Η τεχνητή νοημοσύνη (Artificial intelligence – ΑΙ) είναι μια ευρεία έννοια που αναφέρεται σε οποιοδήποτε υπολογιστικό πρόγραμμα (μοντέλο ή αλγόριθμο) που μπορεί να μιμηθεί την ανθρώπινη λογική και νοημοσύνη και να πάρει αυτόνομες αποφάσεις βασισμένες στα δεδομένα που συλλέγει, χωρίς να περιορίζεται από έναν συγκεκριμένο γραμμικό αλγόριθμο. Η μηχανική μάθηση (machine learning – ML), και η σε βάθος μάθηση (deep learning – DL) αποτελούν τους πυλώνες της ΑΙ.
Ο ρόλος της ΑΙ στην καρδιαγγειακή απεικόνιση, πέρα από τη σαφή βελτίωση της ποιότητας των εικόνων, εστιάζεται σήμερα κυρίως στην αυτοματοποίηση της απόκτησης των εικόνων και της ποσοτικοποίησης των μετρήσεων. Η ερμηνεία των εικόνων, η διάγνωση και η δημιουργία προγνωστικών μοντέλων έχουν αποκτήσει εκτεταμένο ερευνητικό ενδιαφέρον και η χρήση τους στην κλινική πράξη, στο άμεσο μέλλον, αποτελεί βασικό στόχο. Η εύκολη προσβασιμότητα, τέλος, στις μελέτες, η μετάδοση των ευρημάτων καθώς και η εκπαίδευση των ιατρών στη διενέργεια των απεικονιστικών τεχνικών έχουν αναβαθμιστεί σημαντικά τα τελευταία χρόνια με τη βοήθεια της ψηφιακής τεχνολογίας (Πίνακας 1).
Πίνακας 1. Ρόλος της ψηφιακής τεχνολογίας και της τεχνητής νοημοσύνης στην καρδιαγγειακή απεικόνιση
Η αυτοματοποίηση στην απόκτηση και ποσοτικοποίηση των εικόνων με την AI βρίσκει σημαντικές εφαρμογές στη σύγχρονη απεικόνιση. Με την (ημι)αυτοματοποιημένη απόκτηση της εικόνας και ποσοτικοποίηση των μετρήσεων (η αναγνώριση, επιλογή και ποσοτικοποίηση των εικόνων γίνεται αυτόματα και ο εξεταστής διορθώνει απλά τυχόν λάθη στις μετρήσεις), η απεικονιστική μελέτη διενεργείται πλέον πιο εύκολα, με μεγαλύτερη ακρίβεια και σε μικρότερο χρονικό διάστημα.
Χρησιμοποιώντας προηγμένους αλγόριθμους σε βασικές προβολές, επιτυγχάνεται εξαιρετικά υψηλή συμφωνία και αναπαραγωγιμότητα με τις παραδοσιακές ‘χειροκίνητες’ μεθόδους διενεργούμενες από έμπειρους χειριστές, με την προϋπόθεση ότι η αρχική απεικόνιση είναι καλής ποιότητας και δεν αφορά εξαιρετικά πολύπλοκη ανατομία. Σαν αποτέλεσμα, γεφυρώνεται το χάσμα μεταξύ έμπειρων και λιγότερο έμπειρων καρδιολόγων – απεικονιστών σε ότι αφορά την ταχύτητα και τη διαγνωστική ακρίβεια της μελέτης και η ροή εργασίας βελτιώνεται και αυξάνεται η απόδοση σε ένα εργαστήριο απεικόνισης.
Η αυτοματοποίηση στην καρδιαγγειακή απεικόνιση αφορά κυρίως τα ακόλουθα (Πίνακας 2)
Πίνακας 2. Αυτοματοποίηση στην Καρδιαγγειακή απεικόνιση
Σε ότι αφορά την ερμηνεία της μελέτης δημιουργούνται πρότυπα (μοντέλα ML) και αλγόριθμοι από ολοένα και αυξανόμενο αριθμό μελετών, βασισμένα στα χαρακτηριστικά φυσιολογικής και παθολογικής ανατομίας και φυσιολογίας των διαφόρων καρδιακών δομών με τα οποία επιτυγχάνεται η διαφοροδιάγνωση φυσιολογικής καρδιακής λειτουργίας και καρδιακής πάθησης καθώς και καρδιακών παθήσεων μεταξύ τους. Επιπλέον, με τη βοήθεια της ML και DL και με τη συνεκτίμηση των ευρημάτων από την απεικόνιση και άλλων κλινικών χαρακτηριστικών, γίνεται προσπάθεια δημιουργίας προγνωστικών μοντέλων για την πορεία των ασθενών και την ανταπόκριση στην θεραπεία. Η εισαγωγή των ΄΄radiomics΄΄ ( μια προηγμένη τεχνική που εξάγει και αναλύει μεγάλο αριθμό χαρακτηριστικών από ιατρικές εικόνες -μέγεθος, σχήμα, ένταση εικόνας, σχέση μεταξύ των voxel της εικόνας- χρησιμοποιώντας αλγόριθμους χαρακτηρισμού δεδομένων) αναμένεται να αυξήσει πολύ τις δυνατότητες διάγνωσης και πρόγνωσης με την ΑΙ.
