Εφαρμογή της τεχνητής νοημοσύνης στην διάγνωση των παθήσεων του μαστού
Η τεχνητή νοημοσύνη σχεδιάστηκε για να αυξήσει την ποιότητα και κατ’ επέκταση την αξία της ακτινολογικής συμβολής στην φροντίδα των ασθενών βελτιώνοντας ταυτόχρονα την ροή εργασίας των τμημάτων απεικόνισης, ειδικά αυτών που διαχειρίζονται μεγάλο όγκο περιστατικών όπως οι μονάδες μαστού1-3. Η τεχνική ανάλυση της απεικονιστικής διαγνωστικής προσέγγισης των παθήσεων του μαστού, οφείλει έναν πρώτο βασικό διαχωρισμό μεταξύ του υλικοτεχνικού εξοπλισμού και του λογισμικού επεξεργασίας των εικόνων και των πληροφοριών που προκύπτουν από αυτή.
Κυρίως η Ψηφιακή Μαστογραφία και τελευταία η Τομοσύνθεση (Τρισδιάστατη Ψηφιακή Μαστογραφία) καθώς και οι τελευταίας τεχνολογίας αυξημένης έντασης πεδίου Μαγνητικοί Τομογράφοι, αποτελούν το μέσο στο οποίο βασίζεται η εφαρμογή λογισμικών που από απλά λειτουργικά συστήματα εξελίχθηκαν και συνεχίζουν να εξελίσσονται σε συστήματα με δυνατότητα αυτόνομης διαγνωστικής προσέγγισης.
Η κατανόηση του όρου Τεχνητή Νοημοσύνη προϋποθέτει καταρχάς την αποσαφήνιση της έννοιας των Radiomics. Τα Radiomics αποτελούν την βάση για οποιοδήποτε σύστημα τεχνητής νοημοσύνης, από τα παλαιότερα μέχρι τα πιο σύγχρονα. Συνδυάζει στοιχεία από διαφορετικές επιστήμες όπως η βιοϊατρική μηχανική, η ακτινολογία και η τεχνολογία των μηχανών. Είναι όλες εκείνες οι ορατές και κυρίως μη ορατές πληροφορίες, που προκύπτουν από την λειτουργία των συστημάτων απεικόνισης κυρίως Μαστογράφων και Μαγνητικών Τομογράφων4,5. Κάθε απεικονιστική εξέταση που διενεργείται στον μαστό από αυτά τα συστήματα παράγει έναν τεράστιο όγκο ψηφιακών δεδομένων και ως εκ τούτου πληροφορίας, που αξιοποιείται από τα συστήματα τεχνητής νοημοσύνης για την εξαγωγή προβλεπτικών και προγνωστικών πληροφοριών οι οποίες βοηθούν στην διαδικασία εξαγωγής διαγνωστικών συμπερασμάτων και κατ’ επέκταση θεραπευτικών αποφάσεων. Επομένως αποτελούν την “πρώτη ύλη” κάθε συστήματος.
