Στην Υπολογιστική Καρδιολογία συνδιαλέγονται πολλά πεδία, από την Υπολογιστική Μοντελοποίηση μέχρι τη Βιολογία, ανοίγοντας νέους δρόμους στη διάγνωση και τη θεραπεία των καρδιαγγειακών νοσημάτων. Ο δρ Λάμπρος Αθανασίου, μεταδιδατορικός ερευνητής του ΜΙΤ και της Canon USA - Ιατρικά Συστήματα, μιλά στο «Πρίσμα» για τις εξελίξεις στο πεδίο, τις νέες δυνατότητες που φέρνει αλλά και την καινοτόμο έρευνά του που οδήγησε σε κατάθεση πατέντας από το ΜΙΤ.
Τι αφορά το πεδίο της Υπολογιστικής Καρδιολογίας και ποιες εξελίξεις έκαναν δυνατή την εμφάνισή του;
Κατ’ αρχάς ο όρος Υπολογιστική Καρδιολογία είναι νέος, το πεδίο όμως δεν είναι και τόσο νέο. Υπάρχει και εξελίσσεται τα τελευταία είκοσι χρόνια και αποτελείται από διαφορετικά επιστημονικά πεδία, τα κυριότερα από τα οποία είναι η Ιατρική Απεικόνιση, η Υπολογιστική Μοντελοποίηση και η Πληροφορική της Υγείας. Η εξέλιξη κάθε πεδίου έχει συμβάλει στη δημιουργία του όρου Υπολογιστική Καρδιολογία, με το πεδίο να εξελίσσεται πλέον ραγδαία τα τελευταία χρόνια. Αν και είναι από τη φύση του διεπιστημονικό, ενσωματώνοντας στοιχεία από ποικίλους κλάδους, θα πρέπει πλέον να το αντιμετωπίζουμε ως μια ενοποιημένη κοινότητα.
Tα τρία παραπάνω επιστημονικά πεδία υφίστανται ως ένα συνεκτικό σύνολο όπως είπαμε, αναλύοντας όμως κάθε πεδίο ξεχωριστά μπορούμε να κατανοήσουμε καλύτερα την εξέλιξη της Υπολογιστικής Καρδιολογίας.
Πρώτα απ’ όλα, ας δούμε την Ιατρική Απεικόνιση, που διαδραματίζει εξέχοντα ρόλο στην έρευνα και την κλινική πρακτική και σημειώνει εξαιρετική πρόοδο τα τελευταία χρόνια. Όπως συνήθως συμβαίνει στην επιστήμη, η εξέλιξη σε ένα πεδίο της επιταχύνει την εξέλιξη σε κάποιο ή κάποια άλλα πεδία. Η πρόοδος στην Ιατρική Απεικόνιση, για παράδειγμα, οδηγεί στην απεικόνιση των καρδιακών αγγείων και ολόκληρης της καρδιάς με υψηλότερη ευκρίνεια. Ως αποτέλεσμα έχουμε τη βέλτιστη αναπαράσταση των αγγειακών τοιχωμάτων, όπου μπορούμε πλέον να έχουμε ακριβέστερη ανάλυση της σύνθεσης της αθηρωματικής πλάκας και των αγγειακών στενώσεων. Αυτή η λεπτομερής απεικόνιση επιτρέπει με τη σειρά της την παραγωγή τρισδιάστατων (3D) απεικονίσεων των αγγείων, τα οποία οδηγούν στη δημιουργία ρεαλιστικών 3D υπολογιστικών μοντέλων. Επιπλέον, αυξάνουν την ποσότητα των παραγόμενων κλινικών δεδομένων, τα οποία με τη σειρά τους ενισχύουν το πεδίο της Καρδιαγγειακής Πληροφορικής και της Πληροφορικής Της Υγείας.
