Η Χρήση της Τεχνητής Νοημοσύνης στην Γαστρεντερολογία

Η γαστρεντερολογία είναι η ειδικότητα της ιατρικής που ασχολείται με τις παθήσεις του πεπτικού σωλήνα (οισοφάγος, στόμαχος ,λεπτό και παχύ έντερο) αλλά και με τους αδένες τους πεπτικού συστήματος (χοληδόχος κύστη, ήπαρ και πάγκρεας). 

Η τεχνητή νοημοσύνη (AI) έχει ευρεία εφαρμογή και στον χώρο της γαστρεντερολογίας καθώς επιτρέπει την ανάλυση  μεγάλου όγκου δεδομένων ταχύτατα και σε πραγματικό χρόνο και ταυτόχρονα  βελτιώνει στην ακρίβεια των διαγνώσεων βοηθώντας αποτελεσματικά τον γαστρεντερολόγο – ενδοσκόπο.

Πιο συγκεκριμένα, κατά τη διάρκεια της κολονοσκόπησης, όπου θεωρείται η εξέταση χρυσής εκλογής για την πρόληψη του καρκίνου του παχέος εντέρου, η ΑΙ -assisted  δίδει πολλές πληροφορίες και εντοπίζει  ύποπτες περιοχές του βλεννογόνου του εντέρου που χρειάζονται ιδιαίτερη προσοχή από τον ενδοσκόπο που διενεργεί την εξέταση.  Τέτοιες πλατφόρμες που χρησιμοποιούν real time ανάλυση εικόνας είναι GI Genius και ENDO-AID.

Οι αλγόριθμοι μηχανικής μάθησης που εφαρμόζονται στον τομέα της ενδοσκόπησης επιτρέπουν στον γαστρεντερολόγο την ώρα της ενδοσκόπησης  να γίνεται περισσότερο  αποτελεσματικός διαγνωστικά ενώ ταυτόχρονα τον εκπαιδεύει προσθέτοντας του περισσότερη εμπειρία.

Πρόσφατες μελέτες έχουν δείξει ότι η ανεύρεση πολύποδων με τη χρήση της ΑΙ έχει αυξηθεί  σε σχέση με την συμβατική κολονοσκόπηση βελτιώνοντας τα ποσοστά πρόληψης του καρκίνου του παχέος εντέρου.

Η ΑΙ μπορεί να αναλύει τις ενδοσκοπικές εικόνες και να προσδιορίζει άμεσα την αλλοίωση, να δίδει πληροφορίες για τον τύπο της σύμφωνα με γνωστές ταξινομήσεις και να διακρίνει σε μεγάλο βαθμό τον καλοήθη από τον δυνητικά κακοήθη χαρακτήρα της βλάβης. 

Αυτό επιτρέπει στους γαστρεντερολόγους να λαμβάνουν αποτελεσματικές και ταχύτερες αποφάσεις σχετικά με την θεραπεία αλλά και την παρακολούθηση των ασθενών. Παράλληλα βελτιώνεται η προσεκτική παρατήρηση και μειώνονται τα λάθη στη διάγνωση.

Στον χώρο της ηπατολογίας η ΑΙ προσφέρει δυνατότητα ανίχνευσης ηπατικής ίνωσης ή κίρρωσης με μη επεμβατικές μεθόδους(σε ασθενείς με μη αλκοολική στεατοηπατίτιδα )αλλά και να προβλέψει ποιοι ασθενείς κινδυνεύουν περισσότερο από ηπατοκυτταρικό καρκίνο μεταξύ ασθενών υψηλού κινδύνου (π. χ ηπατίτιδα Β, C).

Επίσης η συμβολή της ΑΙ στην απεικονιστική διάγνωση και ερμηνεία των αποτελεσμάτων είναι σημαντική αφού δύναται να διακρίνει καλοήθεις από κακοήθεις παθήσεις(π. χ διάκριση κακοήθειας  ήπατος από εστιακή οζώδης υπερπλασία). 

Στις παθήσεις του ήπατος, οι αλγόριθμοι μάθησης μπορούν να αναλύσουν συνδυασμό πληροφοριών όπως  κλινικά και βιοχημικά αποτελέσματα αλλά και απεικονιστικά δεδομένα σε σύντομο χρονικό διάστημα και να προσφέρουν εξατομικευμένη διάγνωση και θεραπευτικές λύσεις για τους ασθενείς.

