Σε έναν άλλο θρίαμβο της Τεχνητής Νοημοσύνης στην υγειονομική περίθαλψη, ερευνητές ανέπτυξαν ένα μοντέλο που μπορεί να εντοπίζει κομμάτια όγκων στον εγκέφαλο που μπορεί να διαφεύγουν από τους χειρουργούς κατά την αφαίρεσή τους από τους ασθενείς. Μπορεί να ανιχνεύσει αυτούς τους εναπομείναντες ιστούς σε μόλις 10 δευτερόλεπτα και να βοηθήσει στην πρόληψη πλήθους μακροχρόνιων και βραχυχρόνιων επιπλοκών μετά την επέμβαση.
Η τεχνολογία αναπτύχθηκε από ερευνητές του University of Michigan και του University of California San Francisco και ονομάζεται FastGlioma, ενσωματώνοντας τον όρο «γλοίωμα» που αναφέρεται σε όγκο του εγκεφάλου ή του νωτιαίου μυελού.
«Η τεχνολογία λειτουργεί γρηγορότερα και με μεγαλύτερη ακρίβεια από τις τρέχουσες συνήθεις μεθόδους ανίχνευσης όγκων και θα μπορούσε να γενικευτεί σε άλλες διαγνώσεις παιδιατρικών και ενήλικων όγκων στον εγκέφαλο», δήλωσε ο νευροχειρουργός Todd Hollon, κύριος συγγραφέας της εργασίας που περιγράφει λεπτομερώς την αποτελεσματικότητα του FastGlioma και η οποία δημοσιεύθηκε στο Nature. «Θα μπορούσε να χρησιμεύσει ως θεμελιώδες μοντέλο για την καθοδήγηση της χειρουργικής επέμβασης σε όγκους εγκεφάλου».
Με τις περισσότερες επεμβάσεις αφαίρεσης όγκων, είναι δύσκολο να ξεχωρίσει ο υγιής εγκεφαλικός ιστός από τον καρκινικό ιστό, και ως αποτέλεσμα, ένα κομμάτι υπολειμματικού όγκου θα μπορούσε να παραμείνει στην κοιλότητα από όπου αφαιρέθηκε η μάζα. Αυτό μπορεί να οδηγήσει σε οποιαδήποτε από τις διάφορες επιπλοκές, όπως επιληπτικές κρίσεις, λοιμώξεις, πονοκεφάλους, γνωστική επιδείνωση και κινητική δυσλειτουργία.
Παρόλο που αυτοί οι εναπομείναντες όγκοι μπορούν να εντοπιστούν με τη χρήση απεικόνισης μαγνητικής τομογραφίας ή ενός φθορίζοντος απεικονιστικού παράγοντα, δεν είναι πάντα προσβάσιμοι κατά τη διάρκεια της χειρουργικής επέμβασης ή δεν μπορούν να εφαρμοστούν σε όλους τους τύπους όγκων.
Έχουν γίνει και άλλες προσπάθειες για την αντιμετώπιση του προβλήματος των δύσκολα εντοπίσιμων υπολειπόμενων όγκων, όπως το SpectroPen με laser από το 2010 και τα νανοσωματίδια χρυσού για την απεικόνιση κατά τη διάρκεια της χειρουργικής επέμβασης το 2012. Ωστόσο, δεν είναι σαφές αν αυτές προωθήθηκαν με επιτυχία στο εμπόριο. Το FastGlioma θα μπορούσε να βρει μεγαλύτερη επιτυχία, δεδομένου ότι το AI διαγνωστικό σύστημα απαιτεί μόνο πρόσβαση στο μοντέλο ανοιχτού κώδικα και υπολογιστική ισχύ.
Το FastGlioma αξιοποιεί θεμελιώδη μοντέλα, ένα είδος συστήματος Τεχνητής Νοημοσύνης που εκπαιδεύεται σε μεγάλα σύνολα δεδομένων για μια ποικιλία εργασιών. Μπορούν να μάθουν πρότυπα για την κατανόηση της γλώσσας και την ταξινόμηση εικόνων, με πρόσφατο παράδειγμα το GPT-4 του OpenAI.
Σε αυτή την περίπτωση, το FastGlioma προ-εκπαιδεύτηκε χρησιμοποιώντας περισσότερα από 11.000 χειρουργικά δείγματα και 4 εκατομμύρια μοναδικά μικροσκοπικά οπτικά πεδία. Τα δείγματα όγκων που εξέτασε απεικονίζονται μέσω μιας μεθόδου απεικόνισης υψηλής ανάλυσης που ονομάζεται Stimulated Raman Histology.
Αυτό επιτρέπει στο σύστημα να ανιχνεύει τη διήθηση του όγκου σε μόλις 100 δευτερόλεπτα χρησιμοποιώντας εικόνες πλήρους ανάλυσης με ακρίβεια 92%. Όταν χρησιμοποιούσε εικόνες χαμηλότερης ανάλυσης, το FastGlioma πέτυχε ακρίβεια 90% σε μόλις 10 δευτερόλεπτα. Αυτό επιτρέπει στους χειρουργούς να καθορίζουν γρήγορα εάν υπάρχει υπολειπόμενος όγκος που πρέπει να αφαιρεθεί κατά τη διάρκεια μιας επέμβασης.
Αυτή η τεχνολογία αντιπροσωπεύει τη μεγαλύτερη πρόοδο στη βελτίωση του ποσοστού εντοπισμού υπολειπόμενων όγκων τις τελευταίες δύο δεκαετίες. Θα μπορούσε να συμβάλει στη δραστική βελτίωση της ποιότητας ζωής των ασθενών μετά τη χειρουργική επέμβαση, καθώς κερδίζει έδαφος, και να μειώσει την ανάγκη για δαπανηρές διορθωτικές επεμβάσεις εκ των υστέρων. Είναι επίσης ένα χαρακτηριστικό παράδειγμα της Τεχνητής Νοημοσύνης που συμβάλλει στη βελτίωση των αποτελεσμάτων των ασθενών στη νευροχειρουργική.
Το FastGlioma θα μπορούσε επίσης να επεκταθεί για να βοηθήσει και άλλους τύπους ασθενών στο εγγύς μέλλον. «Σε μελλοντικές μελέτες, θα επικεντρωθούμε στην εφαρμογή της ροής εργασίας FastGlioma σε άλλους καρκίνους, συμπεριλαμβανομένων των καρκίνων του πνεύμονα, του προστάτη, του μαστού και του κεφαλιού και του τραχήλου», δήλωσε ο Aditya S. Pandey, ο οποίος είναι συν-συγγραφέας της εργασίας για την τεχνολογία.
[via]
VIA: TechGear.gr
