Mesterséges intelligencia a kéztőalagút-szindróma diagnosztizálásában

Az IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control folyóiratának januári számában jelent meg az Indiai Tudományos Akadémia és az Aster-CMI Hospital kutatóinak közös cikke, amelyben a kéztőalagút-szindróma diagnózisánál használt ultrahangos képalkotó eljárást teszik mesterséges intelligencia (AI) segítségével sokkal pontosabban láthatóvá, könnyebben értelmezhetővé.

A kéztőalagút-szindróma (CTS; carpal tunnel syndrome) során az alkarból a csuklón át a kézfejbe haladó középideg kerül kompresszió alá a csukló részét képező kéztőalagútban, ami zsibbadást, érzéketlenséget, tapintási zavart és fájdalmat eredményezhet. (Alagút szindróma nem csupán a csuklónkon alakulhat ki, hanem bárhol, ahol testünkben az idegek a csontok-szalagok közt futnak, leggyakoribbnak azonban a kéztőalagút szindróma tekinthető.) A csuklótáji alagút szindróma legfőbb érintettjei a változókorban lévő nők, de az ülőmunka, a folyamatos stressz, az egészségtelen étrend, a számítógép előtt töltött órák és a minden percben kezünkben lévő telefon mind-mind hozzájárulnak ahhoz, hogy a betegség egyre gyakoribbá váljon, és egyre szélesebb rétegeket érintsen. A kézfej és az ujjak monoton mozdulatokkal végzett túlerőltetése előfordulhat a zenészeknél, a kézműveseknél, a varrónőknél, avagy a masszőröknél is, de alapvetően mindenkinél, aki intenzíven, repetitív mozgásokkal használja a kezét. Az alagút szindróma jelei széles skálán mozognak, emiatt sok esetben a beteg először nem is tudja megmagyarázni, pontosan mi a baja. A betegség első tünetei közé tartozik az éjszaka megjelenő fájdalom és kényelmetlen érzés, majd feszülés vagy zsibbadás miatti alvászavar. Az állapot előre haladtával az érintett már napközben is érzékelni fogja a probléma jelenlétét, főleg fájdalom és feszülés formájában.

Az orvosok a diagnózis során ultrahangos eljárással vizsgálják a középideget (nervus medianus) annak érdekében, hogy láthatóvá tegyék méretét (átmérőjét), alakját és az esetleges abnormalitásokat. A röntgenfelvételekkel és az MRI-felvételekkel szemben azonban az ultrahangos képek felbontása, vizualizációs képessége lényegesen rosszabb. A csuklónál, ahol az ideg viszonylag jól látható, még nincs ilyen probléma, de a könyök felé haladva számos olyan struktúra található, amelyek miatt az ideg határvonalai sokkal kevésbé kivehetőek egy normál ultrahangos vizsgálat során. A középideg nyomon követése ráadásul olyan kezelések esetében is fontos lehet, amikor az orvos helyi érzéstelenítést kíván alkalmazni a kézfejen, vagy a nervus medianus blokádjával szeretne fájdalmat csillapítani.

Itt jön képbe az indiai kutatók által kifejlesztett innováció. A mérnökökből és orvosokból álló csapat egy olyan gépi tanulásos modellt alkalmazott, amely nagyon hasonló a ChatGPT által használthoz. Ezt a modellt eredetileg arra fejlesztették ki, hogy YouTube videók alatt több objektumot is egyszerre legyen képes felismerni a képernyőn - ezt a kutatók a leginkább számításigényes elemek elhagyásával egyetlen objektumra szűkítették le, a középidegre. A modell betanításához egészséges és CTS-ben szenvedő betegek ultrahang-videóit használták fel, és ezt követően a modell képessé vált a középideg szegmentálására és kontúrjainak kiemelésére az ultrahangvizsgálat alatt készített videók minden egyes képkockáján. Egyszerű kontúrozásnál azonban lényegesen többről van szó: a modell automatikusan méri a középideg keresztmetszeti területét, ami a CTS diagnózisának egyik legfontosabb kritériuma. Ezt a mérést régebben a radiológusok kézzel végezték, de a modell automatizálja ezt a folyamatot. Az eddigi eredmények szerint a csuklótájéki régióban a mérések pontossága több mint 95%.

Bár korábban számos gépi tanulásos módszert fejlesztettek a világ minden táján CT és MRI vizsgálatok eredményeinek értékelésére, ultrahangos képalkotás (különösen neurológiai felvételek) elemzésének céljára alig néhány ilyen algoritmus készült. Ez adja a fejlesztés egyik kuriózumát, de a kutatók szerint a másik innováció az lesz, hogy a most még csak egyetlen idegre betanított modellt a felső és az alsó végtagok összes idegére kiterjesztik.

“A modell igen könnyen alkalmazható: a vizsgáló orvos a hagyományos ultrahang monitor mellett egy másik monitort is kap, amin a modell fut. A hagyományos monitoron láthatja az ideget, a plusz képernyőn pedig a modell valós időben kontúrozza az ideget, és megjeleníti az ideg keresztmetszeti területét is.”

A fejlesztők olyan ultrahangos eszközök gyártóit is keresik, akik hajlandók lennének integrálni a modellt már meglévő készülékeikbe.

Írásunk az alábbi közlemények alapján készült:

AI tool aids in screening ultrasound videos for carpal tunnel syndrome

Transformer-Based Automated Segmentation of the Median Nerve in Ultrasound Videos of Wrist-to-Elbow Region

Irodalmi hivatkozás:

K. R. Gujarati, et al, Transformer-based Automated Segmentation of the Median Nerve in Ultrasound Videos of Wrist-to-Elbow Region, IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control (2023). DOI: 10.1109/TUFFC.2023.3330539