Μιλώντας για τις εξελίξεις που συνέβαλαν στην ανάπτυξη αλλά και στη γέννηση της Υπολογιστικής Καρδιολογίας, θα πρέπει να μιλήσουμε επίσης για την Πληροφορική και τη Βιολογία. Όσον αφορά την εξέλιξη της Πληροφορικής αναφερόμαστε τόσο στην ανάπτυξη νέων αλγορίθμων - λογισμικών όσο και στην κατασκευή νέων εξαρτημάτων (hardware). Η Βιολογία, με τη βοήθεια της Βιοπληροφορικής, έχουν δώσει νέες κατευθύνσεις όσον αφορά την κατανόηση της αθηρωσκλήρωσης. Η έρευνα που διεξάγεται στην Καρδιαγγειακή Απεικόνιση ενισχύει τις μελέτες για την κατανόηση της αθηροσκλήρωσης, που με τη σειρά τους βοηθούν στην εξέλιξη της Βιολογίας κ.ο.κ. Συνοψίζοντας, η Υπολογιστική Καρδιολογία είναι το αποτέλεσμα της συνένωσης της Ιατρικής Απεικόνισης, της Υπολογιστικής Μοντελοποίησης και της Πληροφορικής της Υγείας, με τις εξελίξεις στο πεδίο της Πληροφορικής να αποτελούν τον καταλύτη αυτής της συνένωσης.
Ποιες δυνατότητες προσφέρει η δημιουργία ρεαλιστικών τρισδιάστατων υπολογιστικών μοντέλων των αγγείων και της καρδιάς;
Η απεικόνιση της καρδιάς, και πιο συγκεκριμένα των στεφανιαίων αρτηριών, μπορεί να επιτευχθεί με διαφορετικούς τρόπους, που χωρίζονται σε μη επεμβατικούς και επεμβατικούς. Ο κάθε τρόπος έχει τα υπέρ και τα κατά του. Στα υπέρ του μη επεμβατικού είναι ότι δεν έχουμε κάποιο ρίσκο για τον ασθενή κατά τη διάρκεια της απεικόνισης, είναι 100% ασφαλής θα λέγαμε, και επίσης μπορούμε να έχουμε και τις τρεις διαστάσεις του αγγείου που απεικονίζεται. Μπορούμε να δούμε δηλαδή την αρτηρία στον τρισδιάστατο χώρο. Αυτό όμως που χάνουμε είναι η λεπτομέρεια στη σύνθεση του τοιχώματος. Η μαγνητική και η αξονική τομογραφία είναι δύο μη επεμβατικές μέθοδοι.
Όσον αφορά τις επεμβατικές μεθόδους, αναφερόμαστε σε εκείνες που γίνονται με τη χρησιμοποίηση καθετήρα, ο οποίος εισέρχεται συνήθως από τη μηριαία αρτηρία. Είναι μεν ασφαλής τρόπος, αλλά σπανίως μπορεί να παρουσιάσει κάποιος επιπλοκές, ανάλογα με την κατάσταση του ασθενή. Οι επεμβατικές μέθοδοι μπορούν να μας δώσουν πλέον εξαιρετική λεπτομέρεια όσον αφορά τη σύνθεση του αρτηριακού τοιχώματος. Επεμβατικές μέθοδοι είναι ο ενδοαγγειακός υπέρηχος και η οπτική τομογραφία συνοχής. Μειονέκτημά τους όμως είναι ότι δεν μπορούν να μας δώσουν απευθείας την 3D αναπαράσταση της αρτηρίας (σε συνδυασμό με τη μέθοδο της στεφανιογραφίας βέβαια μπορούν).
