Η Τεχνητή Νοημοσύνη στην Ουρολογία

Μουρμούρης Π., Τζελβές Λ., Μανωλίτσης Ι., Παπατσώρης Α., Βαρκαράκης Ι., Σκολαρίκος Α., Δεληβελιώτης Χ

Β’ Ουρολογική Κλινική ΕΚΠΑ, Σισμανόγλειο Νοσοκομείο Αττικής

ΕΙΣΑΓΩΓΗ

Η τεχνητή νοημοσύνη (ΤΝ) στοχεύει στην δημιουργία μιας ευφυούς μηχανής η οποία να μπορεί να εκτελέσει διανοητικές λειτουργίες με την χρήση πολύπλοκων μαθηματικών μοντέλων τα οποία και περιέχουν βασικές δομικές μονάδες που προσομοιάζουν με ανθρώπινους νευρώνες. Ωστόσο, αποτελεί έναν ευρύτατο επιστημονικά κλάδο ο οποίος περιλαμβάνει πολλές υποκατηγορίες όπως αναπαράσταση φυσικής ομιλίας, ηλεκτρονική όραση, ανάλυση προβλέψεων, εκπαίδευση μηχανών (machine learning) και τεχνητά νευρωνικά δίκτυα (deep learning). Η κάθε μια από αυτές τις κατηγορίες έχει τα ιδιαίτερα χαρακτηριστικά και την πολυπλοκότητά της και εξυπηρετεί διαφορετικούς σκοπούς.

Στην Ουρολογία έχουν γίνει πολλές προσπάθειες να χρησιμοποιηθούν οι εφαρμογές της ΤΝ τόσο για την βελτίωση της διάγνωσης αλλά και της θεραπείας των ουρολογικών ασθενειών. Ο ευρύτερα μελετημένος κλάδος της ΤΝ είναι αυτός της εκπαίδευσης μηχανών  (EM). Σε αυτόν τον κλάδο χρησιμοποιούνται αλγόριθμοι και στατιστικά μοντέλα για να εξαχθούν συμπεράσματα (πχ για την επιλογή της καλύτερης θεραπευτικής μεθόδου) τα οποία συμπεράσματα προκύπτουν από την εισαγωγή διαρθρωμένων δεδομένων. Με αυτόν το τρόπο γίνεται μια ασφαλής «πρόβλεψη» των αποτελεσμάτων με βάση τα δεδομένα των ασθενών.

ΔΙΑΓΝΩΣΗ

Ο κλινικός τομέας της Ουρολογίας που η ΕΜ θα κατείχε σημαντικό ρόλο είναι αυτός του καρκίνου του ουροποιογεννητικού συστήματος. Μελέτες ανέδειξαν πολύ ελπιδοφόρα αποτελέσματα τόσο για την διάγνωση του καρκίνου του προστάτη (μέσω βέλτιστης ανάλυσης της πολυπαραμετρικής μαγνητικής τομογραφίας ή βελτίωσης της αναγνώρισης της ιστολογικής διάγνωσης)^1,2 όσο και του ουροθηλιακού καρκίνου(μέσω βελτίωσης της ευαισθησίας και ειδικότητας των απεικονιστικών μεθόδων διάκρισης του υγιούς και του παθολογικού ιστού)^3,4.  Οι εφαρμογές όμως της ΕΜ δεν σταματά μόνο στο απεικονιστικό ή στο ιστολογικό κομμάτι αλλά επεκτείνεται και στην ανεύρεση νέων βιοδεικτών αλλά και στη βελτίωση της αναγνώρισης της εικόνας κατά την διάρκεια επεμβατικών διαγνωστικών εξετάσεων όπως η κυστεοσκόπηση. Οι μελέτες μάλιστα των παραπάνω αναφέρουν εξαιρετικά αποτελέσματα με AUC (area under curve) τις περισσότερες φορές πάνω από 0.80 και μέχρι 0.96^3,4.

