Η επανάσταση των δεδομένων (Big Data Revolution), που αφορά τη δυνατότητα των υπολογιστικών συστημάτων να αποθηκεύουν και να επεξεργάζονται ένα τεράστιο όγκο ψηφιακών δεδομένων, ξεκίνησε από την πρώτη δεκαετία του 2020 και αποτελεί τη βάση για την ανάπτυξη της τεχνητής νοημοσύνης (Artificial Intelligence – AI). Η ΑΙ είναι ένας ευρύς όρος 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 και χωρίς να περιορίζεται από έναν συγκεκριμένο γραμμικό αλγόριθμο. Στο χώρο της ιατρικής και συγκεκριμένα στην καρδιαγγειακή απεικόνιση τα δεδομένα αφορούν ιατρικές καταγραφές του ασθενή και πληροφορίες που εξάγονται από τις απεικονιστικές εικόνες, τα οποία στη συνέχεια υφίστανται επεξεργασία και χρησιμοποιούνται για τη διάγνωση, την πρόγνωση και την επιλογή της θεραπείας.
Η μηχανική μάθηση (machine learning) και η σε βάθος μάθηση (deep learning) αποτελούν τους πυλώνες της ΑΙ. Στην πρώτη χρησιμοποιούνται στατιστικά δεδομένα και τεχνικές για τη μάθηση των υπολογιστών από την συνεχή παρατήρηση σχέσεων αιτίου-αποτελέσματος. Στην απεικόνιση, αυτό μεταφράζεται στη δυνατότητα του υπολογιστικού συστήματος να ανιχνεύει τις απεικονιστικές εικόνες και τις ανατομικές δομές μέσα στις εικόνες, να τις ταυτοποιεί και να αναλύει / υπολογίζει ότι του ζητήσουμε, όπως για παράδειγμα το κλάσμα εξώθησης και οι όγκοι τις αριστερής κοιλίας σε μια ηχωκαρδιογραφική τομή ή απεικόνιση μαγνητικής τομογραφίας τεσσάρων καρδιακών κοιλοτήτων. Στη δεύτερη δημιουργούνται αλγόριθμοι/μοντέλα που μιμούνται τα νευρωνικά ανθρώπινα δίκτυα Ι. Τα υπολογιστικά νευρωνικά δίκτυα αποτελούν χάρτες αλγόριθμων που αντιλαμβάνονται τις σχέσεις ανάμεσα σε μεγάλο όγκο πληροφοριών και έχουν τη δυνατότητα ανάπτυξης νέων σχέσεων (αντίστοιχες των ανθρώπινων συνάψεων), μια διαδικασία που προσομοιάζει την ανθρώπινη μαθησιακή ανάπτυξη. Με τον τρόπο αυτό, για παράδειγμα, ο υπολογιστής μπορεί να δώσει πληροφορίες σχετικά με τη διάγνωση υπερτροφικής ή μυοκαρδιοπάθειας από άλλο αίτιο, όταν του δοθεί μια εικόνα υπερτροφίας αριστερής κοιλίας, αναλύοντας πολλαπλά μοτίβα (patterns) υπερτροφίας που έχει αποθηκεύσει. Στη συνέχεια, με την προσθήκη ιατρικών πληροφοριών για τον ασθενή, ο υπολογιστής μπορεί να παρέχει και προγνωστικά μοντέλα για την πορεία της πάθησής του και πληροφορίες για την απαιτούμενη θεραπεία.
