Koristeći veštačku inteligenciju i najveći skup podataka MRI pedijatrijskog mozga do sada, istraživači su sada razvili grafikon rasta za praćenje mišićne mase kod rastuće dece. Nova studija, koju su predvodili istraživači iz Brigham and Vomen’s Hospital, otkrila je da je njihov alat zasnovan na veštačkoj inteligenciji prvi koji nudi standardizovan, tačan i pouzdan način za procenu i praćenje indikatora mišićne mase na rutinskom MRI.
„Pacijenti sa karcinomom kod dece često se bore sa niskom mišićnom masom, ali ne postoji standardni način da se to izmeri. Bili smo motivisani da koristimo veštačku inteligenciju za merenje debljine temporalisnog mišića i kreiramo standardizovanu referencu“, rekao je stariji autor Ben Kan, MD, radijacija onkolog na Brigamovom odeljenju za radijacionu onkologiju i Mass General Brighamov program veštačke inteligencije u medicini.
„Naša metodologija je napravila grafikon rasta koji možemo da koristimo za praćenje debljine mišića kod dece u razvoju brzo i u realnom vremenu. Na osnovu toga možemo utvrditi da li rastu u idealnom opsegu.“
Čista mišićna masa kod ljudi je povezana sa kvalitetom života, svakodnevnim funkcionalnim statusom i pokazatelj je ukupnog zdravlja i dugovečnosti. Pojedinci sa stanjima kao što su sarkopenija ili niska mišićna masa su u opasnosti da umru ranije ili da budu skloni raznim bolestima koje mogu uticati na njihov kvalitet života. Istorijski gledano, nije postojao rasprostranjen ili praktičan način za praćenje čiste mišićne mase, sa indeksom telesne mase (BMI) koji bi služio kao podrazumevani oblik merenja.
Slabost u korišćenju BMI je u tome što, iako uzima u obzir težinu, ne pokazuje koliki deo te težine čini mišić. Decenijama, naučnici su znali da je debljina temporalis mišića izvan lobanje povezana sa čistom mišićnom masom u telu. Međutim, debljinu ovog mišića bilo je teško izmeriti u realnom vremenu na klinici i nije bilo načina da se dijagnostikuje normalna od abnormalne debljine. Tradicionalne metode obično uključuju ručna merenja, ali ove prakse oduzimaju mnogo vremena i nisu standardizovane.
Da bi se ovo pozabavilo, istraživački tim je primenio svoj cevovod dubokog učenja na MR skeniranje pacijenata sa pedijatrijskim tumorima mozga lečenih u Bostonskoj dečijoj bolnici/Dana-Farber Institutu za rak u saradnji sa Bostonskim dečjim odeljenjem za radiologiju.
Tim je analizirao 23.852 normalnog zdravog MRI mozga osoba od 4 do 35 godina da bi izračunao debljinu temporalisnog mišića (iTMT) i razvio normalne referentne grafikone rasta mišića. Rezultati magnetne rezonancije su agregirani da bi se kreirale polno specifične iTMT grafikone normalnog rasta sa percentilima i rasponima. Otkrili su da je iTMT tačan za širok spektar pacijenata i da je uporediv sa analizom obučenih stručnjaka za ljude.
„Ideja je da se ovi grafikoni rasta mogu koristiti da bi se utvrdilo da li je mišićna masa pacijenta unutar normalnog opsega, na sličan način na koji se grafikoni rasta i težine obično koriste u ordinaciji“, rekao je Kann.
U suštini, nova metoda bi se mogla koristiti za procenu pacijenata koji već primaju rutinske MRI mozga koji prate medicinska stanja kao što su pedijatrijski karcinomi i neurodegenerativne bolesti. Tim se nada da će sposobnost trenutnog i kvantitativnog praćenja temporalisnog mišića omogućiti kliničarima da brzo intervenišu za pacijente koji pokazuju znake gubitka mišića i na taj način spreče negativne efekte sarkopenije i niske mišićne mase.
Jedno od ograničenja leži u oslanjanju algoritama na kvalitet skeniranja i kako suboptimalna rezolucija može uticati na merenja i interpretaciju rezultata. Još jedan nedostatak je ograničena količina MRI skupova podataka dostupnih izvan Sjedinjenih Država i Evrope koji mogu dati tačnu globalnu sliku.
„U budućnosti bismo možda želeli da istražimo da li će korisnost iTMT-a biti dovoljno visoka da opravda redovno dobijanje MRI za više pacijenata“, rekao je Kan. „Planiramo da poboljšamo performanse modela tako što ćemo ga obučiti na izazovnijim i varijabilnijim slučajevima. Buduće primene iTMT-a mogle bi nam omogućiti da pratimo i predvidimo morbiditet, kao i da otkrijemo kritična fiziološka stanja kod pacijenata koja zahtevaju intervenciju.“
