Πολλά προβλήματα υγείας σχετίζονται με την υπερβολική παρουσία υγρού στους πνεύμονες- και ένας νέος αλγόριθμος τεχνητής νοημοσύνης μπορεί να αντιλαμβάνεται τη σοβαρότητά τους εξετάζοντας μια ακτινογραφία.
Ένα από τα πιο κοινά προειδοποιητικά σήματα της οξείας καρδιακής ανεπάρκειας είναι η υπερβολή παρουσία υγρού στους πνεύμονες, μια κατάσταση που είναι γνωστή ως πνευμονικό οίδημα. Το ακριβές επίπεδο υπερβολικού επιπέδου υγρού συχνά υπαγορεύει τις ενέργειες του γιατρού, ωστόσο η εξαγωγή σχετικών συμπερασμάτων είναι δύσκολη και συχνά προϋποθέτει οι γιατροί να βασίζονται σε ενδείξεις σε ακτινογραφίες οι οποίες κάποιες φορές μπορεί να οδηγούν σε λανθασμένα συμπεράσματα και θεραπείες. Σε αυτό το πλαίσιο, ομάδα της οποίας ηγήθηκαν ερευνητές στο CSAIL (Computer Science and Artificial Intelligence Lab) του ΜΙΤ ανέπτυξαν ένα μοντέλο machine learning που μπορεί να εξετάσει μια ακτινογραφία για να ποσοτικοποιήσει τη σοβαρότητα του οιδήματος σε μια κλίμακα τεσσάρων βαθμίδων- από το 0 (υγιές) ως το 3 (πολύ κακή κατάσταση). Το σύστημα έβρισκε το σωστό επίπεδο πάνω από τις μισές φορές και έβρισκε σωστά τις περιπτώσεις επιπέδου 3 στο 90% των περιπτώσεων.
«Το πρόγραμμα αυτό προορίζεται να βελτιώσει τη ροή της εργασίας των γιατρών, παρέχοντας επιπλέον πληροφορίες που μπορούν να χρησιμοποιηθούν για καλύτερη πληροφόρηση ως προς τις διαγνώσεις τους, καθώς και για να επιτρέπουν αναδρομικές αναλύσεις» είπε ο Ρουΐζι Λιάο, διδακτορικός ο οποίος ήταν ένας εκ των lead authors του σχετικού επιστημονικού άρθρου, μαζί με τη διδακτορική Γκίτικα Τσαουχάν και τους καθηγητές του ΜΙΤ Πολίνα Γκόλαντ και Πίτερ Σόλοβιτς.
Σύμφωνα με τους ερευνητές, καλύτερες διαγνώσεις οιδήματος θα μπορούσαν να βοηθήσουν τους γιατρούς να διαχειριστούν καλύτερα όχι μόνο καρδιοπάθειες, αλλά και άλλα νοσήματα που σχετίζονται μαζί του.
Το εν λόγω σύστημα machine learning «εκπαιδεύτηκε» όχι μόνο σε πάνω από 300.000 ακτινογραφίες, μα και στα κείμενα των σχετικών αναφορών από ακτινολόγους. Μάλιστα, αποτέλεσε ευχάριστη έκπληξη το ότι το σύστημα σημείωσε επιτυχία χρησιμοποιώντας αυτές τις αναφορές, οι περισσότερες εκ των οποίων δεν είχαν ενδείξεις που να εξηγούν το ακριβές επίπεδο σοβαρότητας του οιδήματος.
Οι προσπάθειες εστιάστηκαν στο να βοηθηθεί το σύστημα να ερμηνεύει το κείμενο των αναφορών, που μπορεί να ήταν εξαιρετικά σύντομο σε κάποιες περιπτώσεις (μία ή δύο προτάσεις)- και αυτό επιπρόσθετα στην τεχνική πρόκληση του σχεδιασμού ενός μοντέλου που μπορεί από κοινού να αξιοποιεί ουσιωδώς εικόνα και κείμενο.
«Το μοντέλο μας μπορεί να μετατρέπει τόσο εικόνες όσο και κείμενο σε συμπαγείς αριθμητικές αναπαραστάσεις από τις οποίες μπορεί να εξαχθεί μια ερμηνεία» είπε η Τσαουχάν. «Το εκπαιδεύσαμε να ελαχιστοποιεί τη διαφορά μεταξύ των αναπαραστάσεων των ακτινογραφιών και του κειμένου των ακτινολογικών αναφορών, χρησιμοποιώντας τις αναφορές για να βελτιώνει την ερμηνεία της εικόνας».
Επιπροσθέτως, το σύστημα μπορεί να «εξηγεί» αυτά που κάνει, δείχνοντας ποια τμήματα και σημεία των αναφορών και ακτινογραφιών αντιστοιχούν στο μοντέλο πρόγνωσης. Η Τσαουχάν ελπίζει πως στο μέλλον αντίστοιχες έρευνες στον τομέα αυτό θα παρέχουν ακόμια πιο ακριβείς συσχετισμούς κειμένου- εικόνας.