Έχοντας λοιπόν την 3D απεικόνιση των αρτηριών, μπορούμε να παράγουμε 3D υπολογιστικά μοντέλα που είναι πλέον ρεαλιστικά, ίδιων διαστάσεων και ανατομίας με την αρτηρία του ασθενούς, και μπορούν να χρησιμοποιηθούν για την πραγματοποίηση προσομοιώσεων μέσω υπολογιστή. Η προσομοίωση μπορεί να περιλαμβάνει, για παράδειγμα, την προσομοίωση της ροής του αίματος για τον υπολογισμό των πιέσεων του τοιχώματος σε κάθε περιοχή του αγγείου ή την προσομοίωση της τοποθέτησης ενός στεντ. Αυτό είναι εξαιρετικής σημασίας, γιατί μπορούμε να προβλέψουμε τη συμπεριφορά της αρτηρίας σε μια θεραπεία που θέλει ο γιατρός να εφαρμόσει. Για παράδειγμα, η προσομοίωση μπορεί να δείξει ότι η τοποθέτηση στεντ σε ένα συγκεκριμένο σημείο μπορεί να οδηγήσει στο «σπάσιμο» του αγγείου, με καταστροφικές συνέπειες για τον ασθενή. Θα μπορούσα να πω ότι οι δυνατότητες που προσφέρουν τα ρεαλιστικά τρισδιάστατα υπολογιστικά μοντέλα είναι τεράστιες.
Τι βοήθεια παρέχουν στους γιατρούς οι νέες απεικονιστικές τεχνικές όσον αφορά τη διάγνωση και την παρέμβαση; Πώς αναμένεται να επηρεάσουν τα εμπλεκόμενα πεδία η συσσώρευση και ο διαμοιρασμός των δεδομένων;
Όπως ήδη αναφέραμε, οι απεικονιστικές μέθοδοι έχουν εξελιχθεί και συνεχίζουν να εξελίσσονται ραγδαία τα τελευταία χρόνια, ενισχύοντας την προσπάθεια για μια «καλύτερη» ιατρική εικόνα. Οι γιατροί βέβαια είναι οι τελικοί χρήστες της εικόνας και αυτοί που αποφασίζουν για την κατάλληλη θεραπεία. Οι νέες απεικονιστικές μέθοδοι βοηθούν στην καλύτερη κατανόηση και τελικά στη λήψη αποφάσεων με περισσότερα στοιχεία.
Για να μπορέσουμε να κατανοήσουμε πώς οι νέες μέθοδοι συμβάλλουν στην εξέλιξη της ιατρικής απόφασης, θα αναφέρω σαν παράδειγμα την οπτική τομογραφία συνοχής ή Optical Coherence Tomography όπως είναι το αγγλικό της όνομά της. Η τεχνολογία χρησιμοποιείται κυρίως τα τελευταία δέκα χρόνια και πλέον τείνει να αποτελέσει την κλασική μέθοδο της επεμβατικής Καρδιολογίας. Η ανάγνωση της οπτικής τομογραφίας συνοχής έχει συγκεκριμένα όρια, που εξαρτώνται από την εμπειρία και τις δυνατότητες του ειδικού - γιατρού. Μια εξέλιξη αυτής της τεχνολογίας είναι η οπτική τομογραφία συνοχής, η οποία βοηθά στον εντοπισμό επικίνδυνων περιοχών πάνω στην εικόνα. Περιοχές, δηλαδή, που είναι πιο πιθανό να καταρρεύσει το τοίχωμα και να έχουμε έμφραγμα του μυοκαρδίου. Αυτή η εξέλιξη της ήδη υπάρχουσας μεθόδου δίνει νέες δυνατότητες για τη λήψη κλινικών αποφάσεων, αποφάσεων που μπορούν να σώσουν τη ζωή του ασθενούς.
Παράλληλα, ένα από τα πλεονεκτήματα της συνεχόμενης εξέλιξης των απεικονιστικών μεθόδων είναι η παραγωγή ενός ασύλληπτου όγκου δεδομένων που μπορούμε να αποθηκεύσουμε και να επεξεργαστούμε. Ο διαμοιρασμός των δεδομένων αυτών βέβαια είναι περίπλοκο θέμα, διότι εγείρονται ζητήματα ευαισθησίας προσωπικών δεδομένων κ.τ.λ. Τα δεδομένα αυτά μπορούμε να τα εκμεταλλευτούμε και, χρησιμοποιώντας μηχανική μάθηση, να αναπτύξουμε έξυπνα συστήματα διάγνωσης. Η χρήση των απεικονιστικών δεδομένων και η παραγωγή τρισδιάστατων υπολογιστικών μοντέλων καρδιακής ανατομίας που μπορούν να συνδυαστούν με κλινικά δεδομένα ενισχύουν την κατανόηση και τη θεραπεία των καρδιαγγειακών νοσημάτων.
