί ήδη σε διεθνή επιστημονικά περιοδικά (Clinical Transplantation, European Society of Cardiology Heart Failure) και συνέδρια (American College of Cardiology, European Society of Cardiology). Περαιτέρω ερευνητικές προσπάθειες θα επικεντρωθούν σε πιο πολύπλοκα κλινικά ερωτήματα που απασχολούν τους μεταμοσχευθέντες καρδιάς, όπως της ανοσοκαταστολής αλλά και θα επεκταθούν σε άλλες κατηγορίες, όπως την ανίχνευση νόσου άλλων πληθυσμών καρδιοπαθών.

ΕΚΠΑ © 2022. Με επιφύλαξη παντός δικαιώματος