ანემია, რომელიც განისაზღვრება ჰემოგლობინისა და ერითროციტების შემცირებით სისხლის მოცულობის ერთეულში, გლობალურ ეპიდემიას წარმოადგენს: ის გვხვდება მსოფლიო მოსახლეობის მესამედზე მეტში და განსაკუთრებით დიდ საფრთხეს უქმნის მცირეწლოვანი ბავშვებისა და ორსული ქალების ჯანმრთელობას. სამწუხაროდ, ამ მასშტაბური პრობლემის ფონზე, სკრინინგის ტრადიციული, ლაბორატორიაზე დაფუძნებული მეთოდები მოითხოვს ფინანსურ და ტექნიკურ რესურსებს, რაც შეუძლებელს ხდის მათ ეფექტურ დანერგვას შეზღუდული რესურების მქონე გარემოში ან შორეულ რეგიონებში.
კონიუნქტივის სიფერმკრთალის (Pallor) კლინიკური შეფასება გვთავაზობს სწრაფ და არაინვაზიურ ალტერნატივას, თუმცა მისი დიაგნოსტიკური სიზუსტე მკვეთრად არის დამოკიდებული როგორც შემფასებლის კვალიფიკაციაზე, ისე გარემოს განათებაზე.
ხელოვნური ინტელექტის როლი დიაგნოსტიკაში
ბოლო დროს მიღწეულმა ტექნოლოგიურმა პროგრესმა აჩვენა, რომ ღრმა კონვოლუციურ ნერვულ ქსელებს (CNN-ებს) აქვთ მნიშვნელოვანი პოტენციალი, გახადონ კონიუნქტივის შეფასება მაქსიმალურად ობიექტური და დამოუკიდებელი დამკვირვებლის სუბიექტურობისა თუ გარემო პირობების გავლენისგან.
როგორ მუშაობს ღრმა კონვოლუციური ნერვული ქსელები?
ღრმა კონვოლუციური ნერვული ქსელები (Deep Convolutional Neural Networks – CNNs) არის ხელოვნური ინტელექტის მძლავრი ფორმა, რომელიც ფართოდ გამოიყენება ვიზუალური მონაცემების გასაანალიზებლად. მათი დიზაინი ადამიანის ტვინის ვიზუალური ინფორმაციის დამუშავების იმიტაციას ახდენს.
CNN-ის მუშაობის პრინციპი ეფუძნება გამოსახულებების შემადგენელ მცირე ნაწილებად – ე.წ. მახასიათებლებად (features) – დაშლას, როგორიცაა ტექსტურა, კიდეები ან ფორმები. ამ მახასიათებლების ამოღება ხდება მრავალსაფეხურიანი დამუშავების მეშვეობით:
კონვოლუციური ფენები (Convolutional Layers) პასუხისმგებელნი არიან ლოკალური ვიზუალური შაბლონების (patterns) იდენტიფიცირებაზე;
დაგროვების ფენები (Pooling Layers) ამცირებენ მონაცემთა განზომილებას (ზომას) მნიშვნელოვანი ინფორმაციის შენარჩუნებით;
სრულად დაკავშირებული ფენები (Fully Connected Layers) საბოლოო ჯამში, ამოღებული მახასიათებლების საფუძველზე ახდენენ ობიექტის კლასიფიკაციას.
ტერმინი “ღრმა” გულისხმობს მრავალი ასეთი ფენის ერთად დაწყობას, რაც ქსელს საშუალებას აძლევს ისწავლოს სულ უფრო კომპლექსური, იერარქიული და აბსტრაქტული მახასიათებლები. ეს უნარი ხდის CNN-ს შეუცვლელს ისეთი ამოცანების შესრულებისას, როგორიცაა ობიექტების ამოცნობა, სამედიცინო გამოსახულებებში პათოლოგიების დიაგნოსტიკა და ადამიანისთვის ძნელად აღსაქმელი შაბლონების იდენტიფიცირება.
