Οι υπερυπολογιστές και η μηχανική μάθηση χρησιμοποιούνται για να βοηθήσουν στον εντοπισμό επιθετικών όγκων στον εγκέφαλο.
Ένας από τους πιο συνηθισμένους τύπους ανθρώπινου εγκεφαλικού όγκου με ιδιαίτερα επιθετική μορφή θα μπορεί σύντομα να εντοπιστεί νωρίτερα χάρη στη χρήση των υπερυπολογιστών και της τεχνολογίας μηχανικής μάθησης, σύμφωνα με μια ομάδα εμπειρογνωμόνων από το Πανεπιστήμιο του Τέξας στο Ώστιν.
Σήμερα, οι εξειδικευμένοι ακτινολόγοι είναι αρκετά επιφορτισμένοι με τον ακριβή χαρακτηρισμό των όγκων – αλλά η έρευνα διαπίστωσε ότι οι υπολογισμοί υψηλής απόδοσης θα παίξει σύντομα υποστηρικτικό ρόλο στην διαδικασία αναγνώρισης.
Ο George Biros, καθηγητής μηχανικής στο πανεπιστήμιο, εργάστηκε για σχεδόν 10 χρόνια για να δημιουργήσει αλγόριθμους ηλεκτρονικών υπολογιστών που μπορούν να βοηθήσουν στην αυτόματη σάρωση εικόνων για εντοπισμό γλοιωμάτων – έναν τρομερό τύπο πρωτεύοντος όγκου στον εγκέφαλο.
Η τεχνολογία δεν θα αντικαταστήσει τους ακτινολόγους και τους χειρουργούς, αλλά οι ειδικοί ελπίζουν ότι θα μπορούσε να βελτιώσει τις αξιολογήσεις και να επιταχύνει τις διαγνώσεις.
Παράλληλα με μια ομάδα συνεργατών, η Biros team «δοκίμασε τη νέα τους μέθοδο κατά τη διάρκεια του Multimodal Brain Tumour Segmentation Challenge 2017 (BRaTS 17) – έναν ετήσιο διαγωνισμό όπου παγκόσμιες ερευνητικές ομάδες παρουσιάζουν εξωπραγματικές μεθόδους βασισμένες σε υπολογιστές.
Με τη βοήθεια των υπερυπολογιστών από το Texas Advanced Computing Center (TACC), το σύστημα της ομάδας κατάφερε να τραβήξει τα βλέμματα.
“Η διάγνωση σχετίζεται με τον χαρακτηρισμό του ανώμαλου ιστού σε ασθενείς που πάσχουν από όγκους του γλομιού , την πλέον διαδεδομένη μορφή πρωτοπαθούς όγκου στον εγκέφαλο”, εξήγησε ο Biros.
“Ο στόχος μας είναι να πάρουμε μία ακριβής εικόνα για την κατάσταση κατάσταση του ασθενούς και […] να εντοπίσουμε διαφορετικούς τύπους μη φυσιολογικών ιστών.
“Είναι παρόμοιο με τη λήψη μιας εικόνας της οικογένειας κάποιου και την αναγνώριση του προσώπου για να αναγνωρίσετε κάθε μέλος, αλλά εδώ γίνεται αναγνώριση ιστών και όλα αυτά πρέπει να γίνουν αυτόματα”.
Για την πρόκληση, ο George Biros και η ομάδα του που αποτελείται από δώδεκα φοιτητές και ερευνητές έδωσαν εκ των προτέρων 300 σύνολα εικόνων του εγκεφάλου για να βοηθήσουν “να εκπαιδεύσουν” τους αλγόριθμους τους.
Στη δοκιμή, οι ομάδες έλαβαν δεδομένα από 140 ασθενείς και έπρεπε να εντοπίσουν τη θέση των όγκων και να τα ταξινομήσουν σε διαφορετικούς τύπους ιστών κατά τη διάρκεια μόλις δύο ημερών.
“Σε αυτό το 48ωρο, χρειαζόμασταν ιδιαίτερα υπερβολική επεξεργαστική ισχύ για να επιτευχθεί το αποτέλεσμα”, ανέφερε ο Biros.
Για κάθε εικόνα, το σύστημα προσπάθησε να προσδιορίσει εάν μια περιοχή αντιπροσωπεύει έναν όγκο ή όχι. Η ομάδα Biros team «έτρεξε την ανάλυσή σε λιγότερο από τέσσερις ώρες, και αποδείχθηκε πως ήταν σωστά χαρακτηριζόμενα τα στοιχεία για τις δοκιμές με ακρίβεια σχεδόν 90% – περίπου συγκρίσιμη με τις δυνατότητες των γιατρών ακτινολόγων .
Τώρα, η ελπίδα είναι ότι οι μέθοδοι τους μπορούν να βελτιωθούν, να δοκιμαστούν και να οικοδομηθούν για να ξεπεράσουν τις δυνατότητες των παραδοσιακών τεχνικών ταυτοποίησης.
“Χρησιμοποιήσαμε γρήγορους αλγόριθμους και προσεγγίσεις για να καταστήσουμε αυτή τη μεθοδολογία εφικτή, και είναι επιτακτική ανάγκη αυτό το μοντέλο να στηριχθεί πάνω σε υπερυπολογιστές”, υπογράμμισε ο Biros.
“Έχουμε όλα τα εργαλεία και τις βασικές ιδέες, τώρα τα συνδυάζουμε και βλέπουμε πώς μπορούμε να τα βελτιώσουμε”.
Το σύστημα εκμάθησης μηχανών πρόκειται να αναπτυχθεί στο Πανεπιστήμιο της Πενσυλβάνια μέχρι το τέλος του έτους σε συνεργασία με τον συνεργάτη του Χρήστο Δαβατζικό , διευθυντή του Κέντρου Βιοϊατρικής Υπολογιστικής Εικόνας και Ανάλυσης, ο οποίος είναι και καθηγητής ακτινολογίας.
Ο Biros είπε: “Αυτή ήταν η πρώτη φορά που βάλαμε τα πάντα να δουλέψουν μαζί σε μια εφαρμογή για να κάνουμε τη μέθοδο μας να δουλεύει για ένα πραγματικά δύσκολο πρόβλημα. Δεν είναι καθόλου εύκολο, αλλά είναι εξαιρετικά ικανοποιητικό”.