Επίσης η ανίχνευση του καρκίνου του παγκρέατος σε πρώιμα στάδια αναλύοντας την αξονική ή την μαγνητική του παγκρέατος είναι σημαντική για τον πολύ δύσκολα αντιμετωπίσιμο τύπο αυτής της κακοήθειας. 

Η δυνατότητα ανάλυσης ταυτόχρονα ενδοσκοπικών εικόνων  (πχ ενδοσκοπικό υπερηχογράφημα EUS ) κυτταρολογικών -ιστολογικών δεδομένων από λήψη ιστού είναι κριτικής σημασίας σε παθήσεις του παγκρέατος. 

Η διάκριση  με deep learning  της AI καλοηθών από κακοήθων κύστεων είναι επίσης δυνατή αναλύοντας απεικονιστικές εξετάσεις όπως CT/MRI-EUS.

Ένα deep-learning μοντέλο που αναπτύχθηκε από την ομάδα Rochester με πάνω από 3000 σαρώσεις με αξονική πέτυχε υψηλά επίπεδα ακρίβειας -ευαισθησία 88% και ειδικότητα 90%- όταν εξετάζονταν ασθενείς με CT για όγκους, πριν την κλινική ανάδειξη τους (14-16 μήνες νωρίτερα). Τα μοντέλα αυτά εντοπίζουν ‘’αθέατες΄΄ αλλαγές στη δομή του παγκρέατος προσφέροντας ΄΄παράθυρο ευκαιρίας ΄΄ για θεραπευτική αντιμετώπιση.

 Έχει αναφερθεί ότι νευρωνικά δίκτυα έχουν επιτύχει >90 % ακρίβεια διάκριση IPMN -μια μορφή κυστικού παγκρεατικού νεοπλάσματος- με υψηλόβαθμη δυσπλασία από καλοήθεις κύστεις.

 Τέλος μπορούν να χρησιμοποιηθούν τα προγνωστικά μοντέλα της AI στην οξεία παγκρεατίτιδα για να προβλεφθούν ποιοι ασθενείς κινδυνεύουν  από σοβαρή βλάβη ή νέκρωση.

Η ΑΙ απαιτεί συλλογή και ανάλυση μεγάλου όγκου δεδομένων και για αυτό το λόγο θα πρέπει να διασφαλιστεί η προστασία των προσωπικών δεδομένων των ασθενών ώστε να μην υπάρχει ηθικό πρόβλημα και βεβαίως ο ιατρικός κόσμος θα πρέπει να μάθει να συνεργάζεται   με την AI καθώς η επόμενη γενιά τεχνητής νοημοσύνης θα είναι πιο ενσωματωμένη στην ιατρική καθημερινή πρακτική. 

Συμπερασματικά η τεχνητή νοημοσύνη στο χώρο της γαστρεντερολογίας βελτιώνει την ακρίβεια στη διάγνωση και  εξατομικεύει τη θεραπεία για κάθε ασθενή επιταχύνοντας  τη λήψη αποφάσεων.

Η ΑΙ ενισχύει την ικανότητα των γαστρεντερολόγων  να εντοπίζουν προβλήματα σε πρώιμο στάδιο και ταυτόχρονα μειώνονται τα διαγνωστικά λάθη βελτιώνοντας την ποιότητα της φροντίδας των ασθενών.

Οι προοπτικές για το μέλλον είναι υποσχόμενες και αναμένονται σημαντικές εξελίξεις στο χώρο της ενδοσκόπησης και γενικά της γαστρεντερολογίας.

Ιωάννης Γ. Καλλιακμάνης MD, PhD, FEBGH, Γαστρεντερολόγος – Επεμβατικός Ενδοσκόπος, Διευθυντής Ενδοσκοπικής Ομάδας ΙΑΣΩ Γενική Κλινική 
Χρήστος Δημόπουλος MD, PhD, Γενικός Χειρουργός, Διευθυντής Ενδοσκοπικής Ομάδας ΙΑΣΩ Γενική Κλινική