Τα κυριότερα πεδία ενεργούς μελέτης πάνω στη διάγνωση και την πρόγνωση με τη βοήθεια της ΑΙ στις απεικονιστικές τεχνικές δίνονται στον πίνακα 3
Πίνακας 3. Κυριότερα πεδία ενεργούς μελέτης στη διάγνωση και την πρόγνωση, με τη βοήθεια της ΑΙ, στην Καρδιαγγειακή απεικόνιση
Μεγάλες τέλος είναι οι δυνατότητες που παρέχουν τα νεότερα ψηφιακά συστήματα στην εκπαίδευση στην καρδιαγγειακή απεικόνιση. Αυτές μπορεί να αφορούν την εκμάθηση του τρόπου διενέργειας μιας μελέτης ακόμα και από μη εξειδικευμένους στην τεχνική καρδιολόγους μέσω ειδικών λογισμικών εκπαίδευσης, βασισμένων σε ML και κυρίως DL αλγορίθμους, που καθοδηγούν και εκπαιδεύουν τον διενεργούντα, πχ μιας ηχωκαρδιογραφικής μελέτης αλλά και τη διενέργεια σύγχρονων σεμιναριακών προγραμμάτων εστιασμένων στην καρδιαγγειακή απεικόνιση.
Τα ηθικά ζητήματα δε, αφορούν κυρίως τη θέση του καρδιολόγου-απεικονιστή στην ψηφιακή εποχή και την πιθανή ανάδειξη τμημάτων ιατρικού και παραϊατρικού προσωπικού ΄΄μειωμένης χρησιμότητας΄΄, το απόρρητο των δεδομένων, καθώς τα συστήματα ΑΙ απαιτούν πρόσβαση σε μεγάλα, συχνά ευαίσθητα σύνολα δεδομένων και το λεγόμενο ΄΄Black-box problem΄΄, την αδυναμία δηλαδή της ερμηνείας, ακόμα και από ειδικούς, των αποτελεσμάτων και μετρήσεων που λαμβάνονται αυτόματα μέσω της AI
Η σύγχρονη ψηφιακή τεχνολογία και η τεχνητή νοημοσύνη επαναπροσδιορίζουν την καρδιαγγειακή απεικόνιση βελτιώνοντας την αναπαραγωγιμότητα στις μετρήσεις, τη διαγνωστική ακρίβεια και εκσυγχρονίζοντας τις ροές εργασίας. Με την αντιμετώπιση των περιορισμών που σχετίζονται με την ποιότητα των δεδομένων, τη διαφάνεια του αλγορίθμου, την κανονιστική επικύρωση και τις ηθικές ανησυχίες η ΑΙ μπορεί να ενσωματωθεί υπεύθυνα στην πρακτική της καρδιαγγειακής απεικόνισης οδηγώντας στη βελτιστοποίηση της κλινικής προσέγγισης και διαχείρισης του ασθενή.
Βιβλιογραφία
- Sengupta P. Intelligent platforms for disease assessment: novel approaches in functional echocardiography. J Am Coll Cardiol Img 2013;6:1206–11
- Davis A, Billick K, Horton H, et al. Artificial Intelligence and Echocardiography: A Primer for Cardiac Sonographers. JASE 2020;33:1061-6
- Xu B, Kocyigit D, Grimma R, et al. Applications of artificial intelligence in multimodality cardiovascular imaging: A state-of-the-art review. Progress in Cardiovascular Diseases 2020;63:367–376
- Asch F, Poilvert N, Abraham T, et al. Automated Echocardiographic Quantification of Left Ventricular Ejection Fraction Without Volume Measurements Using a Machine Learning Algorithm Mimicking a Human ExpertCirc Cardiovasc Imaging. 2019;12:e009303
- Coenen A, Kim Y, Kruk M et al. Diagnostic accuracy of a machine-learning approach to CCTA-based FFR result from the MACHINE Consortium. Circ Cardiovasc Imaging. 2018;11:1–11.
- Miller, R. J. H., Singh, A., Dey, D., et al. Artificial Intelligence and Cardiac PET/Computed Tomography Imaging. PET Clinics, 2022;17(1), 85–94.
- Van Rosendael A, Maliakal G, Kolli K, et al. Maximization of the usage of coronary CTA derived plaque information using a machine learning based algorithm to improve risk stratification; insights from the CONFIRM registry. J Cardiovasc Comput Tomogr. 2018;12:204-209
- Narang A, Bae R, Hong H, et al. Utility of a Deep-Learning Algorithm to Guide Novices to Acquire Echocardiograms for Limited Diagnostic Use. JAMA Cardiol. 2021;6:624-632.
- Narula, J., Stuckey, T. D., Nakazawa, G., et al. Prospective deep learning-based quantitative assessment of coronary plaque by computed tomography angiography compared with intravascular ultrasound: The REVEALPLAQUE study. European Heart Journal. Cardiovascular Imaging, 2024;25(9), 1287–1295.
- Oikonomou, E. K., Siddique, M., & Antoniades, C. Artificial intelligence in medical imaging: A radiomic guide to precision phenotyping of cardiovascular disease. Cardiovascular Research, 2020;116(13), 2040–2054.
Κωνσταντίνος Χ. Παπαδόπουλος – Διευθυντής Καρδιολογίας
Δημήτριος Καρελάς – Ειδικευόμενος καρδιολογίας, Νοσοκομείο Κοργιαλένειο – Μπενάκειο Ε.Ε.Σ.