Τι αφορά η δική σου έρευνα στο Harvard Medical School και στο MIT;
Η δική μου έρευνα τόσο στο MIT όσο και στο Harvard Medical School και το Brigham’s and Women’s Hospital αφορά την επεξεργασία ιατρικής εικόνας και τη μηχανική μάθηση. Η έρευνά μου είναι πάνω σε καρδιαγγειακές υπολογιστικές μεθόδους που βασίζονται κυρίως σε εικόνα και μηχανική μάθηση. Θα προσπαθήσω να δώσω κάποια συγκεκριμένα παραδείγματα.
Χρησιμοποιώντας την καρδιαγγειακή εικόνα, έχω αναπτύξει καινοτόμες μεθόδους για τη 3D αναπαράσταση των αγγείων, των στεντ, καθώς και μεθόδους για την κατηγοριοποίηση της αθηροσκλήρωσης. Δημιουργώντας μαθηματικούς αλγορίθμους, κατασκευάζω τα 3D μοντέλα χρησιμοποιώντας αλγορίθμους μηχανικής και βαθέως μάθησης χαρακτηρίζω την αθηρωματική πλάκα του αρτηριακού τοιχώματος και πραγματοποιώντας υπολογιστικές προσομοιώσεις προσπαθώ να προβλέψω μελλοντικά κλινικά γεγονότα.
Η πιο πρόσφατη ερευνητική μου δουλειά αφορά τη δημιουργία ενός αλγορίθμου που ξεπερνά τις δυσκολίες που έχει η οπτική τομογραφία συνοχής και μπορεί πλέον να ανιχνεύει ολόκληρο το αρτηριακό της τοίχωμα και να το κατηγοριοποιεί σε διαφορετικούς παθολογικούς ιστούς. Η δημιουργία ενός τέτοιου αλγορίθμου, που παρουσιάζεται για πρώτη φορά, είναι ιδιαίτερα σημαντική και για τον λόγο αυτό το ΜΙΤ έχει υποβάλει τη μέθοδο ως ευρεσιτεχνία (U.S. patent) με τη δική μου συμμετοχή σ’ αυτή.
Εδώ θα ήθελα να πω δυο λόγια για τις δυνατότητες που σου δίνει τόσο το ΜΙΤ και το Harvard όσο και η περιοχή του Cambridge της Βοστώνης. Οι δυνατότητες δημιουργίας συνεργασιών και αξιοποίησης της έρευνάς σου είναι τεράστιες. Για παράδειγμα, είχα τη δυνατότητα να ξεκινήσω τη συνεργασία μου με πολυεθνική εταιρεία που έχει εργαστήρια στην περιοχή του ΜΙΤ και εξειδικεύεται στις ιατρικές συσκευές ώστε οι αλγόριθμοι που έχω αναπτύξει και συνεχίζω να αναπτύσσω να γίνουν ιατρικό προϊόν και να χρησιμοποιούνται ευρέως στα νοσοκομεία. Ίσως δηλαδή τα επόμενα χρόνια κάποιο από τα ιατρικά συστήματα Υπολογιστικής Καρδιολογίας στα νοσοκομεία του κόσμου και της Ελλάδας να φέρει κατά κάποιον τρόπο και τη δική μου υπογραφή μεταξύ όλων των άλλων.