Ο όρος τεχνητή νοημοσύνη αφορά μια ευρύτερη έννοια στο ένα άκρο της οποίας μπορούν να συμπεριληφθούν, υπό συνθήκες, ακόμα και τα πρώτα συστήματα υποβοηθούμενης διάγνωσης CAD ( Computer Assisted Diagnosis), κάποια εκ των οποίων βρίσκονται ακόμα σε λειτουργία σε ορισμένα διαγνωστικά κέντρα. Δύο είναι ωστόσο οι βασικοί εκπρόσωποι της τεχνητής νοημοσύνης. Η παλαιότερη χρονολογικά “Μηχανική εκμάθηση” ( Machine Learning) που συμπεριλαμβάνει και το CAD και η πλέον σύγχρονη “Βαθεία Εκμάθηση” ( Deep Learning)1,6,7. Η βασική διαφορά των δύο έγκειται στο γεγονός πως η μηχανική μάθηση βασίζεται σε προεγκατεστημένα, σχετικά περιορισμένης πληροφορίας, υπολογιστικά μοντέλα ενώ η Βαθεία Εκμάθηση αφορά σε αλγόριθμους οι οποίοι σχεδιάστηκαν να λειτουργούν σε πολλαπλά διασυνδεδεμένα επίπεδα (convolution neural networks) κατά τέτοιο τρόπο, ούτως ώστε, όχι μόνο να εμπλουτίζονται με καινούργιες πληροφορίες και δεδομένα από τις ιστολογικά ταυτοποιημένες κακοήθεις αλλοιώσεις του μαστού αλλά να είναι σε θέση να προβλέπουν -δημιουργούν από μόνοι τους αλγοριθμικά μοτίβα που πιθανά να σχετίζονται με υποκλινική παθολογία στον μαστό. Όσο μεγαλύτερος ο όγκος πληροφορίας που τροφοδοτεί το σύστημα τόσο αυτό εξελίσσεται και γίνεται πιο ακριβές.
Με άλλα λόγια η παραδοσιακή μορφή της μηχανικής μάθησης ( Machine Learning) βασίζεται σε απλά κυρίως απεικονιστικά χαρακτηριστικά υφής (πυκνότητα,σχήμα, ένταση ιχνοστοιχείων της βλάβης) που έχουν προεπιλέξει και τροφοδοτήσει στο σύστημα ιατροί απεικονιστές βάσει της εκπαίδευσης και εμπειρίας τους ενώ ο αλγόριθμος της βαθείας εκμάθησης, πέραν αυτού, μαθαίνει επιπλέον επιμέρους στοιχεία που είναι απαραίτητα για να ταξινομηθούν οι μαστογραφίες ως φυσιολογικές ή παθολογικές ενώ ταυτόχρονα βελτιώνεται με την αύξηση του όγκου της, παρεχόμενης με περιστατικά, πληροφορίας7,8 (Σχήμα 1)9 Εν πολλοίς λειτουργεί με βαθμό αυτονομίας όπως ο ανθρώπινος εγκέφαλος. Στην πράξη αυτό μεταφράζεται σε καλύτερες διαγνωστικές επιδόσεις σε σύγκριση με την μηχανική μάθηση και πρακτικά ανεξάντλητες και διαρκείς δυνατότητες βελτίωσης εξαρτώμενες από τον όγκο πληροφορίας και την υπολογιστική ισχύ του επεξεργαστή. Η έλευση της τεχνητής νοημοσύνης βρίσκει εφαρμογή σε όλα τα συστήματα. Οι παρακάτω πίνακες αποτελούν την πιο αξιόπιστη πρόβλεψη ενσωμάτωσης υπολογιστικών συστημάτων τεχνητής νοημοσύνης στην μελέτη και διάγνωση παθήσεων διαφορετικών συστημάτων. Μια πρώτη και σημαντική διαπίστωση, αφορά στην μορφή τεχνητής νοημοσύνης που θα επικρατήσει στα χρόνια που έρχονται. Αναμενόμενα η βαθεία εκμάθηση είναι η μέθοδος που συγκεντρώνει το μεγαλύτερο ενδιαφέρον και κατ’ επέκταση την μεγαλύτερη χρηματοδότηση για την εξέλιξη της. (πίνακας 1. Πηγή: Signify Research).