თავდაპირველად, კონიუნქტივის სიფერმკრთალის ამოსაცნობად იყენებდნენ გამოსახულების დამუშავების შედარებით მარტივ ტექნიკასა და ზღურბლზე დაფუძნებულ მეთოდებს, რაც იმას ნიშნავს, რომ კომპიუტერი გამოსახულებაზე ფერის ინტენსივობის კონკრეტულ ზღვარს ეძებდა. ასეთი მიდგომის დიაგნოსტიკური სიზუსტე შეადგენდა 80%-დან 84%-მდე.
უახლესი კვლევები უკვე იყენებს ღრმა კონვოლუციურ ნერვულ ქსელებს (CNN), რომლებიც გაცილებით ძლიერია ვიდრე ძველი მეთოდები. პროგრესი მიღწეულია ანსამბლური სწავლების (რამდენიმე AI მოდელის გაერთიანება უკეთესი შედეგისთვის) გამოყენებით და გაფართოებულ მონაცემთა ნაკრებებზე (Augmented Data) წვრთნით (ანუ, არსებული მონაცემების ხელოვნური გზით გამდიდრებით და გამრავლებით). ამ მეთოდებმა სიზუსტე თითქმის 90%-მდე გაზარდა. ყველაზე მნიშვნელოვანი სიახლე კი ის არის, რომ ეს AI მოდელები არა მხოლოდ ანემიის არსებობას ადგენენ, არამედ აქვთ ჰემოგლობინის დონის პროგნოზირების დამატებითი ფუნქცია, რაც განსაკუთრებით ღირებულია პედიატრიულ კოჰორტებში.
ამ ყოვლისმომცველი სამუშაოების სისტემატური მიმოხილვა ჩატარდა PRISMA გაიდლაინების მიხედვით.
კვლევის ძირითადი შედეგები
კვლევისთვის შეირჩა 218 კონიუქტივის გამოსახულება (Eyes-Defy-Anemia მონაცემთა ნაკრებიდან), მათ შორის 126 ჯანმრთელი და 92 ანემიის მქონე პაციენტი. მონაცემთა ნაკრები მოიცავდა როგორც მთლიანი თვალის ხედებს, ისე იზოლირებული ქუთუთოს (პალპებრული) გამოსახულებებს. მონაცემთა გაყოფა სასწავლო, ვალიდაციისა და ტესტირების ქვეჯგუფებად მოხდა ჯანდაცვის მსოფლიო ორგანიზაციის (WHO) ჰემოგლობინის კრიტერიუმების მიხედვით (<12 გ/დლ არაფეხმძიმე ქალებისა და <13 გ/დლ მამაკაცებისთვის).
Google Vertex AI ავტომატური ML პლატფორმის მეშვეობით, გამოსცადეს ოთხი კონვოლუციური ნერვული ქსელის (CNN) მოდელი: ორი მოდელი პალპებრულ (ქუთუთოს) ხედებზე, და ორიც – თვალის სრულ ანატომიურ გამოსახულებებზე.
AI მოდელებმა, რომლებიც მთლიანი თვალის გამოსახულებებზე “გაიწრთვნენ” (ფართო ანატომიური კონტექსტით), შესამჩნევად უკეთესი დიაგნოსტიკური მაჩვენებლები აჩვენეს. ერთ-ერთმა მოდელმა მიაღწია 0.899 AUC-ს და 100% სენსიტიურობას პალპებრულ ტესტებზე. მიუხედავად ამისა, მხოლოდ მოჭრილ ქუთუთოს ხედებზე “გაწვრთნილ” მოდელებში დაფიქსირდა შეზღუდული სენსიტიურობა და დაბალი კოენის κ, რაც მიუთითებს რომ მისი შედეგები ნაკლებად სანდოა. დამატებით, მოდელის მიერ გამოთვლილი ქულები პირდაპირ კორელაციაში იყო ანემიის სიმძიმესთან.
იმისათვის, რომ არაინვაზიური ანემიის დიაგნოსტიკა გახდეს სანდო და გლობალურად ხელმისაწვდომი, კრიტიკულად მნიშვნელოვანია გამოსახულების მიღების პროცესის სტანდარტიზაცია და მონაცემთა ბაზების სხვადასხვა ეთნიკური ჯგუფით გამდიდრება.
წყარო: American Journal of Hematology
