Zgodnie ze statystykami medycznymi około 3% dorosłej populacji żyje z tętniakiem mózgu, nawet o tym nie wiedząc. Ta patologia jest niezwykle zdradliwa ze względu na swój bezobjawowy rozwój. Nie powoduje bólu i nie zakłóca codziennego rytmu życia, aż do momentu pęknięcia naczynia. Niestety, po takim incydencie przeżywa zaledwie połowa pacjentów. Ze względu na tak wysoką śmiertelność i trudności we wczesnym diagnozowaniu tętniaków, zespół z Gdańskiego Uniwersytetu Medycznego (GUMed) postanowił wykorzystać sztuczną inteligencję (SI) do analizy zdjęć z angiografii tomografii komputerowej. W tym artykule na igdansk.com przyjrzymy się bliżej technologii rozpoznawania patologii naczyniowych za pomocą sieci neuronowych, którą opracowali polscy naukowcy.
Czym jest tętniak i dlaczego jest tak niebezpieczny?
Aby zrozumieć naturę tętniaka, wyobraź sobie wąż ogrodowy do podlewania, na którego ściance pojawiło się niewielkie wybrzuszenie. Ciągłe ciśnienie wody stopniowo rozciąga osłabione miejsce, sprawiając, że staje się ono coraz cieńsze. Prędzej czy później nadchodzi moment, w którym materiał nie wytrzymuje i pęka.
Tętniak mózgu działa według identycznego scenariusza. To patologiczne poszerzenie tętnicy, które przez lata może nie dawać żadnych objawów. Jednak gdy dochodzi do pęknięcia, następuje rozległy krwotok do mózgu, a lekarzom pozostają dosłownie minuty na uratowanie życia pacjenta.
Główna trudność polega na tym, że wykrycie tętniaka przed jego pęknięciem jest niezwykle skomplikowane. Najczęściej diagnozuje się go przypadkowo – podczas badań zlecanych z zupełnie innych powodów. Dlatego też opracowanie szybkich, dokładnych i ogólnodostępnych metod diagnostycznych stanowi obecnie jedno z kluczowych wyzwań dla naukowców na całym świecie.
Synergia doświadczenia i młodości
Ambitny projekt narodził się w murach Gdańskiego Uniwersytetu Medycznego. Ciekawym aspektem tej historii jest nie tylko sam fakt przeprowadzenia innowacyjnych badań, ale również to, kto nad nimi pracował. Zazwyczaj w konserwatywnym świecie medycyny studenci wykonują przysłowiową czarną robotę, pozostając w cieniu profesorów. Przedstawiciele GUMed postanowili jednak przełamać te stereotypy. Do zespołu projektowego dołączyli studenci medycyny, stając się pełnoprawnymi współautorami naukowego badania.
Kierownictwo nad grupą objęli kierownik Katedry i Kliniki Neurochirurgii dr hab. n. med. Piotr Zieliński oraz dr n. med. Tomasz Szmuda. Ramię w ramię z doświadczonymi mentorami na równych prawach pracowali: lekarka z kliniki Paulina Skrzypkowska oraz Samuel Pettersson – student anglojęzycznego wydziału i członek studenckiego koła naukowego neurochirurgii.
Do realizacji projektu zaangażowano również Beth Israel Deaconess Medical Center, szpital kliniczny Harvard Medical School w Bostonie. Połączenie sił dwóch prestiżowych ośrodków pozwoliło na zgromadzenie maksymalnie zróżnicowanej bazy danych pacjentów z dwóch kontynentów. Dzięki temu wyniki badań zyskały uniwersalny charakter, a ryzyko błędów zostało zminimalizowane.
Za odkryciem naukowców stoją 2 lata intensywnej pracy. Zespół szczegółowo przeanalizował ponad 2000 tomogramów komputerowych rzeczywistych pacjentów z Gdańska i Bostonu. Naukowcy badali każdy milimetr struktur mózgowych oraz ujednolicali dane pochodzące z dwóch różnych systemów medycznych. Rezultat tej żmudnej pracy zaskoczył nawet największych sceptyków. Udowodnił, że synergia profesorskiego doświadczenia, studenckiej ciekawości i globalnych zasobów jest w stanie kształtować przyszłość neurochirurgii.
Model SI, który bezbłędnie rozpoznaje tętniaki
Zamiast narzucać sztucznej inteligencji sztywne reguły, naukowcy postanowili wytrenować ją na ogromnej liczbie rzeczywistych przykładów. Zespół dążył do tego, aby sieć neuronowa mogła samodzielnie identyfikować i przyswajać odpowiednie prawidłowości. Przypomina to proces nauki doświadczonego radiologa, który po 30 latach praktyki potrafi błyskawicznie wychwycić patologię. Lekarz z łatwością rozpoznaje anomalię, ponieważ wcześniej widział tysiące podobnych przypadków. Model SI przeszedł tę samą drogę w trybie przyspieszonym. Przeanalizował 2000 badań angio-TK, w których każde naczynie to zawiły, trójwymiarowy labirynt. Na niektórych skanach naczynia były idealnie gładkie, na innych widniały tętniaki, często sprytnie maskujące się jako naturalne rozgałęzienia.