Η απεικόνιση του μαστού αποτελεί το τέταρτο κατά σειρά πεδίο εφαρμογής και ανάπτυξης εφαρμογών τεχνητής νοημοσύνης. (πίνακας 2. Πηγή: Signify Research) Η διαφορά στα ποσοστά του παραπάνω πίνακα, θα μπορούσε να εξηγηθεί από το γεγονός πως όργανα και συστήματα όπως ο πνεύμονας και το κεντρικό νευρικό μελετώνται σχεδόν αποκλειστικά με συγκεκριμένες μεθόδους όπως η Αξονική και Μαγνητική τομογραφία αντίστοιχα, ενώ η μελέτη του μαστού προϋποθέτει, στις περισσότερες των περιπτώσεων, την συνδυασμένη πληροφορία που προκύπτει από την σύνθεση απεικονιστικών μεθόδων όπως είναι η ψηφιακή μαστογραφία ο υπέρηχος και η μαγνητική τομογραφία. Υπό αυτό το πρίσμα ο μαστός αποτελεί μια πιο σύνθετη οντότητα όπου το τελικό διαγνωστικό αποτέλεσμα προϋποθέτει μεγαλύτερο βαθμό εμπλοκής του ιατρού ακτινοδιαγνώστη στην σύνθεση της πληροφορίας, τις περισσότερες φορές, από διαφορετικές απεικονιστικές μεθόδους και συχνά ολοκληρώνεται με την δειγματοληπτική ταυτοποίηση (διαδερμική βιοψία) των ύποπτων για κακοήθεια περιοχών. Στο πρόσφατο παρελθόν πολλές ήταν οι μελέτες που κατέληξαν στο συμπέρασμα πως η προσθήκη της τεχνητής νοημοσύνης προσφέρει βελτίωση σε όλες τις αξιολογήσιμες παραμέτρους του προσυμπτωματικού ελέγχου (screening) στον μαστό ( Πίνακας 3. RSNA 2019). Μάλιστα η απόδοση τους συγκρινόταν με αυτή των πιο έμπειρων συναδέλφων ακτινοδιαγνωστών μαστού.
Εντούτοις μια πιο πρόσφατη μελέτη ανασκόπηση ς10 για λογαριασμό του Βρετανικού συστήματος υγείας (NHS) σκοπός της οποίας ήταν η διεξοδική, με τα μέχρι τώρα δεδομένα, ανάλυση της πιθανότητας ενσωμάτωσης λογισμικών τεχνητής νοημοσύνης στο εθνικό πρόγραμμα προσυμπτωματικού ελέγχου γενικού πληθυσμού της χώρας κατέληξε στο συμπέρασμα πως μέχρι στιγμής, τα διαθέσιμα συστήματα τεχνητής νοημοσύνης, απέχουν αρκετά από το να θεωρηθούν κατάλληλα για χρήση στο πρόγραμμα προσυμπτωματικού ελέγχου Screening με το πρόβλημα να εντοπίζεται κυρίως στα ποσοτικά και ποιοτικά χαρακτηριστικά προηγούμενων μελετών καθιστώντας τες ανεπαρκείς.
Επιπρόσθετα, οι αναδρομικές μελέτες ακρίβειας έδειξαν πως το 94% των συστημάτων τεχνητής νοημοσύνης ήταν λιγότερο ακριβή από τον εξειδικευμένο ακτινολόγο μαστού. Όπως σε ανάλογες περιπτώσεις είναι απαραίτητη η διενέργεια περισσότερων και καλύτερα σχεδιασμένων συγκριτικών και τυχαιοποιημένων μελετών ακρίβειας.
Δεδομένη πρέπει να θεωρείται η σταδιακή και μάλιστα σε σύντομο χρονικό ορίζοντα, βελτίωση των συστημάτων τεχνητής νοημοσύνης η χρήση των οποίων θα βρει εφαρμογή πέραν της αύξησης της διαγνωστικής ακρίβειας και σε άλλους τομείς όπως εξατομικευμένη εκτίμηση του κινδύνου ανάπτυξης κακοήθειας στον μαστό, υποστήριξη στην λήψη αποφάσεων για βλάβες χαμηλής και ενδιάμεσης υποψίας, πρόβλεψη συνύπαρξης διηθητικού στοιχείου σε ενδοπορικές νεοπλασματικές αλλοιώσεις, παρέχοντας ταχύτερα πληροφορίες σχετικά με την ανταπόκριση σε χορηγούμενη νεοεπικουρική χημειοθεραπεία ή πληροφορίες σχετικά με την συμμετοχή λεμφαδενικών δομών σε ασθενείς με γνωστή κακοήθη νεοπλασματική νόσο. 11-21
Έχουμε την τύχη να ζούμε την έναρξη μιας καινούργιας εποχής όπου η τεχνολογία ενσωματώνεται και βρίσκει εφαρμογή σε όλο και περισσότερους τομείς της ιατρικής επιστήμης.
