Κάθε χρόνο, περισσότεροι από 200 εκατομμύρια άνθρωποι αρρωσταίνουν από ελονοσία και περισσότερες από μισό εκατομμύριο από αυτές τις λοιμώξεις οδηγούν σε θάνατο. Ο Παγκόσμιος Οργανισμός Υγείας συνιστά διάγνωση με βάση τα παράσιτα πριν από την έναρξη θεραπείας για τη νόσο που προκαλείται από παράσιτα Plasmodium. Υπάρχουν διάφορες διαγνωστικές μέθοδοι, συμπεριλαμβανομένων της συμβατικής μικροσκοπίας φωτός, των γρήγορων διαγνωστικών εξετάσεων και
Το πρότυπο για τη διάγνωση της ελονοσίας, ωστόσο, παραμένει η χειροκίνητη μικροσκοπία φωτός, κατά την οποία ένας ειδικός εξετάζει τα φιλμ αίματος με μικροσκόπιο για να επιβεβαιώσει την παρουσία παρασίτων της ελονοσίας. Ωστόσο, η ακρίβεια των αποτελεσμάτων εξαρτάται σε μεγάλο βαθμό από τις δεξιότητες του μικροσκοπιστή και μπορεί να παρεμποδιστεί από την κόπωση που προκαλείται από τον υπερβολικό φόρτο εργασίας των επαγγελματιών που κάνουν τη δοκιμή.
Τώρα, γράφοντας στο Frontiers in Malaria, μια διεθνής ομάδα ερευνητών έχει αξιολογήσει εάν ένα πλήρως αυτοματοποιημένο σύστημα, που συνδυάζει λογισμικό ανίχνευσης τεχνητής νοημοσύνης και αυτοματοποιημένο μικροσκόπιο, μπορεί να διαγνώσει την ελονοσία με κλινικά χρήσιμη ακρίβεια.
«Με ποσοστό διαγνωστικής ακρίβειας 88% σε σχέση με τους μικροσκόπους, το σύστημα τεχνητής νοημοσύνης εντόπισε παράσιτα ελονοσίας σχεδόν, αν και όχι αρκετά, καθώς και ειδικούς», δήλωσε η Δρ Roxanne Rees-Channer, ερευνήτρια στο The Hospital for Tropical Diseases στο UCLH. ΗΒ, όπου πραγματοποιήθηκε η μελέτη. “Αυτό το επίπεδο απόδοσης σε κλινικό περιβάλλον είναι ένα σημαντικό επίτευγμα για τους αλγόριθμους AI που στοχεύουν την ελονοσία. Υποδεικνύει ότι το σύστημα μπορεί πράγματι να είναι ένα κλινικά χρήσιμο εργαλείο για τη διάγνωση της ελονοσίας σε κατάλληλα περιβάλλοντα.”
Το AI παρέχει ακριβή διάγνωση
Οι ερευνητές πήραν δείγματα από περισσότερα από 1.200 δείγματα αίματος ταξιδιωτών που είχαν επιστρέψει στο Ηνωμένο Βασίλειο από ενδημικές χώρες της ελονοσίας. Η μελέτη εξέτασε την ακρίβεια του συστήματος τεχνητής νοημοσύνης και του αυτοματοποιημένου μικροσκοπίου σε ένα πραγματικό κλινικό περιβάλλον κάτω από ιδανικές συνθήκες. Αξιολόγησαν δείγματα χρησιμοποιώντας τόσο χειροκίνητο μικροσκόπιο φωτός όσο και το σύστημα μικροσκοπίου AI. Με το χέρι, 113 δείγματα διαγνώστηκαν ως θετικά παράσιτα ελονοσίας, ενώ το σύστημα AI αναγνώρισε σωστά 99 δείγματα ως θετικά, που αντιστοιχεί σε ποσοστό ακρίβειας 88%.
“Η τεχνητή νοημοσύνη για την ιατρική συχνά δημοσιεύει ρόδινα προκαταρκτικά αποτελέσματα σε εσωτερικά σύνολα δεδομένων, αλλά στη συνέχεια πέφτει σταθερά σε πραγματικές κλινικές ρυθμίσεις. Αυτή η μελέτη αξιολόγησε ανεξάρτητα εάν το σύστημα τεχνητής νοημοσύνης θα μπορούσε να πετύχει σε μια πραγματική περίπτωση κλινικής χρήσης”, δήλωσε ο Rees-Channer, συγγραφέας της μελέτης.
Αυτοματοποιημένο έναντι χειροκίνητου test
Το πλήρως αυτοματοποιημένο σύστημα διάγνωσης της ελονοσίας που οι ερευνητές δοκίμασαν περιλαμβάνει σκληρό καθώς και λογισμικό. Μια αυτοματοποιημένη πλατφόρμα μικροσκοπίας σαρώνει φιλμ αίματος και αλγόριθμοι ανίχνευσης ελονοσίας επεξεργάζονται την εικόνα για να ανιχνεύσουν παράσιτα και την ποσότητα που υπάρχει.
Η αυτοματοποιημένη διάγνωση της ελονοσίας έχει πολλά πιθανά οφέλη, τόνισαν οι επιστήμονες. «Ακόμα και οι έμπειροι μικροσκόποι μπορεί να κουραστούν και να κάνουν λάθη, ειδικά κάτω από μεγάλο φόρτο εργασίας», εξήγησε ο Rees-Channer. «Η αυτόματη διάγνωση της ελονοσίας με χρήση τεχνητής νοημοσύνης θα μπορούσε να μειώσει αυτή την επιβάρυνση για τους μικροσκόπους και έτσι να αυξήσει το εφικτό φορτίο των ασθενών». Επιπλέον, αυτά τα συστήματα παρέχουν αναπαραγώγιμα αποτελέσματα και μπορούν να αναπτυχθούν ευρέως, έγραψαν οι επιστήμονες.
Παρά το ποσοστό ακρίβειας 88%, το αυτοματοποιημένο σύστημα προσδιόρισε επίσης ψευδώς 122 δείγματα ως θετικά, γεγονός που μπορεί να οδηγήσει σε ασθενείς που λαμβάνουν περιττά φάρμακα κατά της ελονοσίας. “Το λογισμικό AI εξακολουθεί να μην είναι τόσο ακριβές όσο ένας ειδικός μικροσκόπος. Αυτή η μελέτη αντιπροσωπεύει ένα πολλά υποσχόμενο σημείο δεδομένων παρά μια αποφασιστική απόδειξη της φυσικής κατάστασης”, κατέληξε ο Rees-Channer.