Stopniowo sztuczna inteligencja nauczyła się dostrzegać detale o wiele lepiej niż profesjonalne oprogramowanie dostępne obecnie na rynku medycznym. Model wychwytuje różnice nawet tam, gdzie ludzkie oko mogłoby się pomylić – z powodu zmęczenia lub trudnego kąta ujęcia na zdjęciu. Jednak największym osiągnięciem nie jest tylko sama precyzja, ale fakt, że algorytm potrafi działać całkowicie autonomicznie, bez ciągłej ingerencji człowieka.
Większość dzisiejszych systemów działa jedynie jak zakreślacz: podświetlają podejrzany obszar i „pytają” lekarza o zdanie. Tymczasem stworzony przez gdańskich naukowców model SI nie tylko sugeruje rozwiązanie, ale wręcz przejmuje funkcję wstępnej diagnostyki – samodzielnie znajduje i identyfikuje tętniaka. Jest to krytycznie ważne w sytuacjach, gdy liczy się każda minuta. System potrafi natychmiast odsiać prawidłowe skany od tych, które wskazują na śmiertelne niebezpieczeństwo dla pacjenta.
| Tradycyjne podejście | Zastosowanie SI | Korzyści z modelu SI |
|---|---|---|
| Lekarz musi ręcznie sprawdzać setki przekrojów TK, aby znaleźć drobną anomalię. | SI autonomicznie skanuje całą pulę danych i błyskawicznie wskazuje patologię. | Oszczędność czasu. Diagnostyka zajmuje sekundy, co jest kluczowe w przypadku zagrożenia pęknięciem naczynia. |
| Programy komercyjne często się mylą lub jedynie sygnalizują potencjalny problem. | Dokładność modelu przewyższa rynkowe odpowiedniki dzięki przetworzeniu tysięcy zdjęć. | Wysoka precyzja. Minimalne ryzyko, że tętniak pozostanie niezauważony. |
| Duże obciążenie radiologów prowadzi do błędów spowodowanych zmęczeniem. | System pracuje 24/7 z taką samą skutecznością i precyzją. | Bezpieczeństwo pacjenta. Istotne zmniejszenie ryzyka błędu ludzkiego. |
Nowe cele i horyzonty
Podczas gdy neurochirurdzy wciąż wdrażają model SI ułatwiający interpretację skanów TK mózgu, zespół z Gdańskiego Uniwersytetu Medycznego we współpracy z inżynierami Politechniki Gdańskiej postanowił diametralnie zmienić podejście do diagnostyki. Naukowcy chcą nauczyć algorytm dostrzegać zagrożenie tam, gdzie tradycyjnie nikt go nie szuka – w wynikach podstawowych badań laboratoryjnych:
- biochemii krwi (poziom glukozy i wskaźniki kreatyniny);
- morfologii ogólnej (liczba płytek krwi);
- wywiadzie medycznym (historia wahań ciśnienia krwi, wiek, czas palenia tytoniu).
Każdy z tych parametrów z osobna to tylko jeden drobny szczegół w ogólnym obrazie klinicznym. Dla lekarza świadczą one zazwyczaj o stanie nerek, ryzyku cukrzycy czy miażdżycy, jednak w zasadzie nie dają bezpośrednich sygnałów o konkretnym zagrożeniu dla naczyń mózgowych.
Dla sztucznej inteligencji nie są to jednak zwykłe, rozproszone liczby, lecz elementy jednego, niezwykle złożonego kodu. Analizując gigantyczne zbiory kart medycznych, algorytm zauważa subtelne kombinacje markerów stanu zapalnego, zaburzeń metabolicznych i napięcia naczyniowego.
To, co człowiek interpretuje jako nieznaczne odchylenie, a nawet wariant normy, algorytm rozpoznaje jako wyraźny wskaźnik utraty elastyczności ścian naczyń krwionośnych, a co za tym idzie – wysokiego ryzyka powstawania tętniaka. Jeśli to innowacyjne podejście okaże się skuteczne, wywoła prawdziwą rewolucję w profilaktyce. Śmiertelne zagrożenia będzie można wykrywać na podstawie zwykłego badania krwi, na długo przed tym, zanim pacjent w ogóle będzie wymagał tomografii.
Projekt naukowców z Gdańskiego Uniwersytetu Medycznego dobitnie udowadnia, że sztuczna inteligencja ma potencjał, by ewoluować z wąsko wyspecjalizowanego asystenta radiologa do kluczowego elementu medycyny prewencyjnej. Automatyzując z sukcesem wyszukiwanie tętniaków na skanach TK, badacze zrobili ważny krok w kierunku jeszcze bardziej ambitnego celu – wczesnej diagnostyki opartej na podstawowych badaniach. Jeśli algorytm nauczy się odczytywać ukryte zagrożenia ze standardowych parametrów życiowych, me