Ο ρόλος της ΑΙ στην καρδιαγγειακή απεικόνιση, πέρα από την ποιότητα της απεικόνισης, εστιάζεται κυρίως στον τρόπο απόκτησης , ερμηνείας και μετάδοσης της εικόνας καθώς και στην εκπαίδευση των ιατρών που διενεργούν τη μελέτη. Σε ότι αφορά την ποιότητα της απεικόνισης (visualization), αυτή έχει σημαντικά βελτιωθεί ως προς την ευκρίνεια της εικόνας και τη διακριτική ικανότητα στο χώρο και το χρόνο. Με την (ημι)αυτοματοποιημένη απόκτηση της εικόνας και ποσοτικοποίηση των μετρήσεων η ηχωκαρδιογραφική μελέτη διενεργείται πλέον εύκολα με μεγαλύτερη ακρίβεια και σε μικρότερο χρόνο. Η αυτοματοποίηση έγκειται στην εκτίμηση της ανατομίας, των όγκων και της λειτουργικότητας των καρδιακών κοιλοτήτων και των βαλβίδων καθώς και την ποσοτικοποίηση των παθήσεων που τις αφορούν. Οδηγεί δε σε ελάττωση του χρόνου διενέργειας και σε αύξηση της επαναληψιμότητας της μελέτης, γεφυρώνει το χάσμα μεταξύ έμπειρων και λιγότερο έμπειρων καρδιολόγων και βελτιώνει τη ροή εργασίας σε ένα εργαστήριο απεικόνισης. Ενδεικτικά, στην ηχωκαρδιογραφία μπορεί να χρησιμοποιηθεί στην εκτίμηση της λειτουργικότητας και των όγκων των κοιλιών και των κόλπων, χρησιμοποιώντας τις συμβατικές μεθόδους ή τις τεχνικές της τριδιάστατης και ‘speckle tracking’ απεικόνισης και στην εκτίμηση της ανατομίας και των ροών στις βαλβίδες με τη δύο, τριών και doppler απεικόνιση. Στη μαγνητική τομογραφία εκτιμώνται και ποσοτικοποιούνται ημιαυτόματα οι όγκοι, το κλάσμα εξώθησης, η ύπαρξη οιδήματος/φλεγμονής και η ίνωση του μυοκαρδίου. Στην αξονική εκτιμάται το σκορ ασβεστίου και τα χαρακτηριστικά της αθηρωματικής πλάκας ενώ μπορεί να υπολογίζεται το ποσοστό της στένωσης και η κλασματική εφεδρεία ροής. Τέλος, στην πυρηνική καρδιολογία υπολογίζονται αυτόματα τα ελλείμματα στη μυοκαρδιακή αιμάτωση.
Σε ότι αφορά την ερμηνεία της μελέτης δημιουργούνται πρότυπα και αλγόριθμοι, βασισμένοι στα χαρακτηριστικά των καρδιακών παθήσεων, με τους οποίους πιθανώς να δίδεται στο άμεσο μέλλον η δυνατότητα διάγνωσης και διαφορικής διάγνωσης μεταξύ παθήσεων που δημιουργούν διαφοροδιαγνωστικό πρόβλημα στον εξεταστή, όπως, για παράδειγμα η περιοριστικού τύπου διαστολική δυσλειτουργία (διαφοροδιάγνωση μεταξύ περιοριστικής μυοκαρδιοπάθειας και συμπιεστικής περικαρδίτιδας) της αριστερής κοιλίας. Επιπλέον, θα δημιουργούνται προγνωστικά μοντέλα για την πορεία των ασθενών και την ανταπόκριση στην θεραπεία (όπως παράδειγμα στη συνεκτίμηση σοβαρότητας της στένωσης και ύπαρξης ευάλωτης αθηρωματικής πλάκας στη στεφανιαία νόσο).
Οι απεικονιστικές εξετάσεις επίσης, μέσω της ύπαρξης προτύπων επικοινωνίας μεταξύ συστημάτων (DICOM), των πληροφοριακών συστημάτων διαχείρισης και μετάδοσης διαγνωστικών πληροφοριών (PACS) και μέσω της πλατφόρμας ‘Cloud’ μπορούν να γίνονται προσβάσιμες από κάθε υπολογιστικό σύστημα εντός του ίδιου ή νοσοκομείων και κέντρων υγείας, οπουδήποτε. Με τον τρόπο αυτό η εξέταση του ασθενή μπορεί πλέον να διαβαστεί και να ερμηνευτεί από απόσταση, από οποιονδήποτε ιατρό, σε οποιοδήποτε μέρος του κόσμου.
