Ερευνητές στα Εθνικά Ινστιτούτα Υγείας έχουν εφαρμόσει τεχνητή νοημοσύνη (AI) σε μια τεχνική που παράγει εικόνες υψηλής ανάλυσης κυττάρων στο μάτι. Αναφέρουν ότι με την τεχνητή νοημοσύνη, η απεικόνιση είναι 100 φορές πιο γρήγορη και βελτιώνει την αντίθεση της εικόνας 3,5 φορές. Η πρόοδος, λένε, θα προσφέρει στους ερευνητές ένα καλύτερο εργαλείο για την αξιολόγηση της ηλικιακής εκφύλισης της ωχράς κηλίδας (AMD) και άλλων ασθενειών του αμφιβληστροειδούς. Το έργο εμφανίζεται στο Communications Medicine.
«Η τεχνητή νοημοσύνη βοηθά να ξεπεραστεί ένας βασικός περιορισμός των κυττάρων απεικόνισης στον αμφιβληστροειδή, που είναι ο χρόνος», δήλωσε ο Johnny Tam, Ph.D., ο οποίος ηγείται του Τμήματος Κλινικής και Μεταφραστικής Απεικόνισης στο Εθνικό Ινστιτούτο Οφθαλμών του NIH. Ο Tam αναπτύσσει μια τεχνολογία που ονομάζεται προσαρμοστική οπτική (AO) για τη βελτίωση των συσκευών απεικόνισης που βασίζονται στην οπτική τομογραφία συνοχής (OCT). Όπως το υπερηχογράφημα, το OCT είναι μη επεμβατικό, γρήγορο, ανώδυνο και τυπικός εξοπλισμός στις περισσότερες οφθαλμολογικές κλινικές.
Η απεικόνιση κυττάρων RPE με AO-OCT συνοδεύεται από νέες προκλήσεις, συμπεριλαμβανομένου ενός φαινομένου που ονομάζεται speckle. Το Speckle παρεμβαίνει στο AO-OCT όπως τα σύννεφα παρεμβαίνουν στην αεροφωτογράφηση. Σε κάθε δεδομένη στιγμή, μέρη της εικόνας μπορεί να είναι ασαφή. Η διαχείριση του speckle είναι κάπως παρόμοια με τη διαχείριση του cloud cover. Οι ερευνητές επανειλημμένα απεικονίζουν κύτταρα για μεγάλο χρονικό διάστημα. Με την πάροδο του χρόνου, η κηλίδα μετατοπίζεται, γεγονός που επιτρέπει σε διάφορα μέρη των κυττάρων να γίνουν ορατά. Στη συνέχεια, οι επιστήμονες αναλαμβάνουν το επίπονο και χρονοβόρο έργο να συνδυάσουν πολλές εικόνες για να δημιουργήσουν μια εικόνα των κυττάρων RPE χωρίς κηλίδες.
Ο Tam και η ομάδα του ανέπτυξαν μια νέα μέθοδο βασισμένη στην τεχνητή νοημοσύνη που ονομάζεται παράλληλο διαχωριστικό παραγωγικό επιρρηματικό δίκτυο (P-GAN) – ένας αλγόριθμος βαθιάς μάθησης. Τροφοδοτώντας το δίκτυο P-GAN σχεδόν 6.000 αναλυμένες με το χέρι εικόνες ανθρώπινου RPE που έχουν αποκτηθεί από το AO-OCT, καθεμία από τις οποίες συνδυάστηκε με το αντίστοιχο πρωτότυπο με στίγματα, η ομάδα εκπαίδευσε το δίκτυο να αναγνωρίζει και να ανακτά κυτταρικά χαρακτηριστικά που καλύπτονται από στίγματα.
