Naučnici kažu da su razvili model dubokog učenja veštačke inteligencije sa sposobnošću da otkriju rane znake degenerativnih bolesti zglobova sa visokim stepenom tačnosti.
Naučnici su objavili svoj novi model veštačke inteligencije u časopisu Naučni izveštaji i tvrde da tačnost njihovog metoda nadmašuje onu radiologa sa iskustvom „u poređenju sa zlatnim standardom“.
Iako se studija fokusira na „osteoartritis temporomandibularnog zgloba“, naučnici tvrde da njihovi nalazi imaju direktne i praktične implikacije na bolesti koje pogađaju zglobove uopšte.
„Očekuje se da će usvajanje AI u radiografskoj dijagnozi osteoartritisa eliminisati subjektivnost povezanu sa ljudskom interpretacijom i ubrzati dijagnostički proces čime se smanjuje verovatnoća progresije bolesti“, pišu oni.
„Model AI koji se koristi u ovoj studiji imao je jednake ili bolje dijagnostičke performanse za TMZ osteoartritis u poređenju sa ljudskim stručnjakom.“
Osteoartritis, degenerativna bolest zglobova, najčešći je tip artritisa sa visokom prevalencijom među starijim ljudima. Pacijenti sa bolešću pate od bolova u zglobovima. Odmor ili neaktivnost obično dovode do privremene ukočenosti.
Autori primećuju da su trenutna tumačenja znakova bolesti zglobova, posebno onih koji pogađaju vilicu, bila „veoma subjektivna” jer su se do sada gotovo isključivo oslanjala na kompjuterizovanu tomografiju sa konusnim snopom (CBCT) i postala prepreka na putu ranu i tačnu dijagnozu.
„Ciljevi ove studije bili su da se razviju i testiraju performanse modela veštačke inteligencije (AI) za dijagnozu osteoartritisa TMZ-a iz CBCT-a“, pišu oni.
TMJ, ili temporomandibularni zglobovi, čine dva zgloba koji povezuju donju vilicu sa lobanjom, dok je CBCT trodimenzionalni (3D) poseban tip rendgenskog snimanja zuba, nervnih puteva, kostiju i mekih tkiva, kojem stomatolozi pribegavaju kada redovno Utvrđeno je da rendgenski skrining nije dovoljan za pravilan proces dijagnoze.
Da bi potvrdili svoj AI model, podaci i analiza naučnika uključivali su „ukupno 2.737 CBCT slika od 943 pacijenta. Dva iskusna evaluatora su izvršila procenu zasnovanu na dijagnostičkim kriterijumima za temporomandibularne poremećaje (DC/TMD) kako bi generisali poseban set za testiranje modela od 350 slika na kojima se zaključena dijagnoza smatra zlatnom referencom.“
Naučnik je zatim uporedio dijagnostičke performanse njihovog AI modela sa onima koje je dobio iskusni oralni radiolog. Oni pišu: „Dijagnoza AI je pokazala statistički veće slaganje sa zlatnom referencom u poređenju sa radiologom.
„Koenova kapa je pokazala statistički značajne razlike u saglasnosti između AI i radiologa sa zlatnom referencom za dijagnozu svih znakova zajedno (P = 0,0079) i za subkortikalne ciste (P = 0,0214).
„Očekuje se da će AI eliminisati subjektivnost povezanu sa ljudskom interpretacijom i ubrzati dijagnostički proces TMZ osteoartritisa.
Studija, u kojoj su učestvovali naučnici iz Egipta, Ujedinjenih Arapskih Emirata (UAE) i Libana, pokazuje da je poremećaj viličnog zgloba koji ispituje nastavak drugih poremećaja zglobova koji se ne leče na adekvatan način zbog nedostataka trenutnih dijagnostičkih metoda. .
