ΜΙΤ: Πρόγνωση καρδιακής ανεπάρκειας μέσω μηχανικής μάθησης

Ερευνητές από το εργαστήριο Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης του MIT (CSAIL) ανέπτυξαν μοντέλο μηχανικής μάθησης (machine learning) που μπορεί να εξετάσει μια ακτινογραφία και να ποσοτικοποιήσει τη σοβαρότητα της υπερβολικής παρουσίας υγρού στους πνεύμονες των ασθενών.

Το υπερβολικό υγρό στους πνεύμονες, γνωστό ως πνευμονικό οίδημα, είναι ένα τυπικό πρώιμο σύμπτωμα καρδιακής ανεπάρκειας και το ακριβές επίπεδο του υγρού αυτού σε έναν ασθενή υπαγορεύει την θεραπεία που συνιστά ο γιατρός.

Το σύστημα μηχανικής μάθησης «εκπαιδεύτηκε» σε πάνω από 300.000 ακτινογραφίες, και σε σχετικά κείμενα αναφορών από ακτινολόγους. Στη συνέχεια τα ποσοτικοποίησε σε μια κλίμακα τεσσάρων βαθμίδων– από το 0 (υγιές) ως το 3 (πολύ κακή κατάσταση). Το σύστημα βρήκε το σωστό επίπεδο πάνω από τις μισές φορές, ενώ βρήκε σωστά τις περιπτώσεις επιπέδου 3 στο 90% των περιπτώσεων. 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 ερευνητές βοήθησαν το σύστημα να ερμηνεύσει το κείμενο των αναφορών, που μπορεί να ήταν εξαιρετικά σύντομο σε κάποιες περιπτώσεις. Παράλληλα, ανέπτυξαν ένα σύνολο γλωσσικών κανόνων και υποκαταστάσεων για να διασφαλίσουν ότι τα δεδομένα θα μπορούν να αναλυθούν σωστά σε όλες τις αναφορές.

«Το μοντέλο μας μπορεί να μετατρέπει τόσο εικόνες όσο και κείμενο σε συμπαγείς αριθμητικές αναπαραστάσεις από τις οποίες μπορεί να εξαχθεί μια ερμηνεία», δήλωσε η φοιτήτρια της Διδακτορικής Γκίτικα Τσαουχάν. «Το εκπαιδεύσαμε να ελαχιστοποιεί τη διαφορά μεταξύ των αναπαραστάσεων των ακτινογραφιών και του κειμένου των ακτινολογικών αναφορών, χρησιμοποιώντας αυτές τις αναφορές για να βελτιώσει την ερμηνεία της εικόνας».

Επιπλέον, το σύστημα «εξηγεί» αυτά που κάνει, δείχνοντας ποια τμήματα και σημεία των αναφορών και ακτινογραφιών αντιστοιχούν στο μοντέλο πρόγνωσης. Οι ερευνητές ελπίζουν πως στο μέλλον αντίστοιχες έρευνες στον τομέα αυτό θα παρέχουν ακόμα πιο ακριβείς συσχετισμούς κειμένου- εικόνας, έτσι ώστε να δημιουργηθεί μια μεγάλη βάση δεδομένων.

Η ομάδα σχεδιάζει ήδη να ενσωματώσει το σύστημα στο Beth Israel Deaconess Medical Center αυτό το φθινόπωρο.