Primjena sustava AI u medicini više nije daleka budućnost, nego svakodnevica brojnih bolnica i istraživačkih centara. Jedno od područja u kojem se posebno ističe jest fetalni ultrazvuk kao alat za rano prepoznavanje rijetkih razvojnih poremećaja u trudnoći. Nedavno istraživanje pokazalo je da se napredne metode deep learning mogu iskoristiti za rano otkrivanje cističnog higroma u prvom tromjesečju trudnoće samo na temelju slika dobivenih pomoću pregleda kao što je fetalni ultrazvuk.
U ovoj studiji, koju je vodio dr. Mark Walker s Medicinskog fakulteta Sveučilišta u Ottawi, istraživači su ispitali može li računalni model prepoznati obrasce na slikama koje ginekolozi svakodnevno dobivaju kada rade fetalni ultrazvuk. Umjesto da se oslanjaju isključivo na ljudsko oko i iskustvo, pokušali su vidjeti može li se računalni sustav treniran na velikom broju slika naučiti razlikovati normalan razvoj od prisutnosti cističnog higroma, i to u vrlo ranoj fazi trudnoće.
Dr. Walker je perinatolog, klinički epidemiolog i visokorizični opstetričar s dugogodišnjim iskustvom u praćenju rizičnih trudnoća. Ujedno je suosnivač istraživačke skupine OMNI (Obstetrics, Maternal and Newborn Investigations) pri bolnici The Ottawa Hospital, jedne od najvećih istraživačkih skupina za majku i novorođenče u Kanadi. Njegov profesionalni fokus uključuje upravo područja u kojima fetalni ultrazvuk ima ključnu ulogu u ranom otkrivanju komplikacija, pa ne čudi da se okrenuo i mogućnostima koje pruža AI.
Cistični higrom je razvojni poremećaj limfnog sustava fetusa koji nastaje kada dođe do malformacije ili začepljenja limfnih puteva. Iako je riječ o rijetkom stanju, ono može imati vrlo ozbiljne posljedice za ishod trudnoće. Često se pojavljuje u području vrata, gdje se nakuplja višak tekućine i stvara karakterističan izgled na snimci koju daje fetalni ultrazvuk. Prepoznavanje cističnog higroma na vrijeme iznimno je važno za daljnje planiranje praćenja trudnoće i savjetovanje roditelja.
Ova malformacija prema podacima Fetal Medicine Foundationa javlja se u relativno malom broju trudnoća, ali je povezana s povišenim rizikom za pobačaj ili intrauterinu smrt ploda. Fetalni ultrazvuk u prvom tromjesečju ključan je jer omogućuje da se uoči povećana nuhalna translucencija, odnosno zadebljanje područja na zatiljku fetusa koje može upućivati na cistični higrom. Kad se takav nalaz uoči, liječnik često preporučuje dodatnu dijagnostiku i pažljivije praćenje.
Kako bi se uopće postavila sumnja na cistični higrom, nužno je da se obavi kvalitetan fetalni ultrazvuk oko desetog tjedna trudnoće. U tom razdoblju liječnik promatra anatomiju fetusa na uzdužnim presjecima te mjeri nuhalnu translucenciju. Ako je uočeno proširenje ovog prostora ili prisutnost više pregrada ispunjenih tekućinom, postavlja se sumnja na cistični higrom. U takvim situacijama odluke koje se donose mogu biti vrlo teške, pa svaka dodatna informacija – uključujući analizu računalnog modela – može pomoći u donošenju što kvalitetnijih odluka.
Fetalni ultrazvuk koristi visokofrekventne zvučne valove za stvaranje slike fetusa u maternici. Za razliku od nekih drugih dijagnostičkih metoda, ne koristi ionizirajuće zračenje, pa je pogodan za rutinno praćenje trudnoće. U praksi, fetalni ultrazvuk u prvom tromjesečju ne služi samo za potvrdu trudnoće i određivanje gestacijske dobi, nego i za procjenu mogućih kromosomskih i strukturnih anomalija, među kojima cistični higrom zauzima posebno mjesto.
U spomenutom istraživanju, znanstvenici su prikupili 289 sagitalnih slika koje je pružio fetalni ultrazvuk u kliničkoj praksi The Ottawa Hospital. Od toga je 129 slika prikazivalo fetuse s potvrđenim cističnim higromom, dok je 160 slika predstavljalo kontrolnu skupinu s urednom nuhalnom translucencijom. Na taj način dobili su uravnotežen skup podataka na kojemu se računalni model mogao učiti razlikovati patološke od urednih nalaza.
