Τεχνητή Νοημοσύνη: Όταν ένας ασθενής υποβάλλεται σε χειρουργική επέμβαση για την αφαίρεση ενός όγκου ή τη θεραπεία μιας νόσου, η πορεία της χειρουργικής επέμβασης συχνά δεν είναι προκαθορισμένη. Για να αποφασίσουν πόσος ιστός πρέπει να αφαιρεθεί, οι χειρουργοί πρέπει να γνωρίζουν περισσότερα για την πάθηση που αντιμετωπίζουν, συμπεριλαμβανομένων των περιθωρίων ενός όγκου, του σταδίου του και του αν μια βλάβη είναι κακοήθης ή καλοήθης – αποφάσεις που συχνά εξαρτώνται από τη συλλογή, ανάλυση και διάγνωση μιας νόσου ενώ ο ασθενής βρίσκεται στο χειρουργικό τραπέζι. Όταν οι χειρουργοί στέλνουν δείγματα σε έναν παθολόγο για εξέταση, τόσο η ταχύτητα όσο και η ακρίβεια είναι υψίστης σημασίας. Η τρέχουσα προσέγγιση χρυσού προτύπου για την εξέταση των ιστών συχνά διαρκεί πάρα πολύ και μια ταχύτερη προσέγγιση, η οποία περιλαμβάνει την κατάψυξη των ιστών, μπορεί να εισάγει τεχνουργήματα που μπορούν να περιπλέξουν τη διάγνωση.
Μια νέα μελέτη από ερευνητές του εργαστηρίου Mahmood στο νοσοκομείο Brigham and Women’s Hospital, ιδρυτικό μέλος του συστήματος υγειονομικής περίθαλψης Mass General Brigham, και συνεργάτες από το Πανεπιστήμιο Bogazici ανέπτυξαν έναν καλύτερο τρόπο- η μέθοδος αξιοποιεί την τεχνητή νοημοσύνη για τη μετάφραση μεταξύ των κατεψυγμένων τομών και της προσέγγισης χρυσού προτύπου, βελτιώνοντας την ποιότητα των εικόνων ώστε να αυξηθεί η ακρίβεια της ταχείας διάγνωσης. Τα ευρήματα δημοσιεύονται στο περιοδικό ‘Nature Βιοϊατρική Μηχανική’ (Nature Biomedical Engineering). “Χρησιμοποιούμε τη δύναμη της τεχνητής νοημοσύνης για να αντιμετωπίσουμε ένα πανάρχαιο πρόβλημα στη διασταύρωση της χειρουργικής και της παθολογίας”, δήλωσε ο αντίστοιχος συγγραφέας Faisal Mahmood, Ph.D., του τμήματος υπολογιστικής παθολογίας στο BWH. “Η γρήγορη διάγνωση από κατεψυγμένα δείγματα ιστού είναι πρόκληση και απαιτεί εξειδικευμένη εκπαίδευση, αλλά αυτού του είδους η διάγνωση είναι ένα κρίσιμο βήμα για τη φροντίδα των ασθενών κατά τη διάρκεια της χειρουργικής επέμβασης”. Για τη διενέργεια τελικών διαγνώσεων, οι παθολόγοι χρησιμοποιούν δείγματα ιστών που έχουν στερεωθεί με φορμόλη και έχουν ενσωματωθεί σε παραφίνη (FFPE) – η μέθοδος αυτή διατηρεί τους ιστούς με τρόπο που παράγει εικόνες υψηλής ποιότητας, αλλά η διαδικασία είναι επίπονη και συνήθως διαρκεί 12 έως 48 ώρες. Για μια γρήγορη διάγνωση, οι παθολόγοι χρησιμοποιούν μια προσέγγιση γνωστή ως κρυοτεμαχισμός που περιλαμβάνει τη γρήγορη κατάψυξη ιστού, την κοπή τομών και την παρατήρηση αυτών των λεπτών τομών στο μικροσκόπιο. Η κρυοτομή διαρκεί λεπτά αντί για ώρες, αλλά μπορεί να παραμορφώσει τις κυτταρικές λεπτομέρειες και να θέσει σε κίνδυνο ή να σχίσει ευαίσθητους ιστούς.
Ο Mahmood και οι συν-συγγραφείς ανέπτυξαν ένα μοντέλο βαθιάς μάθησης που μπορεί να χρησιμοποιηθεί για τη μετάφραση μεταξύ κατεψυγμένων τομών και των πιο συχνά χρησιμοποιούμενων ιστών FFPE. Στην εργασία τους, η ομάδα έδειξε ότι η μέθοδος μπορεί να χρησιμοποιηθεί για την υποκατηγοριοποίηση διαφόρων ειδών καρκίνου, συμπεριλαμβανομένου του γλοιώματος και του μη μικροκυτταρικού καρκίνου του πνεύμονα. Η ομάδα επικύρωσε τα ευρήματά της προσλαμβάνοντας παθολόγους σε μια μελέτη αναγνώστη, στην οποία τους ζητήθηκε να κάνουν διάγνωση από εικόνες που είχαν περάσει από τη μέθοδο AI και από παραδοσιακές εικόνες κρυοτομής. Η μέθοδος ΤΝ όχι μόνο βελτίωσε την ποιότητα των εικόνων αλλά και τη διαγνωστική ακρίβεια μεταξύ των ειδικών. Οι συγγραφείς σημειώνουν ότι στο μέλλον θα πρέπει να διεξαχθούν προοπτικές κλινικές μελέτες για την επικύρωση της μεθόδου ΤΝ και να διαπιστωθεί εάν μπορεί να συμβάλει στη διαγνωστική ακρίβεια και στη λήψη χειρουργικών αποφάσεων σε πραγματικές νοσοκομειακές συνθήκες. “Η εργασία μας δείχνει ότι η τεχνητή νοημοσύνη έχει τη δυνατότητα να καταστήσει μια ευαίσθητη στον χρόνο κρίσιμη διάγνωση ευκολότερη και πιο προσιτή στους παθολόγους”, δήλωσε ο Mahmood. “Και θα μπορούσε δυνητικά να εφαρμοστεί σε οποιοδήποτε είδος χειρουργικής επέμβασης για τον καρκίνο. Ανοίγει πολλές δυνατότητες για τη βελτίωση της διάγνωσης και της φροντίδας των ασθενών”.