Ultraäänikuvien muuntaminen CT-muotoiseksi kuvantamiseksi tekoälyyn perustuvan oppimisen avulla

Lääketieteellisen kokeen tausta ja perustelut:

Ultraäänikuvaus on kuvantamismenetelmä, joka käyttää ääniaaltoja luonnehtimaan eri elinten rakennetta ja toimintaa terveydellisissä ja sairauksissa. Tätä tekniikkaa käytetään laajalti kliinisessä jokapäiväisessä elämässä ja sillä on monia etuja. Tutkimukseen ei liity ionisoivan säteilyn käyttöä, joten sen käyttö on turvallisempaa kuin muut tekniikat, kuten röntgenkuvat tai CT-skannaukset (Computed Tomography). Ultraäänilaitteella otetut ja katsotut kuvat ovat reaaliaikaisia, joten muutokset voidaan tunnistaa, mikä monissa tapauksissa vaikuttaa lopulliseen diagnoosiin. Testi on noninvasiivinen, eikä se vaadi varjoaineen käyttöä, joka sisältää aineita, jotka voivat aiheuttaa allergisen reaktion tai heikentää munuaisten toimintaa. Lisäksi laitteita on laajalti saatavilla, ja niitä voidaan käyttää myös sängyn vieressä. Mainittujen etujen lisäksi ultraäänitestillä on myös huomattavia haittoja. Ultraääniaallot eivät tunkeudu hyvin luiden tai ilman läpi, mikä heikentää testin laatua. Lisäksi menetelmä on erittäin riippuvainen operaattorin taidosta, joten riittävän laadukkaan tiedon tuottaminen ja tarkan diagnoosin tekeminen edellyttää huomattavaa kokemusta. Testin laatu riippuu myös koehenkilön yhteistyöstä testin aikana, kuten asennon muutoksista ja syvästä hengityksestä.

Ultraäänitutkimukseen verrattuna TT-skannaus mahdollistaa laajemman anatomisen kuvan, eikä sitä rajoita fysiologiset tekijät, kuten luut ja ilma. TT-tutkimuksen merkittävimpiä puutteita ovat se, että testi vaatii ionisoivaa säteilyä, joka väistämättä aiheuttaa suoran ja välillisen vaaran potilaan terveydelle. Lisäksi testi vaatii enemmän taloudellisia ja työvoimaresursseja, mikä rajoittaa sen käyttöä sairaalan ulkopuolella tai maissa, joissa sosioekonominen asema on huono.

Tässä tutkimuksessa tutkijat pyrkivät kuromaan umpeen näiden kahden tekniikan välisen kuilun ja luomaan yhtenäisen järjestelmän, joka hyödyntää molempia. Tämä tehdään luomalla CT-kuvia ultraäänikuvista. Tässä prosessissa käytetään tekoälymenetelmiä, nimittäin koneoppimisalgoritmeja.

Koneoppiminen yleensä ja erityisesti syväoppiminen ovat voimistuneet viime vuosina tietokonenäön ja viime aikoina myös lääketieteellisen kuvantamisen alalla. Lisäksi merkittäviä onnistumisia on jo nähtävissä verkkokalvon sairauksien luokittelussa, jossa anturi on silmänpohjakamera tai optinen koherensitomografia (OCT), luokittelussa Rintojen magneettikuvauksessa 3 ja viime aikoina mm. Koronaviruksen aiheuttaman taudin vaikeusasteen luokittelu rintakehän röntgen- ja ultraäänitutkimuksilla.

Koneoppiminen sisältää kaksi vaihetta. Ensimmäisessä vaiheessa algoritmi harjoittelee merkittyä dataa käyttämällä arkkitehtuureja ja kohdetoimintoja, jotka mahdollistavat suuren tarkkuuden saavuttamisen. Toisessa vaiheessa tutkijat testaavat algoritmia tiedoilla, joita ei ole vielä havaittu. On syytä huomata, että suuri määrä tagged dataa voi olla erittäin hyödyllinen algoritmin kehittämisessä, mutta samaan aikaan merkityn datan tuottaminen voi olla vaikeaa ja se voi olla pitkä ja kallis prosessi. Siksi tutkijat käyttävät valvomattomia tai puolivalvottuja lähestymistapoja.

Lääketieteellisen tutkimuksen tavoitteet: Sonografisen ja radiografisen tiedon toimittaminen tekoälyjärjestelmään TT-kuvien luomiseksi ultraäänikuvista, jotta voidaan mahdollistaa parempi avaruudellinen orientaatio sekä skannattujen anatomisten rakenteiden parempi karakterisointi.

Tutkimustyyppi: Prospektiivinen, avoin tutkimus, jossa sekä lääkäri että potilas ovat tietoisia skannauksen tavasta ja tarkoituksesta.

Kokeellinen menettely: Tutkimuskriteerit täyttäville osallistujille tehdään täydellinen vatsaelinten ultraäänitutkimus kliinisellä ultraäänilaitteella Haemek-lääkärikeskuksen kuvantamisinstituutissa. Kokeen arvioitu kesto on 20 minuuttia. Ultraäänikuvat yhdistetään visuaalisesti saman potilaan aikaisempiin TT-kuviin tutkimushetkellä käyttämällä Fusion-järjestelmää, joka sijaitsee yllä mainitussa ultraäänilaitteessa.

Huomioithan, että jos osallistuja tulee kliiniseen ultraäänitutkimukseen, jonka piti joka tapauksessa tapahtua, hän läpäisee kliinisen tutkimuksen tavalliseen tapaan ja käy sitten erikseen yllä kuvatun tutkimuksen osana tutkimusta.

Yhdistetyt CT- ja ultraäänikuvat koodataan ja lähetetään Weizmann-instituutin SAMPL-laboratorioon, jossa kuvat toimivat oppimisalustana tekoälyjärjestelmälle. Kuvat siirretään vasta sen jälkeen, kun kohteen henkilötiedot on koodattu EXCEL-tiedostoon ja päätutkija on tallentanut. Vain johtava tutkija ja toissijaiset tutkijat altistuvat esikoodatuille tiedoille, jotka tallennetaan päätutkijan omalle tietokoneelle salasanalla suojattuna.

Kerättyä koodattua tietoa välitetään jatkuvasti tutkimuksen aikana Weizmann-instituutille, jotta varmistetaan hyvä tiedonhankinta ja mahdollisuus saada reaaliaikaista palautetta johtavalle tutkijalle paremman aineiston analysoinnin mahdollistavan tiedon hankkimiseksi.

Kaikissa SAMPL-laboratorion tulevissa hakemuksissa osallistujien yksityiskohtien saamiseksi sen on otettava yhteyttä sarjanumeroon, kun koodausavain on yksinomaan kliinisessä paikassa (Haemek-sairaala). Weizmann-instituutin SAMPL-laboratorio ei altistu millään tavalla ja missään kokeen vaiheessa osallistujien tunnistamiselle.

Osallistujien seuranta ja lääketieteellisten löydösten raportointi

Jos tutkimuksen aikana havaitaan potilaan terveydelle tärkeitä odottamattomia lääketieteellisiä löydöksiä, on päätutkijan vastuulla siirtää ne viipymättä hoitavalle lääkärille jatkoseurantaa ja -hoitoa varten normaalin sairaanhoidon tarpeen mukaan. Osallistujia ei seurata kokeellisen skannauksen jälkeen osana kliinistä tutkimusta.