Υπάρχουν πολλές διαφορετικές μορφές αρθρίτιδας που δυσκολεύουν τους ειδικούς να προσδιορίσουν με ακρίβεια το είδος της φλεγμονώδους ασθένειας που επηρεάζει τις αρθρώσεις ενός ασθενούς. Γερμανοί επιστήμονες υπολογιστών και γιατροί από το Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) και το Universitätsklinikum Erlangen, μέσα από μια διεπιστημονική προσπάθεια κατάφεραν να διδάξουν τα τεχνητά νευρωνικά δίκτυα να διακρίνουν τη ρευματοειδή και την ψωριασική αρθρίτιδα από τις υγιείς αρθρώσεις μόνο από το σχήμα τους.
Η ερευνητική ομάδα εστίασε τις έρευνές της στις μετακαρποφαλαγγικές αρθρώσεις των δακτύλων, που είναι περιοχές του σώματος όπου εμφανίζονται αρχικά αυτοάνοσα νοσήματα όπως η ρευματοειδής αρθρίτιδα ή η ψωριασική αρθρίτιδα. Ένα δίκτυο τεχνητών νευρώνων εκπαιδεύτηκε χρησιμοποιώντας δακτυλικές σαρώσεις από υψηλής ανάλυσης περιφερική ποσοτική υπολογιστική τομογραφία (HR-pQCT) με στόχο τη διαφοροποίηση των υγιών αρθρώσεων από εκείνων με ρευματοειδή ή ψωριασική αρθρίτιδα.
Η μέθοδος HR-pQCT επιλέχθηκε καθώς είναι αυτή τη στιγμή η καλύτερη ποσοτική μέθοδος για την παραγωγή τρισδιάστατων εικόνων ανθρώπινων οστών στην υψηλότερη ανάλυση. Στην περίπτωση της αρθρίτιδας, οι αλλαγές στη δομή των οστών μπορούν να ανιχνευθούν με μεγάλη ακρίβεια, γεγονός που καθιστά δυνατή την ακριβή τους ταξινόμηση.
Συνολικά διενεργήθηκαν 932 σαρώσεις HR-pQCT από 611 ασθενείς προκειμένου να ελεγχθεί εάν το τεχνητό νευρωνικό δίκτυο μπορεί πραγματικά να εφαρμόσει αυτό που έχει μάθει, να αξιολογεί και να ταξινομεί σωστά τις αρθρώσεις των δακτύλων.
Τα αποτελέσματα έδειξαν ότι η τεχνητή νοημοσύνη ανίχνευσε επιτυχώς το 82% των υγιών αρθρώσεων, το 75% των περιπτώσεων με ρευματοειδή αρθρίτιδα και το 68% των περιπτώσεων ψωριασικής αρθρίτιδας. Επιπλέον, όταν παρουσιάστηκαν περιπτώσεις αδιαφοροποίητης αρθρίτιδας, το δίκτυο μπόρεσε να τις ταξινομήσει σωστά. Το νευρωνικό δίκτυο εντόπισε ορισμένες περιοχές των αρθρώσεων που παρέχουν τις περισσότερες πληροφορίες σχετικά με έναν συγκεκριμένο τύπο αρθρίτιδας που είναι γνωστός ως ενδοαρθρικά «hotspots». Αν η παραπάνω ανίχνευση συνδυαστεί με την τεχνογνωσία ενός ρευματολόγου, θα μπορούσε να οδηγήσει σε πολύ πιο ακριβείς διαγνώσεις.
«Είμαστε πολύ ικανοποιημένοι με τα αποτελέσματα της μελέτης καθώς δείχνουν ότι η τεχνητή νοημοσύνη μπορεί να μας βοηθήσει να ταξινομήσουμε πιο εύκολα την αρθρίτιδα, κάτι που θα μπορούσε να οδηγήσει σε ταχύτερη και πιο στοχευμένη θεραπεία για τους ασθενείς. Ωστόσο, γνωρίζουμε ότι υπάρχουν και άλλες κατηγορίες της νόσου με τις οποίες πρέπει να τροφοδοτήσουμε το δίκτυο», σχολιάζει ο Lukas Folle,
ένας εκ των επικεφαλής της έρευνας.
Η ερευνητική ομάδα χρησιμοποίησε την υπολογιστική τομογραφία υψηλής ανάλυσης, η οποία όμως ως απεικονιστική μέθοδος δεν είναι συχνά διαθέσιμη στους γιατρούς υπό κανονικές συνθήκες λόγω περιορισμών κόστους και χώρου. Για αυτό οι ερευνητές σχεδιάζουν να εφαρμόσουν τη μέθοδο της τεχνητής νοημοσύνης και σε άλλες μεθόδους απεικόνισης όπως ο υπέρηχος ή η μαγνητική τομογραφία, που είναι πιο κοινές στη χρήση.
Η έρευνα δημοσιεύτηκε στο περιοδικό Frontiers in Medicine.