Όταν δοκιμάστηκε σε νέες εικόνες, το P-GAN αφαίρεσε επιτυχώς τις εικόνες RPE, ανακτώντας κυτταρικές λεπτομέρειες. Με μία λήψη εικόνας, παρήγαγε αποτελέσματα συγκρίσιμα με τη χειροκίνητη μέθοδο, η οποία απαιτούσε τη λήψη και τον υπολογισμό κατά μέσο όρο 120 εικόνων. Με μια ποικιλία αντικειμενικών μετρήσεων απόδοσης που αξιολογούν πράγματα όπως το σχήμα και η δομή των κυττάρων, το P-GAN ξεπέρασε τις επιδόσεις άλλων τεχνικών τεχνητής νοημοσύνης. Ο Vineeta Das, Ph.D., μεταδιδακτορικός συνεργάτης στο τμήμα κλινικής και μεταφραστικής απεικόνισης στο NEI, εκτιμά ότι το P-GAN μείωσε τον χρόνο λήψης και επεξεργασίας της απεικόνισης κατά περίπου 100 φορές. Το P-GAN έδωσε επίσης μεγαλύτερη αντίθεση, περίπου 3,5 μεγαλύτερη από πριν.
«Η προσαρμοστική οπτική οδηγεί την απεικόνιση που βασίζεται σε OCT στο επόμενο επίπεδο», είπε ο Tam. “Είναι σαν να μετακινούμαστε από ένα κάθισμα στο μπαλκόνι σε ένα κάθισμα της πρώτης σειράς για να απεικονίσουμε τον αμφιβληστροειδή. Με το AO, μπορούμε να αποκαλύψουμε τρισδιάστατες δομές αμφιβληστροειδούς σε ανάλυση κυτταρικής κλίμακας, επιτρέποντάς μας να κάνουμε ζουμ σε πολύ πρώιμα σημάδια ασθένειας.” Ενώ η προσθήκη AO στο OCT παρέχει πολύ καλύτερη προβολή των κελιών, η επεξεργασία εικόνων AO-OCT μετά τη λήψη τους διαρκεί πολύ περισσότερο από το OCT χωρίς AO.
Η τελευταία δουλειά του Tam στοχεύει στο χρωστικό επιθήλιο του αμφιβληστροειδούς (RPE), ένα στρώμα ιστού πίσω από τον αισθητήρα φωτός που υποστηρίζει τους μεταβολικά ενεργούς νευρώνες του αμφιβληστροειδούς, συμπεριλαμβανομένων των φωτοϋποδοχέων. Ο αμφιβληστροειδής καλύπτει το πίσω μέρος του ματιού και συλλαμβάνει, επεξεργάζεται και μετατρέπει το φως που εισέρχεται στο μπροστινό μέρος του ματιού σε σήματα που στη συνέχεια μεταδίδει μέσω του οπτικού νεύρου στον εγκέφαλο. Οι επιστήμονες ενδιαφέρονται για το RPE επειδή πολλές ασθένειες του αμφιβληστροειδούς εμφανίζονται όταν το RPE διασπάται.
«Τα αποτελέσματά μας υποδηλώνουν ότι η τεχνητή νοημοσύνη μπορεί να αλλάξει θεμελιωδώς τον τρόπο λήψης των εικόνων», είπε ο Tam. “Η τεχνητή νοημοσύνη μας P-GAN θα κάνει την απεικόνιση AO πιο προσιτή για συνήθεις κλινικές εφαρμογές και για μελέτες που στοχεύουν στην κατανόηση της δομής, της λειτουργίας και της παθοφυσιολογίας των τυφλωτικών ασθενειών του αμφιβληστροειδούς. Η σκέψη για την τεχνητή νοημοσύνη ως μέρος του συνολικού συστήματος απεικόνισης, σε αντίθεση με ένα εργαλείο που εφαρμόζεται μόνο μετά τη λήψη εικόνων, είναι μια αλλαγή παραδείγματος για τον τομέα της τεχνητής νοημοσύνης.”
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον ΚόσμοΑκολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