Ovaj skup slika – često nazivan dataset – poslužio je kao polazište za treniranje modela konvolucijske neuronske mreže. Konvolucijske mreže posebno su prikladne za probleme računalnog vida jer mogu naučiti prepoznavati obrasce, rubove, oblike i teksture na slikama. U kontekstu u kojem je fetalni ultrazvuk ključan izvor informacija, to znači da mreža može naučiti prepoznavati suptilne razlike u strukturi tkiva i raspodjeli tekućine u području vrata fetusa.
Istraživači su se odlučili za arhitekturu nazvanu DenseNet, točnije model DenseNet169 implementiran u okviru PyTorch. Takve mreže povezuju slojeve na način da svaki sloj prima informacije od svih prethodnih slojeva, čime se poboljšava protok informacija i ponovno korištenje značajki. U praksi to znači da se važne vizualne značajke koje fetalni ultrazvuk otkriva ne gube u dubini mreže, nego ostaju dostupne kako bi se model što bolje prilagodio zadatku prepoznavanja cističnog higroma.
Konvolucijska neuronska mreža, ili Convolutional Neural Network, vrsta je umjetne neuronske mreže koja je osobito uspješna u zadacima prepoznavanja slika, pretraživanja objekata i klasifikacije. U ovom slučaju, fetalni ultrazvuk služi kao ulaz u mrežu, a izlaz je procjena je li na slici prisutan cistični higrom ili je riječ o normalnoj nuhalnoj translucenciji. Model to postiže prolazeći kroz više slojeva u kojima se izdvajaju sve složenije vizualne značajke.
Nakon faze treniranja, istraživački tim je testirao koliko uspješno model donosi odluke na slikama koje nije vidio tijekom učenja. Rezultat je bio impresivan: računalni sustav temeljeni na deep learning metodama postigao je prosječnu točnost od oko 93 posto u predviđanju prisutnosti cističnog higroma. Iako je fetalni ultrazvuk i dalje temeljni alat, ovakav rezultat pokazuje da algoritam može biti vrlo koristan partner liječnicima u svakodnevnom radu.
Važno je naglasiti da cilj istraživača nije zamijeniti liječnika, nego mu pružiti dodatnu podršku. Fetalni ultrazvuk ostaje u rukama stručnjaka koji prikuplja slike, procjenjuje cjelokupnu kliničku sliku i razgovara s roditeljima. Model temeljen na AI može djelovati kao drugi par očiju – podsjetnik da se neka slika detaljnije razmotri ili kao potvrda da nalaz vjerojatno odgovara određenom obrascu koji upućuje na cistični higrom.
U praksi, ovakav sustav mogao bi funkcionirati tako da se fetalni ultrazvuk obavlja kao i dosad, ali se snimljene slike automatski šalju modelu na analizu. U pozadini bi se odvijala obrada, a rezultat bi se prikazao liječniku u obliku procjene rizika ili upozorenja. Posebno u preopterećenim sustavima, gdje jedan liječnik dnevno pogleda velik broj ultrazvučnih snimki, dodatni sloj provjere može smanjiti vjerojatnost da se suptilan, ali važan znak cističnog higroma previdi.
Drugi važan aspekt je standardizacija. Fetalni ultrazvuk ovisi i o iskustvu onoga tko ga izvodi i tumači. Dva stručnjaka mogu ponekad različito interpretirati isti nalaz, osobito kada je riječ o vrlo sitnim razlikama. Treniranjem modela na velikom broju primjera iz različitih situacija, moguće je postići da se određeni obrasci prepoznaju na ujednačeniji način, čime se doprinosi većoj konzistentnosti dijagnostike.
Ipak, unatoč visokim postignutim rezultatima, istraživači naglašavaju da je riječ o studiji dokaza koncepta. Skup podataka dolazi iz jedne bolnice, a uvjeti snimanja, uređaji i populacija pacijentica mogu se razlikovati od drugih centara. Da bi se ovakav sustav doista uveo u rutinsku kliničku praksu, potrebno je provesti dodatna testiranja na većem, višecentričnom skupu podataka te provjeriti kako se model ponaša na slikama koje fetalni ultrazvuk bilježi u različitim zdravstvenim ustanovama.