Η πρωιμότητα θα μπορούσε να εξηγήσει και την παρατηρούμενη επιφυλακτική στάση των Αμερικανών φοιτητών ιατρικής, έτσι όπως αυτή αποτυπώθηκε σε πρόσφατη δημοσίευση, στην πρόθεση επιλογής της ακτινοδιαγνωστικής ως ειδικότητας εξειδίκευσης, αφού η ανάδυση των συστημάτων τεχνητής νοημοσύνης λειτουργεί αποτρεπτικά στην συνείδηση των φοιτητών όσον αφορά την επιλογή ειδικότητας, με το ένα έκτο αυτών να μην θεωρούν ελκυστική μια ειδικότητα που πιθανά σε λίγες δεκαετίες τους αφήσει παροπλισμένους ή/και άνεργους. 22
Αντί επιλόγου καταθέτω ορισμένες προσωπικές σκέψεις.
Η συνεργασία ανθρώπου και μηχανής δημιουργεί αποτελέσματα καλύτερης ποιότητας σε μικρότερο χρόνο. Όμως η ερμηνεία των ανθρώπινων αναγκών, η απαραίτητη κοινωνική ενσυναίσθηση και η αντίληψη του σημείου που επιτυγχάνεται η βελτιστοποίηση, απαιτούν επίσης τη χρήση ανθρώπινης νοημοσύνης. Απαιτείται αυτή η βαθύτερη, βιολογική, γνωστική ικανότητα και κατανόηση του περιβάλλοντος για την εξαγωγή συμπερασμάτων που είναι σχεδόν «καλωδιωμένη» στον ανθρώπινο εγκέφαλο με τη γέννηση μας. Άλλωστε η τεχνητή νοημοσύνη (artificial intelligence) είναι παρόμοια νοημοσύνη (alike intelligence) δηλαδή προσομοιάζει μηχανικά την ανθρώπινη. Θα μπορούσαμε λοιπόν αρχικά να «μοιράσουμε» τις εργασίες. Οι επαναλαμβανόμενες που απαιτούν μεγάλη ακρίβεια θα μπορούσαν να αναληφθούν εύκολα από τις μηχανές αφήνοντας χώρο για τις πιο σύνθετες και πολύπλοκες που απαραίτητα πρέπει να πλαισιώνονται από την ανθρώπινη συνιστώσα.
Εκτιμώ προς ακόμα βρισκόμαστε στην αρχή του δρόμου ενός συναρπαστικού ταξιδιού.
Η ανάδυση και υιοθέτηση τεχνολογικών καινοτομιών όταν ενσωματώνονται ορθά και δομημένα μόνο θετικό αντίκτυπο μπορούν να έχουν στην καθημερινότητα μας αλλά πολύ περισσότερο στην προαγωγή και εξέλιξη του είδους μας.
1. Tang A, Tam R, Cadrin-Chênevert A, et al.; Canadian Association of Radiologists (CAR) Artificial Intelligence Working Group. Canadian Association of Radiologists white paper on artificial intelligence in radiology. Can Assoc Radiol J 2018;69(2):120–135.
2. Dreyer KJ, Geis JR. When machines think: radiology’s next frontier. Radiology 2017;285(3):713–718.
3. Arieno A, Chan A, Destounis SV. A review of the role of augmented intelligence in breast imaging: from automated breast density assessment to risk stratification. AJR Am J Roentgenol 2019;212(2):259– 270
4. Overview of radiomics in breast cancer diagnosis and prognostication. Tagliafico AS, Piana M, Schenone D, Lai R, Massone AM, Houssami N.Breast. 2020 Feb;49:74-80. doi: 10.1016/j. breast.2019.10.018. Epub 2019 Nov 6.
