UCY: Αλγόριθμος για πρόβλεψη και διάγνωση καρκίνου του μαστού

Στον ρόλο της τεχνητής νοημοσύνης στην πρόβλεψη και διάγνωση του καρκίνου του μαστού, αναφέρθηκε πρόσφατα ο καθηγητής στο Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, του Πανεπιστημίου Κύπρου, Κωνσταντίνος Πίτρης, σημειώνοντας ότι αναπτύσσουν έναν αλγόριθμο διάγνωσης με τη βοήθεια υπολογιστή  που θα εντοπίζει βλάβες στις μαστογραφικές εικόνες και θα προβλέπει εάν θα εμφανιστεί μια βλάβη μέσα στα επόμενα 2 χρόνια.

Στο πλαίσιο της τρίτης διάλεξης στο Ζηνώνειο Ελεύθερο Πανεπιστήμιο στην Λάρνακα την Τρίτη, 12 Νοεμβρίου 2024, ο κ. Πίτρης επεσήμανε ότι τα τελευταία χρόνια, η Τεχνητή Νοημοσύνη (ΤΝ), ή αλλιώς ΑΙ (Artificial Intelligence) βρίσκεται στο προσκήνιο των συζητήσεων, επιστημονικών και μη.

Πρόσθεσε ότι στην ιατρική, η ΤΝ είναι μια πολλά υποσχόμενη τεχνολογία που μπορεί να βελτιώσει σημαντικά, τόσο την ποιότητα, όσο και το προσδόκιμο ζωής των ασθενών.

«Με τη βοήθεια της ΤΝ μπορούμε να εξαγάγουμε περίπλοκες λεπτομέρειες, που δεν φαίνονται με γυμνό μάτι, από ιατρικές απεικονίσεις και αφού αναλύσουμε και συγκρίνουμε δεδομένα από χιλιάδες ασθενείς, να διαμορφώσουμε προβλέψεις για το μέλλον», σημείωσε.

Ως απτό παράδειγμα των δυνατοτήτων της ΤΝ, εξήγησε, «έχουμε εφαρμογές στη μαστογραφία, όπου όχι μόνο μπορεί να βελτιώσει τη διάγνωση αλλά και να προβλέψει την πιθανότητα εμφάνισης καρκίνου του μαστού, κατά την επόμενη διετία, σε γυναίκες με φυσιολογική μαστογραφία».

Σημαντική αιτία θνησιμότητας

Σύμφωνα με τον καθηγητή, παρά τις πρόσφατες εξελίξεις στην ιατρική, ο καρκίνος του μαστού εξακολουθεί να αποτελεί σημαντική αιτία θνησιμότητας μεταξύ των γυναικών παγκοσμίως.

Ο Παγκόσμιος Οργανισμός Υγείας (ΠΟΥ) προβλέπει 24,6 εκατομμύρια νέες περιπτώσεις καρκίνου και 12,9 εκατομμύρια θανάτους που σχετίζονται με τον καρκίνο παγκοσμίως έως το 2030.

Ο καρκίνος του μαστού αντιπροσωπεύει περίπου το 15% αυτών των περιπτώσεων, με τα ποσοστά εμφάνισης του να αυξάνονται σταθερά, κατά περίπου 0,5% ετησίως, από το 2005.

Η μαστογραφία, μαζί με τη φυσική εξέταση, είναι σήμερα η πιο αποτελεσματική μέθοδος προσυμπτωματικού ελέγχου για τον καρκίνο του μαστού.

Πρόκληση η ακριβής κατηγοριοποίηση μαζών του μαστού

Εκτιμά ότι ενώ η μαστογραφία έχει μειώσει σημαντικά τα ποσοστά θνησιμότητας, η ακριβής κατηγοριοποίηση των μαζών του μαστού στις μαστογραφίες, παραμένει μια πρόκληση.

Για παράδειγμα, εξήγησε, μια αυξημένη πυκνότητα του μαστού καθιστά τη διάγνωση πιο δύσκολη, περιορίζοντας την ορατότητα των μη φυσιολογικών βλαβών.

Υποστήριξε ότι οι γυναίκες με πυκνούς μαστούς διατρέχουν μεγαλύτερο κίνδυνο, καθώς η ευαισθησία της μαστογραφίας μειώνεται κατά περίπου 30% σε αυτές τις περιπτώσεις.

«Ο στόχος της έρευνάς μας είναι να αναπτύξουμε έναν αλγόριθμο διάγνωσης με τη βοήθεια υπολογιστή (computer aided diagnosis - CAD) που (i) να εντοπίζει βλάβες στις μαστογραφικές εικόνες και τις κατηγοριοποιεί ως καλοήθεις ή κακοήθεις και (ii) να προβλέπει εάν θα εμφανιστεί μια βλάβη μέσα στα επόμενα 2 χρόνια (δηλαδή κατά την επόμενη μαστογραφίας)», επεσήμανε.

Ο αλγόριθμος συνδυάζει επεξεργασία εικόνας με μηχανική μάθηση και εφαρμόστηκε σε μαστογραφίες από 100 ασθενείς. Αρχικά, οι εικόνες υποβάλλονται σε επεξεργασία για να αυξηθεί η αντίθεση και να μειωθούν τα τεχνικά σφάλματα. Στη συνέχεια, μια προηγούμενη μαστογραφία ευθυγραμμίζεται με τη νέα και οι εικόνες αφαιρούνται για να εξαλειφθούν οι περιοχές που δεν έχουν αλλάξει από τον προηγούμενο έλεγχο.

Διάφορα χαρακτηριστικά εξάγονται από τις περιοχές ενδιαφέροντος που παραμένουν και αλγόριθμοι μηχανικής μάθησης χρησιμοποιούνται για να κατηγοριοποιήσουν κάθε περιοχή, είτε ως φυσιολογικό ιστό, είτε καλοήθη ή κακοήθη βλάβη.

Ένα τεχνητό νευρωνικό δίκτυο χρησιμοποιήθηκε για την κατηγοριοποίηση, επιτυγχάνοντας ακρίβεια 99,4%. Μια παρόμοια προσέγγιση χρησιμοποιείται για τις προβλέψεις, αλλά τώρα η κάθε περιοχή κατηγοριοποιείται, είτε ως φυσιολογικός ιστός, είτε ως μια περιοχή όπου θα μπορούσε να εμφανιστεί στο μέλλον μια βλάβη. Για τις προβλέψεις, επιτεύχθηκε ακρίβεια 99,8%.

«Τα αποτελέσματα αυτά αποτελούν σημαντική βελτίωση σε σχέση με τις υπάρχουσες μεθόδους. Υπογραμμίζουν επίσης την αποτελεσματικότητα της χρήσης χρονικά διαδοχικών μαστογραφιών σε συνδυασμό με προηγμένους αλγόριθμους μηχανικής μάθησης, για την κατηγοριοποίηση αλλά και την πρόβλεψη του καρκίνου του μαστού», ανέφερε.

Απολαμβάνετε το περιεχόμενο μας? Εγγραφείτε στο newsletter μας!

Καταλήγοντας, σημείωσε ότι όταν εφαρμοστούν στην κλινική πρακτική, το αποτέλεσμα αυτής της μελέτης θα μπορούσε να βελτιώσει σημαντικά την ακρίβεια της διάγνωσης αλλά και την πρόγνωση του καρκίνου του μαστού, προσφέροντας καλύτερη πρόγνωση στους ασθενείς και πιο εξατομικευμένες θεραπευτικές προσεγγίσεις.

Της Γεωργίας Χαννή