Kao rezultat toga, pacijenti sa poremećajima zglobova „pate od jakih bolova i glavobolja, zvukova u zglobovima i funkcionalnih smetnji koje se vremenom pogoršavaju i dovode do trajnog oštećenja zglobova. Lečenje uznapredovalih oblika osteoartritisa zahteva opsežne i skupe operacije poput totalne zamene zglobova“, kaže glavni autor studije dr Vael M. Talaat, vanredni profesor oralne i maksilofacijalne hirurgije na Univerzitetu u Šardži.
„S obzirom na visoku prevalenciju ovih poremećaja, ovi tretmani mogu opteretiti zdravstvene vlasti na globalnom nivou. Rana dijagnoza je ključni faktor u sprečavanju progresije bolesti i postizanju uspešnog ishoda lečenja. Rana dijagnoza je ključni faktor u sprečavanju progresije bolesti i postizanju uspešan ishod lečenja“, ističe dr Talaat.
Dr Talaat kaže da je rana dijagnoza temporomandibularnih poremećaja često izazov čak i za iskusne praktičare. „To je zbog nedoslednosti u dijagnostičkim kriterijumima i taksonomiji između različitih kliničkih i istraživačkih centara i upućenog bola koji često dovodi u zabludu ispitivača na drugu moguću dijagnozu.
„Međutim, najizazovniji faktor koji ometa ranu dijagnozu je subjektivnost tumačenja znakova osteoartritisa. Studije su pokazale da je stotine pacijenata konsultovalo u proseku 44 različite medicinske specijalnosti pre nego što su došli do dijagnoze njihovog temporomandibularnog poremećaja.“
Upitan o uticaju njihovog IA modela, dr Talaat je rekao: „Rezultati ovog projekta će poboljšati dijagnostički proces osteoartritisa i eliminisati subjektivnost povezanu sa ljudskom interpretacijom. Ovo će omogućiti ranu dijagnozu i zaustaviti progresiju bolesti u naprednu forme.
„Rezultati ove studije mogu utrti put za dalju kliničku i istraživačku optimizaciju modela kako bi se omogućila dijagnoza osteoartritisa u ranoj reverzibilnoj fazi. Generalno, AI ima za cilj da nadmaši kognitivne sposobnosti ljudi i poboljša standarde nege za obezbediti dobrobit pacijenata.“
Istraživački tim je razvio potpuni kognitivni AI model koji tumači podatke iz istorije pacijenata, kliničkog pregleda i radiografskog pregleda.
„Model je zasnovan na najpouzdanijem dijagnostičkom protokolu (DC/TMD) zasnovanom na dokazima. Model koristi nekoliko stabala odlučivanja da bi zaključio dijagnozu temporomandibularnih poremećaja. Testiranje modela će biti sprovedeno u magistarskoj tezi tokom predstojećeg nekoliko meseci“, dodaje dr Talaat.
O tome da li je studija imala neposredne praktične implikacije, dr Talaat je rekao: „Istraživanje je translatorno i spremno je da se usvoji u kliničkom okruženju. Projekat je koristio duboko učenje da automatizuje već potvrđen dijagnostički protokol zasnovan na dokazima (DC/TMD) Očekuje se da će potpuni kognitivni AI model značajno ubrzati i olakšati složeni dijagnostički proces temporomandibularnih poremećaja.
„Pravovremena identifikacija znakova osteoartritisa TMZ i otkrivanje pacijenata sa rizikom od progresije u napredne oblike mogu olakšati razvoj efikasnijih pristupa lečenju.
Dr Talaat je pozvao naučnika da se oslanja na nalaze tima kako bi proširili „trenutne binarne klasifikacije na funkcije multinomijalne regresije koje prepoznaju kliničke i radiografske nalaze pored različitih biomarkera i klasifikuju rane, umerene i teške oblike TMZ-a osteoartritis.
„Razvoj multinomskih klasifikatora dubokog učenja u oblasti TMZ osteoartritisa može promovisati liniju istraživanja koja istražuje mogućnost dijagnoze u ranoj reverzibilnoj fazi“