5. Radiomics in Breast Imaging from Techniques to Clinical Applications:A Review. Lee SH, Park H, Ko ES. Korean J Radiol. 2020 Jul;21(7):779-792. doi: 10.3348/kjr.2019.0855.
6. Giger ML. Machine learning in medical imaging. J Am Coll Radiol 2018;15(3 Pt B):512–520.
7. Do S, Song KD, Chung JW. Basics of deep learning: a radiologist’s guide to understanding published radiology articles on deep learning. Korean J Radiol 2020;21(1):33–41.
8. Kohli M, Prevedello LM, Filice RW, Geis JR. Implementing machine learning in radiology practice and research. AJR Am J Roentgenol 2017;208(4):754–760.
9. Artificial Intelligence: A Primer for Breast Imaging Radiologists. Bahl M. J Breast Imaging. 2020. PMID: 32803154 Free PMC article. Review.
10. Karoline Freeman, Julia Geppert et al. Use of artificial intelligence for image analysis in breast cancer screening programmes: systematic review of test accuracy. BMJ. 2021 Sep 1;374: n1872. doi: 10.1136/bmj. n1872
11. Bahl M, Barzilay R, Yedidia AB, Locascio NJ, Yu L, Lehman CD.High-risk breast lesions: a machine learning model to predict pathologic upgrade and reduce unnecessary surgical excision.Radiology 2018;286(3):810–818.
12. Shi B, Grimm LJ, Mazurowski MA, et al. Prediction of occult invasive disease in ductal carcinoma in situ using deep learningfeatures. J Am Coll Radiol 2018;15(3 Pt B):527–534.
13. Conant EF, Toledano AY, Periaswamy S, et al. Improvingaccuracy and efficiency with concurrent use of artificialintelligence for digital breast tomosynthesis. Radiol Artif Intell2019;1(4):e180096.
14. Dembrower K, Liu Y, Azizpour H, et al. Comparison of a deep learning risk score and standard mammographic density score for breast cancer risk prediction. Radiology 2019;294(2):265–272.
15. Ha R, Chang P, Karcich J, et al. Convolutional neural network based breast cancer risk stratification using a mammographic dataset. Acad Radiol 2019;26(4):544–549.
16. Kyono T, Gilbert FJ, van der Schaar M. Improving workflow efficiency for mammography using machine learning. J Am Coll Radiol 2020;17(1 Pt A):56–63.
17. Lo Gullo R, Eskreis-Winkler S, Morris EA, Pinker K. Machine learning with multiparametric magnetic resonance imaging of the breast for early prediction of response to neoadjuvant chemotherapy. Breast 2020;49:115–122.
18. Rodríguez-Ruiz A, Lång K, Gubern-Merida A, et al. Can we reduce the workload of mammographic screening by automatic identification of normal exams with artificial intelligence? A feasibility study. Eur Radiol 2019;29(9):4825–4832.
19. Yala A, Lehman C, Schuster T, Portnoi T, Barzilay R. A deep learning mammography-based model for improved breast cancer risk prediction. Radiology 2019;292(1):60–66.
20. Yala A, Schuster T, Miles R, Barzilay R, Lehman C. A deep learning model to triage screening mammograms: a simulation study. Radiology 2019;293(1):38 46.
21. Zhou LQ, Wu XL, Huang SY, et al. Lymph node metastasis prediction from primary breast cancer US images using deep learning. Radiology 2020;294(1):19–28.
22. Impact of artificial intelligence on US medical students’ choice of radiology. Reeder K, Lee H. Clin Imaging. 2022 Jan;81:67-71. doi: 10.1016/j.clinimag.2021.09.018. Epub 2021 Oct 2.