Osim toga, važno je uzeti u obzir i etičke aspekte. Kada fetalni ultrazvuk i sustav AI zajedno sugeriraju mogućnost ozbiljne anomalije, roditelji se suočavaju s nizom teških odluka. Zbog toga je ključno da liječnik razumije kako model dolazi do svojih zaključaka i koje su mu granice. Transparentnost i mogućnost objašnjavanja odluka modela pomažu u izgradnji povjerenja između stručnjaka i obitelji, ali i u donošenju informiranih odluka o daljnjim koracima.
Još jedna prednost primjene sustava AI jest potencijalno brža obrada velikih količina podataka. U velikim centrima u kojima se fetalni ultrazvuk obavlja stotinama trudnica tjedno, prikuplja se golema količina slika. Ručna analiza svakog detalja može biti zahtjevna i podložna umoru, dok računalni model može neumorno i dosljedno analizirati svaku sliku, uvijek na isti način. Liječnik tada dobiva filtrirane i označene nalaze na koje treba obratiti posebnu pozornost.
Osim cističnog higroma, isti pristup mogao bi se u budućnosti primijeniti i na druge fetalne anomalije. Ako fetalni ultrazvuk sadrži dovoljno informacija o strukturi organa i tkiva, modeli temeljeni na deep learning metodama mogli bi se trenirati da prepoznaju obrasce karakteristične za različite malformacije. Istraživači stoga ističu da je njihovo sadašnje postignuće tek početak šire primjene računalne analize ultrazvučnih slika u perinatologiji.
Uvođenje ovakvih sustava u praksu traži i tehnološku infrastrukturu. Potrebno je osigurati sigurno pohranjivanje i prijenos podataka, zaštitu privatnosti pacijentica te integraciju modela u postojeće informatičke sustave bolnica. Fetalni ultrazvuk pritom ostaje ključan izvor podataka, ali način na koji se slike arhiviraju, označavaju i koriste za treniranje modela mora biti jasno definiran i usklađen s propisima.
Za medicinske stručnjake, posebno ginekologe i perinatologe, važno je također dobiti osnovno razumijevanje načina na koji modeli temeljeni na deep learning metodama funkcioniraju. Iako ne moraju sami programirati modele, korisno je znati što znači kada se kaže da je model treniran na određenom skupu podataka, što predstavlja točnost i kako se tumoče lažno pozitivni i lažno negativni nalazi. To znanje olakšava ulogu fetalnog ultrazvuka u novom, digitalno podržanom dijagnostičkom okruženju.
Iz perspektive trudnica i njihovih partnera, činjenica da fetalni ultrazvuk mogu dodatno analizirati napredni računalni sustavi može biti izvor i brige i utjehe. S jedne strane, svjesnost da algoritam traži i vrlo suptilne znakove anomalija može pojačati osjećaj strepnje; s druge strane, dodatna sigurnosna mreža može značiti da se ništa važno neće propustiti. Ključnu ulogu pritom imaju liječnici koji rezultate ultrazvučnih pregleda tumače u kontekstu cijele trudnoće i svojim znanjem smiruju strahove, ali i iskreno govore o rizicima.
Kao i kod svake nove tehnologije, potrebno je vrijeme da se sustavi AI u potpunosti uklope u rutinu rada. No jasno je da tamo gdje je fetalni ultrazvuk već središnji alat za rano otkrivanje anomalija, dodavanje računalne analize predstavlja logičan sljedeći korak. Studija koja demonstrira da je moguće s visokim stupnjem točnosti prepoznati cistični higrom na osnovi slika prvog tromjesečja pokazuje kako će se u budućnosti granica između medicine i računalnih znanosti sve više brisati.
U konačnici, cilj je isti za sve sudionike – liječnike, istraživače, inženjere i roditelje: omogućiti da svaka trudnoća bude praćena što pažljivije, da se potencijalni problemi prepoznaju na vrijeme i da se svakom djetetu pruži najbolji mogući početak života. Ako fetalni ultrazvuk, udružen s moćnim alatima AI, može pomoći u ranom otkrivanju stanja poput cističnog higroma, tada ta tehnologija postaje vrijedna karika u lancu skrbi za majku i dijete.
Copyright © 2022 Cami Rosso All rights reserved.
