Több mint 6 év várakozás helyett: mesterséges intelligencia az endometriózis korábbi felismeréséért

Az endometriózis az egyik legsúlyosabb, mégis legkésőbb felismert nőgyógyászati betegség. A szülőképes korú nők körülbelül 14%-át érinti, és az érintett betegek átlagosan 6,4 évet várnak arra, hogy pontos diagnózist kapjanak. Ez az évekig tartó bizonytalanság nemcsak az életminőséget rontja, hanem késlelteti a megfelelő kezelés megkezdését is. Az Adelaide-i Egyetem kutatói most olyan AI-alapú rendszert fejlesztettek, amely az emberi szakértelem és a gépi tanulás kombinálásával jelentősen javíthatja a diagnosztika pontosságát és sebességét.

Miért ilyen nehéz diagnosztizálni az endometriózist?

Az endometriózis tünetei sokfélék és nem specifikusak: ilyenek a krónikus kismedencei fájdalom, a fájdalmas menstruáció, vagy a meddőség. Ezek más betegségekre is utalhatnak, ami megnehezíti az differenciáldiagnózist.

A diagnózis hagyományosan laparoszkópos műtét segítségével történt, amelynek során az orvos szemrevételezheti a kismedencei szerveket. Ez azonban invazív, drága beavatkozás, amelynek elvégzése gyakran jelentős késedelemmel történik meg. A képalkotó vizsgálatok – MRI, transvaginális ultrahang – kevésbé invazívak, de az általuk adott kép értelmezése sokszor komoly kihívás elé állítja még a tapasztalt klinikusokat is.

Az endometriózis egyik legfontosabb diagnosztikai jele a Douglas-üreg obliterációja, amelynek során az uterus és a végbél közötti kismedencei rés összetapad a betegség okozta gyulladásos folyamatok következtében. Az MRI-képeken a Douglas-üreg obliterációjának felismerése azonban rendkívül bizonytalan: tanulmányok szerint még tapasztalt klinikusok között is mindössze 61,4–71,9%-os az egyezés a besorolásban. Ez az alacsony megbízhatóság nemcsak a diagnosztikát nehezíti, hanem az AI-modellek betanítását is – ha a tanítóadatok maguk is bizonytalanok, a modell sem tud megbízható döntést hozni.

A HAICOMM: egy rendszer három problémára

Az Adelaide-i Egyetem Robinson Kutatóintézetének és az Ausztrál Gépi Tanulási Intézetének (AIML) IMAGENDO-csapata olyan rendszert fejlesztett, amely egyszerre három, egymással összefüggő kihívást old meg. A rendszer neve HAICOMM – Human-Artificial Intelligence Collaborative Multi-modal Multi-rater Learning.

Első pillér: multi-rater tanulás. Mivel több klinikus különbözőképpen értékelheti ugyanazt az MRI-képet, a tanítóadatok „zajos" – azaz ellentmondásos – címkéket tartalmaznak. A HAICOMM speciális algoritmust alkalmaz arra, hogy ezekből a bizonytalan, egymásnak részben ellentmondó besorolásokból megbízhatóbb, összesített „tisztított" címkét hozzon létre. Ez alapvetőbb lépés, mint amilyennek látszik, hiszen a jobb tanítóadat jobb modellt eredményez.

Második pillér: multimodális tanulás. A rendszer egyszerre használja a T1- és T2-súlyozott MRI-képeket, amelyek különböző szöveti jellemzőket tesznek láthatóvá. A két képtípus együttes elemzése gazdagabb és pontosabb képet ad a kismedencei anatómiáról, mint bármelyik önmagában.

Harmadik pillér: ember-AI együttműködés. Ez a HAICOMM legérdekesebb és leginkább innovatív eleme. A rendszer nem csupán az AI-modell döntését veszi figyelembe, hanem a klinikusok értékelésével kombinálja azt. Az eredmény: a kombinált rendszer pontosabb besorolást ad, mint a klinikus egyedül, és pontosabbat, mint az AI egyedül. Ez az „augmented intelligence" szemlélet – nem az ember helyett, hanem az emberrel együtt dolgozó AI.

Mit jelent ez a klinikai gyakorlatban?

A HAICOMM jelenlegi formájában a Douglas-üreg obliterációjának MRI-alapú felismerésére fókuszál, de a kutatócsoport már dolgozik a rendszer kiterjesztésén. A következő fejlesztési fázisban a HAICOMM beépül az IMAGENDO szabadalmaztatott algoritmusba, amely az MRI mellé transvaginális ultrahangképeket is feldolgoz majd. A felismerhető elváltozások köre szintén bővül: bélcsomók, endometriómák és a keresztcsonti méhszalag érintettsége is detektálhatóvá válik.

A fejlesztők tervei szerint az így kiterjesztett rendszert először változatos adatbázisokon értékelik, majd klinikai körülmények között is tesztelik, mielőtt a valódi betegellátásba kerülne.

Miért fontos ez az orvosok számára?

Az endometriózis diagnosztikájának jelenlegi állapota egy közismert, de nehezen megoldható probléma: a betegség komplex, a tünetek nem specifikusak, az invazív megerősítés terhe mind a betegre, mind az ellátórendszerre nagy. Egy megbízható, képalkotón alapuló, AI-asszisztált diagnosztikai eszköz ebben a kontextusban nem luxus, hanem klinikai szükséglet.

A HAICOMM megközelítése azért figyelemreméltó, mert nem próbálja kiszorítani az orvosi szakértelmet – éppen ellenkezőleg, azt tekinti az AI-modell nélkülözhetetlen kiegészítőjének. Ez a szemlélet illeszkedik ahhoz az irányhoz, amelyet a legjobb digitális egészségügyi fejlesztések képviselnek: az orvos nem versenytársa az algoritmusnak, hanem annak szükséges partnere.

A 6,4 éves átlagos diagnosztikai késedelem lerövidítése nemcsak az egyéni betegek életminőségét javítja, hanem az egészségügyi rendszer terheit is csökkenti: kevesebb szükségtelen vizsgálatra, kevesebb elkésett beavatkozásra, illetve pontosabb terápiás döntésekre számíthatunk. A HAICOMM önmagában nem oldja meg ezt a problémát, viszont megmutatja, hogyan lehet közelebb kerülni a megoldáshoz.

Forrás: Medicalxpress.com