Προσαρμογή πεδίου με χρήση παραγωγικών μοντέλων στη διάγνωση της καρωτιδικής νόσου

Abstract

Η καρωτιδική νόσος περιγράφεται από τη στένωση και απόφραξη των καρωτιδικών αρτηριών και είναι υπεύθυνη για το 25% των ισχαιμικών εγκεφαλικών επεισοδίων. Σύμφωνα με πρόσφατες έρευνες, η παρουσίαση αθηρωματικής πλάκας στις καρωτίδες εξαρτάται κυρίως από την ηλικία, την κληρονομικότητα, τον τρόπο ζωής, αλλά και τη φυσιολογία του ασθενούς. Η διάγνωσή της επιτυγχάνεται με το έγχρωμο υπερηχογράφημα “Triplex”, έναν συνδυασμό απεικονίσεων β-σάρωσης και χρήσης συσκευών υπερήχων Doppler, ο οποίος αναπαριστά τη δυναμική ροή του αίματος, καθώς και την ανατομία των κοιλοτήτων και των αγγειακών τοιχωμάτων των καρωτίδων. Σε αρκετές περιπτώσεις, ο ασθενής διαγιγνώσκεται αρχικά ως ασυμπτωματικός· ωστόσο, οι τακτικές και έγκαιρες εξετάσεις συμβάλλουν στην αποτελεσματική καταστολή και πρόληψη της νόσου. Η τεχνολογική πρόοδος και η ανάπτυξη κατάλληλων αλγορίθμων τεχνητής νοημοσύνης διαδραματίζει αρωγό στη διάγνωση της στένωσης αθηρωματικών πλακών και στη μείωση του αριθμού θανατηφόρων εγκεφαλικών επεισοδίων παγκοσμίως. Πρόκληση που απασχολεί τα τελευταία χρόνια την ιατρική και επιστημονική κοινότητα αποτελεί η έλλειψη επαρκών κλινικών δεδομένων για την εκπαίδευση των μοντέλων μηχανικής μάθησης, ενώ κατά τον συνδυασμό συνόλων δεδομένων από πολλαπλά ιατρικά κέντρα, παρατηρούνται ασυμφωνίες στις απεικονίσεις λόγω των διαφορετικών μεθόδων λήψης των υπερήχων. Η παρούσα εργασία αξιοποιεί στιγμιότυπα από υπερήχους β-σάρωσης 770 ασθενών από δύο σύνολα δεδομένων, 694 από το Πανεπιστήμιο Κύπρου και 76 από το Αττικό Νοσοκομείο, και εμβαθύνει στην ανάπτυξη τριών αλγορίθμων μηχανικής μάθησης, με στόχο την κατηγοριοποίηση των ασθενών σε δύο κλάσεις, συμπτωματικούς και ασυμπτωματικούς. Για την ενίσχυση της προσαρμοστικότητας του μοντέλου στα δύο σύνολα δεδομένων, χρησιμοποιείται μεθοδολογία προσαρμογής πεδίου, βασισμένη σε χρήση κυκλικά συνεπών παραγωγικών ανταγωνιστικών δικτύων (Cycle-Consistent Generative Adversarial Network), κατά την οποία επιτυγχάνεται μεταφορά γνώσης από μία κατανομή πηγή σε μία κατανομή στόχο. Η μέθοδος αυτή παράγει ρεαλιστικές εικόνες του πεδίου-στόχου, οι οποίες κληρονομούν τα χαρακτηριστικά του πεδίου-πηγής, με απώτερο σκοπό την ελαχιστοποίηση των ανομοιοτήτων των δύο πεδίων και την αποτελεσματική διάγνωση της νόσου με ποικιλόμορφα δεδομένα. Τα αποτελέσματα της έρευνας προσφέρουν πολύτιμο έργο στη μελέτη ιατρικών εικόνων μέσω προηγμένων αλγορίθμων μηχανικής μάθησης και την προσαρμογή τους σε νέα περιβάλλοντα για την έγκυρη και έγκαιρη αντιμετώπιση της καρωτιδικής νόσου.