Ποιες είναι οι προκλήσεις που καλείστε να αντιμετωπίσετε στην Υπολογιστική Καρδιολογία με στόχο την καλύτερη διάγνωση στο μέλλον;
Οι προκλήσεις που έχουμε να αντιμετωπίσουμε όλοι, μηχανικοί, κλινικοί ιατρικοί, επιστήμονες, εταιρείες κ.λπ. είναι αρκετές. Αρχικά, το πιο βασικό θα έλεγα ότι είναι η εκπαίδευση των γιατρών. Αυτό είναι ίσως η πιο σημαντική πρόκληση, γιατί απώτερος στόχος της Υπολογιστικής Καρδιολογίας είναι να συμβάλει στη θεραπεία των ασθενών χρησιμοποιώντας την αιχμή της τεχνολογίας. Ο τελικός της χρήστης, που είναι ο γιατρός, θα πρέπει να γνωρίζει τι είναι αυτό που χρησιμοποιεί, δηλαδή πώς λειτουργεί η σχετική τεχνολογία.
Μπορούμε να δώσουμε ένα απλό παράδειγμα για τα έξυπνα συστήματα αυτόματης διάγνωσης εικόνων σαν αυτό που περιέγραψα στην έρευνά μου. Αυτά είναι γνωστά στο κοινό ως ιατρικά συστήματα Τεχνητής Νοημοσύνης και σήμερα χρησιμοποιούν τη λεγόμενη βαθιά μάθηση (deep learning). Για τη συνεχόμενη βελτίωση αυτών των συστημάτων απαιτούνται όλο και περισσότερες εικόνες, οι οποίες πρέπει να είναι προσημειωμένες από τους γιατρούς ώστε ο αλγόριθμος να μπορεί να μάθει να αναγνωρίζει κάθε νέα εικόνα, ιδανικά εντοπίζοντας τα σημεία που θα σημείωνε και ο γιατρός. Ο γιατρός λοιπόν θα πρέπει να έχει πλήρη γνώση για το πώς δουλεύει το μηχάνημα Τεχνητής Νοημοσύνης ώστε να μπορεί να του προσφέρει την τέλεια εικόνα για να το κάνει πιο έξυπνο. Θα πρέπει δηλαδή να εκπαιδευτεί σαν δάσκαλός του. Οι ιατρικές σχολές θα πρέπει να μελετήσουν καλύτερα τις σημερινές ανάγκες και να εισάγουν ίσως κάποιο υποχρεωτικό μάθημα πάνω σ’ αυτό. Είναι κάτι που ήδη έχει αρχίσει εδώ στην Αμερική.
Μια άλλη πρόσκληση είναι η περεταίρω ανάπτυξη της τεχνολογίας, ώστε κάποιες διεργασίες της Υπολογιστικής Καρδιολογίας να γίνονται γρηγορότερα. Η προσομοίωση των καρδιαγγειακών μοντέλων μπορεί να χρειαστεί ώρες, πράγμα που καθιστά αδύνατη την εφαρμογή της την ώρα της επέμβασης για παράδειγμα. Οι περιορισμοί στον διαμοιρασμό των δεδομένων επιβραδύνουν τη ραγδαία διάδοση της υπολογιστικής νοημοσύνης.
Θεωρώ ότι η μελέτη της Ιστορίας μάς δείχνει τον τρόπο με τον οποίο μπορούμε να κινηθούμε στο μέλλον. Τα σύγχρονα τεχνολογικά και επιστημονικά επιτεύγματα μπορούν να παρουσιάσουν νέες προσεγγίσεις για τη θεραπεία καρδιαγγειακών παθήσεων. Το ταξίδι μπορούμε να πούμε ότι έχει μόλις αρχίσει…
* Ο δρ Λάμπρος Αθανασίου γεννήθηκε στα Ιωάννινα, σπούδασε στο Πανεπιστήμιο Αιγαίου (πτυχίο) και στο Πανεπιστήμιο Ιωαννίνων (διδακτορικό) και μετέβη το 2015 ως μεταδιδατορικός υπότροφος του ΜΙΤ Χάρβαντ στις ΗΠΑ. Σήμερα είναι ερευνητής του ΜΙΤ και της Canon USA - Ιατρικά Συστήματα. Η έρευνά του αφορά την επεξεργασία ιατρικής εικόνας, τη μηχανική μάθηση και τα ευφυή ιατρικά συστήματα.