ΘΕΡΑΠΕΙΑ

Το «ιερό δισκοπότηρο» της χειρουργικής είναι η ικανότητα πρόβλεψης των αποτελεσμάτων κάθε εξειδικευμένης επεμβατικής μεθόδου και μάλιστα εξατομικευμένα για κάθε ασθενή. Προς αυτήν την κατεύθυνση έχουν ήδη δημοσιευτεί μελέτες που μπορούν να «προβλέψουν» τα ογκολογικά αλλά και μετεγχειρητικά λειτουργικά αποτελέσματα και τις επιπλοκές συγκεκριμένων επεμβάσεων όπως της ρομποτικής ριζικής προστατεκτομής (πχ, ακράτεια ούρων)^6,7 αλλά και της ριζικής κυστεκτομής (πχ, θνητότητα)⁸ ανάλογα με τα ιδιαίτερα προεγχειρητικά δεδομένα του εκάστοτε ασθενούς. Τα παραπάνω βοηθούν ώστε να αποφασιστεί αν θα επωφεληθεί ο ασθενής από αυτές τις επεμβάσεις ή όχι ώστε να αναζητηθούν άλλες εναλλακτικές θεραπείες.

Ανάλογες μελέτες έχουν γίνει και για μη ογκολογικές ουρολογικές παθήσεις όπως για παράδειγμα στην λιθίαση του ουροποιητικού και στη καλοήθη υπερπλασία του προστάτη. Στην πρώτη, η χρήση της ΤΝ είναι ικανή να προβλέψει ανάλογα με τα χαρακτηριστικά του ασθενούς και της λιθίασής, το ποσοστό ελεύθερο λίθου των διαφορετικών επεμβατικών μεθόδων και έτσι να αποφασιστεί η καλύτερη θεραπευτική επιλογή για κάθε ασθενή.

Η B’ Ουρολογική Κλινική του ΕΚΠΑ, στη προσπάθεια να προσφέρει τη βέλτιστη θεραπεία για κάθε ασθενή έχει κάνει προσπάθειες για ανάπτυξη μοντέλων EM και για ευρλυτερη χρήση των εργαλείων την ΤΝ. Στα πλαίσια της προσπάθειας αυτής αναπτύχθηκαν μια σειρά από ΕΜ για την καλοήθη υπερπλασία του προστάτη (ΚΥΠ) που αποτελεί ένα από τα συχνότερα προβλήματα των ανδρών. Η αντιμετώπιση της ΚΥΠ μπορεί να γίνει με διαφορετικές χειρουργικές τεχνικές (μονοπολική, διπολική ή laser διουρηθρική προστατεκτομή, ανοιχτή, λαπαροσκοπική ή ρομποτική απλή προστατεκτομή). Η επιλογή της κατάλληλης θεραπείας με τα καλύτερα αποτελέσματα για τον καθένα ασθενή είναι εξαιρετικής σημασίας. Στη πρόσφατα δημοσιευμένη μελέτη μας, συγκρίθηκαν τα διαφορετικά μοντέλα TN που αναπτύξαμε σε ασθενείς που υπεβλήθησαν σε τρεις διαφορετικές διουρηθρικές επεμβάσεις για ΚΥΠ¹⁰. Ένα από τα μοντέλα που αναπτύχθηκαν (Random Forest) ήταν αυτό που κατάφερε να προβλέψει με μεγαλύτερη ακρίβεια τα μετεγχειρητικά λειτουργικά αποτελέσματα των επεμβάσεων (δλδ τη μέγιστη ταχύτητα ούρησης; Qmax και το score του διεθνούς ερωτηματολογίου βαθμολόγησης συμπτωμάτων προστάτη; IPSS).

