Με τη βοήθεια τεχνητής νοημοσύνης αξιολογήθηκαν δείγματα ιστού σε άνδρες που παράγουν λίγα ή καθόλου σπερματοζωάρια.
Ερευνητές στην Ιατρική Σχολή του Πανεπιστημίου Toho στην Ιαπωνία θέλησαν να διαπιστώσουν εάν η πλατφόρμα Vision Google Automated Machine Learning (AutoML) θα μπορούσε να χρησιμοποιηθεί για να γίνεται η παραδοσιακή μέθοδος βαθμολόγησης Johnson, αντί να την κάνουν παθολόγοι.
Η μέθοδος βαθμολόγησης Johnson χρησιμοποιείται για να αξιολογηθεί η ικανότητα ενός άνδρα να παράγει βιώσιμα σπερματοζωάρια, με βάση την εξέταση δειγμάτων ιστού που λαμβάνονται από τους όρχεις. Συχνά είναι το πρώτο στάδιο της θεραπείας της αζωοσπερμίας (όταν δεν υπάρχουν σπερματοζωάρια στο σπέρμα).
Ο Δρ. Hideyuki Kobayashi, αναπληρωτής καθηγητής του τμήματος ουρολογίας στη Σχολή Ιατρικής του Πανεπιστημίου Toho είπε: «Το μοντέλο που δημιουργήσαμε μπορεί να ταξινομήσει ιστολογικές απεικονίσεις των όρχεων χωρίς τη συμμετοχή παθολόγου. Ελπίζω ότι η προσέγγισή μας θα δώσει τη δυνατότητα στους κλινικούς ιατρούς σε κάθε τομέα της ιατρικής να δημιουργήσουν μοντέλα που βασίζονται στην τεχνητή νοημοσύνη, τα οποία θα μπορούν να χρησιμοποιηθούν στην καθημερινή κλινική πρακτική».
Οι ερευνητές επέλεξαν να χρησιμοποιήσουν το προϋπάρχον εργαλείο της Google AutoML Vision, για να αποφύγουν τη δημιουργία ενός νέου εργαλείου τεχνητής νοημοσύνης.
Οι ερευνητές χρησιμοποίησαν ιστολογικές τομές ορχικού ιστού που ελήφθησαν από τους όρχεις 264 ανδρών, για να δημιουργήσουν δύο ομάδες δεδομένων με εικόνες στο Adobe Photoshop Elements 2020. Από αυτές, χρησιμοποιήθηκαν τα δύο τρίτα για να «εκπαιδεύσουν» το εργαλείο, έτσι ώστε να μπορεί να αναγνωρίσει διαφορετικά μέρη του ορχικού ιστού.
Στη συνέχεια, μελέτησαν και επιβεβαίωσαν τη λειτουργία του αλγόριθμου που είχε δημιουργηθεί χρησιμοποιώντας τις υπόλοιπες τομές για να δουν αν θα μπορούσε να προσδιορίσει διαφορετικά μέρη του ιστού, να αξιολογήσει την εμφάνισή του και να τον κατατάξει σε μία από τις τέσσερις κατηγορίες της βαθμολόγησης Johnson.
Στη συνέχεια συνέκριναν τα αποτελέσματα με τα ευρήματα των ερευνητών που χρησιμοποίησαν παραδοσιακές μεθόδους και αποδείχθηκε ότι τα αποτελέσματα της ηλεκτρονικής πλατφόρμας είχαν υψηλά ποσοστά συμφωνίας.
Οι ερευνητές τόνισαν πάντως ότι η αξία των ευρημάτων είναι περιορισμένη, καθώς θα μπορούσαν να έχουν επιλεγεί συγκεκριμένες εικόνες όταν εκπαίδευαν, δοκίμαζαν και εξέταζαν την αποτελεσματικότητα του νέου ψηφιακού εργαλείου.
Ο Δρ Kobayashi είπε ότι η αξιολόγηση των ιστολογικών τομών με τον παραδοσιακό τρόπο είναι περίπλοκη και χρονοβόρα για τους παθολόγους, λόγω της «πολυπλοκότητας» του ιστού όταν προχωρούν τα στάδια της σπερματογένεσης. Η χρήση ενός μοντέλου τεχνητής νοημοσύνης θα μπορούσε να επιταχύνει αυτή τη διαδικασία και την παραπομπή των ασθενών. Θα μπορούσε επίσης να χρησιμοποιηθεί σε απομακρυσμένες περιοχές και αναπτυσσόμενες χώρες.
«Το μοντέλο τεχνητής νοημοσύνης που χρησιμοποιήσαμε είναι χρήσιμο για όλους. Θα μπορούσε να γίνει ένα δυνατό εργαλείο στην ιατρική που στο εγγύς μέλλον, οι γιατροί στα νοσοκομεία θα μπορούσαν να χρησιμοποιούν εύκολα να ταξινομούν απεικονίσεις με τεχνητή νοημοσύνη, έτσι όπως τώρα χρησιμοποιούν το Microsoft PowerPoint ή το Excel», είπε ο επικεφαλής της μελέτης.
Διαβάστε περισσότερα: https://www.nature.com/articles/s41598-021-89369-z