Τέλος, μεγάλες είναι οι δυνατότητες που παρέχουν τα νεότερα ψηφιακά συστήματα και στην εκπαίδευση στην καρδιαγγειακή απεικόνιση. Αυτή μπορεί να αφορά τον τρόπο που διενεργείται, για παράδειγμα, μια ηχωκαρδιογραφική μελέτη, όπου το υπολογιστικό σύστημα καθοδηγεί τον διενεργούντα τη μελέτη να μετακινεί τον μορφομετατροπέα έτσι ώστε να λαμβάνεται η βέλτιστη απεικονιστική τομή της καρδιάς. Επιπλέον, σεμιναριακά προγράμματα που παλαιότερα απαιτούσαν την παρουσία εκπαιδευτή και εκπαιδευόμενου στον ίδιο χώρο, μπορούν, τώρα, να πραγματοποιηθούν μέσω ειδικών εφαρμογών και του διαδικτύου, ανεξάρτητα με το που βρίσκονται οι συμμετέχοντες. Ο εκπαιδευτής μπορεί επίσης να επέμβει στο σταθμό εργασίας του υπολογιστή του εκπαιδευόμενου, να τον καθοδηγήσει και να διορθώσει τυχόν λάθη του. Τέλος, υπάρχουν ειδικοί προσομοιωτές εκπαίδευσης με τους οποίους ο εκπαιδευόμενος μπορεί να διενεργεί ηχωκαρδιογραφικές μελέτες σε εικονικούς ασθενείς αλλά και ειδικοί βραχίονες ικανοί να ολοκληρώσουν μια μελέτη χωρίς την ανθρώπινη παρεμβολή.
Παρά τις ανωτέρω περιγραφόμενες εντυπωσιακές δυνατότητες που παρέχει η AI στην καρδιαγγειακή απεικόνιση, υπάρχουν ακόμα σημαντικοί περιορισμοί στη χρήση της. Η ακρίβεια που διενεργούνται οι αυτόματες μετρήσεις και η ποσοτικοποίηση της λειτουργίας των καρδιακών κοιλοτήτων και βαλβίδων είναι σε αρκετές περιπτώσεις μειωμένη. Η επικύρωση (validation) στις μετρήσεις και η ύπαρξη πολυκεντρικών μελετών που να επιβεβαιώνουν την επιπρόσθετη αξία της AI στη διάγνωση, την ποιότητα της φροντίδας, το κόστος και τη βελτιωμένη πρόγνωση και πορεία των ασθενών είναι περιορισμένη. Ηθικά και νομικά θέματα που εγείρει η χρήση της ΑΙ στην καρδιαγγειακή απεικόνιση και εκτίμηση των ασθενών πρέπει να επίσης συζητηθούν και να επιλυθούν.
Συνοψίζοντας, η AI στον τομέα της ηχωκαρδιογραφίας μπορεί να συμβάλλει σημαντικά στην ακριβέστερη διάγνωση και πρόγνωση και να συνεισφέρει, με τον τρόπο αυτό, στη λεγόμενη ιατρική της ακρίβειας και της εξατομίκευσης. Η ανάγκη εκπαίδευσης, οι περιορισμοί στη χρήση της, η έλλειψη μεγάλων προοπτικών μελετών που να δείχνουν σαφώς την υπεροχή της χρήσης της AI στην καρδιαγγειακή απεικόνιση καθώς και η θέση του καρδιολόγου στην ψηφιακή εποχή που ανατέλλει, είναι ζητήματα που θα μας απασχολήσουν ιδιαίτερα στο άμεσο μέλλον.
Προτεινόμενη Βιβλιογραφία
- Davis A, Billick K, Horton H, et al. Artificial Intelligence and Echocardiography: A Primer for Cardiac Sonographers. JASE 2020;33:1061-6
- Siegersma K, Leiner T, Chew D, et al. Artificial intelligence in cardiovascular imaging: state of the art and implications for the imaging cardiologist. Neth Heart J 2019;27:403–413
- 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 Expert. Circ Cardiovasc Imaging. 2019 Sep;12(9):e009303
- Muse E. and Topol E. Computer vision’s potential to improve health care. Lancet 2020;395:1537
- Sengupta P. Intelligent platforms for disease assessment: novel approaches in functional echocardiography. J Am Coll Cardiol Img 2013;6:1206–11
