Η οστεοπόρωση είναι μία νόσος που χαρακτηρίζεται από σημαντική μείωση της οστικής πυκνότητας. Οι ασθενείς που πάσχουν από τη νόσο έχουν αυξημένο κίνδυνο καταγμάτων και συχνά δυσκολεύονται να επιτελέσουν διάφορες λειτουργίες της καθημερινότητας.
Η διάγνωση της νόσου γίνεται συνήθως μέσω μίας εξέτασης που λέγεται DXA (dual-energy X-ray absorptiometry). Ωστόσο, προκειμένου να γίνει η εξέταση αυτή απαιτείται ένα ακριβό μηχάνημα το οποίο δεν διαθέτουν όλα τα νοσοκομεία. Ως αποτέλεσμα, καταλαβαίνουμε ότι υπάρχει ανάγκη για πιο φτηνές προσεγγίσεις οι οποίες θα μας επιτρέψουν να εκτιμήσουμε ευκολότερα την οστική πυκνότητα.
Μία τέτοια προσέγγιση είναι οι αλγόριθμοι μηχανικής μάθησης. Διάφορα μοντέλα μηχανικής μάθησης που αναπτύχθηκαν στο παρελθόν με αυτό το σκοπό κατάφεραν να εκτιμήσουν ικανοποιητικά την οστική πυκνότητα από απλές ακτινογραφίες. Ωστόσο προκειμένου να αναπτυχθεί ένα τέτοιο μοντέλο συχνά χρειάζονται μεγάλες βάσεις δεδομένων, γεγονός που σίγουρα δημιουργεί εμπόδια.
Θέλοντας να ξεπεράσουν το παραπάνω πρόβλημα, επιστήμονες από την Ιαπωνία ανέπτυξαν μία νέα μέθοδο που ονόμασαν “hierarchical learning framework”. Η μέθοδος αυτή, την οποία οι επιστήμονες περιγράφουν στο περιοδικό Medical Image Analysis, χρησιμοποιεί απλές ακτινογραφίες μέσω των οποίων εκτιμά την οστική πυκνότητα.
«Οι περισσότερες διαγνώσεις της οστεροπόρωσης γίνονται σε προχωρημένα στάδια της νόσου, όταν τα συμπτώματα που προκαλεί είναι πλέον εμφανή. Οι απλές ακτινογραφίες θεωρητικά θα μπορούσαν να χρησιμοποιηθούν για την έγκαιρη διάγνωση της νόσου, ωστόσο σήμερα δεν υπάρχουν εργαλεία που να μπορούν να αντλήσουν τις κατάλληλες πληροφορίες από αυτές. Ο στόχος της ομάδας μας ήταν να αναπτύξει ένα μοντέλο που θα μπορεί να εκτιμήσει την οστική πυκνότητα από μία απλή ακτινογραφία», αναφέρουν οι συγγραφείς.
Το μοντέλο που ανέπτυξε η ομάδα εκπαιδεύτηκε χρησιμοποιώντας ακτινογραφίες ασθενών, στις οποίες είχε προσδιοριστεί ήδη αν ο ασθενής έχει οστεοπόρωση ή όχι. Πρακτικά, η ομάδα έδωσε στο μοντέλο ζευγάρια ακτινογραφίας-διάγνωσης προκειμένου αυτό να μπορέσει να ξεχωρίσει τα χαρακτηριστικά της ακτινογραφίας που σχετίζονται με τη θετική διάγνωση της νόσου.
Ο επόμενος στόχος ήταν να εξεταστεί αν το μοντέλο μπορεί να συγκριθεί με τις μεθόδους που χρησιμοποιούνται σήμερα για τη διάγνωση της οστεοπόρωσης. Αναλύοντας δεδομένα από πραγματικές βάσεις με ακτινογραφίες, οι επιστήμονες παρατήρησαν ότι το μοντέλο ήταν ικανό να διαγνώσει περίπου το 88% του συνόλου των περιστατικών οστεοπόρωσης που διαγνώστηκαν με τη χρήση DXA. Ένα πλεονέκτημα του μοντέλου που ανέπτυξε η ομάδα ήταν ότι μπορούσε επίσης να διαγνώσει τη νόσο ανεξαρτήτως της θέσης που είχε ληφθεί η ακτινογραφία, αλλά και του βαθμού συμπίεσης της τελευταίας.
Καταλήγοντας, η ομάδα υποστήριξε ότι το μοντέλο αυτό θα μπορούσε να χρησιμοποιηθεί για την έγκαιρη διάγνωση της οστεοπόρωσης, ιδιαίτερα σε νοσοκομεία ή κέντρα υγείας που δεν έχουν τη δυνατότητα να κάνουν DXA.
Φωτογραφία: Gustavo Fring