Στο παραπάνω πλαίσιο η Β Ουρολογική Κλινική συμμετέχει και σε μια διεθνή μελέτη (ASCAPE)¹¹, σκοπός της οποίας είναι να χρησιμοποιηθούν τα στοιχεία ασθενών με καρκίνο του ουροποιητικού για να δημιουργηθεί το αντίστοιχο μοντέλο ΤΝ που θα μπορεί να προβλέψει θέματα ποιότητας ζωής των ασθενών μετά από την εκάστοτε θεραπευτική προσέγγιση και έτσι να αποφασιστεί ποια είναι η βέλτιστη θεραπευτική παρέμβαση για τον κάθε ασθενή ξεχωριστά.

Τα αποτελέσματα των παραπάνω προσπαθειών μοιάζουν εξαιρετικά ενθαρρυντικά και ελπιδοφόρα για την χρήση της ΤΝ σε αυτό τον τομέα της Ουρολογίας και πιστεύουμε ότι ανοίγουν έναν μεγάλο δρόμο για το μέλλον για την ευρύτερη χρήση της ΤΝ στην καθημερινή κλινική πράξη.

ΒΙΒΛΙΟΓΡΑΦΙΑ

1. Algohary A, Viswanath S, Shiradkar R, Ghose S, Pahwa S, Moses D et al Radiomic features on MRI enable risk categorization of prostate cancer patients on active surveillance: Preliminary findings. J Magn Reson Imaging. 2018 Feb 22:10.1002/jmri.25983
2. Kwak JT, Hewitt SM. Multiview boosting digital pathology analysis of prostate cancer. Comput Methods Programs Biomed. 2017 Apr;142:91-99
3. Xu X, Zhang X, Tian Q, Zhang G, Liu Y, Cui G et al Three-dimensional texture features from intensity and high-order derivative maps for the discrimination between bladder tumors and wall tissues via MRI. Int J Comput Assist Radiol Surg. 2017 Apr;12(4):645-656
4. Garapati SS, Hadjiiski L, Cha KH, Chan HP, Caoili EM, Cohan RH et al Urinary bladder cancer staging in CT urography using machine learning. Med Phys. 2017 Nov;44(11):5814-5823.
5. Shao CH, Chen CL, Lin JY, Chen CJ, Fu SH, Chen YT et al. Metabolite marker discovery for the detection of bladder cancer by comparative metabolomics. Oncotarget. 2017 Jun 13;8(24):38802-38810.
6. Hung AJ, Chen J, Ghodoussipour S, Oh PJ, Liu Z, Nguyen J et al A deep-learning model using automated performance metrics and clinical features to predict urinary continence recovery after robot-assisted radical prostatectomy. BJU Int. 2019 Sep;124(3):487-495
7. Hung AJ, Chen J, Che Z, Nilanon T, Jarc A, Titus M, et al  Utilizing Machine Learning and Automated Performance Metrics to Evaluate Robot-Assisted Radical Prostatectomy Performance and Predict Outcomes. J Endourol. 2018 May;32(5):438-444.
8. Wang G, Lam KM, Deng Z, Choi KS. Prediction of mortality after radical cystectomy for bladder cancer by machine learning techniques. Comput Biol Med. 2015 Aug;63:124-32.
9. Aminsharifi A, Irani D, Pooyesh S, Parvin H, Dehghani S, Yousofi K et al Artificial Neural Network System to Predict the Postoperative Outcome of Percutaneous Nephrolithotomy. J Endourol. 2017 May;31(5):461-467
10. Mourmouris P, Tzelves L, Feretzakis G, Kalles D, Manolitsis I, Berdempes M et al The use and applicability of machine learning algorithms in predicting the surgical outcome for patients with benign prostatic enlargement. Which model to use? Arch Ital Urol Androl. 2021 Dec 20;93(4):418-424.
11. Τzelves L, Manolitsis I, Varkarakis I, Ivanovic M, Kokkonidis M, Useros CS et al . Artificial intelligence supporting cancer patients across Europe-The ASCAPE project. PLoS One. 2022 Apr 21;17(4):e0265127.