Μια ομάδα ερευνητών του University of Surrey παρουσίασε ένα νέο σύστημα τεχνητής νοημοσύνης που υπόσχεται να αλλάξει ριζικά τον τρόπο με τον οποίο γιατροί και ασθενείς αντιμετωπίζουν την οστεοαρθρίτιδα. Η ιδέα είναι τόσο εντυπωσιακή όσο και πρακτική: η AI δημιουργεί μια μελλοντική εκδοχή της ακτινογραφίας του γονάτου, δείχνοντας πώς ενδέχεται να εξελιχθεί η φθορά της άρθρωσης σε διάστημα ενός έτους. Η τεχνολογία, που παρουσιάστηκε στο MICCAI 2025, μετατρέπει μια απλή ακτινογραφία σε εργαλείο πρόβλεψης, συνδυάζοντας εικόνα και προσωπικό δείκτη κινδύνου για μια ολοκληρωμένη απεικόνιση της πορείας της νόσου.
Η οστεοαρθρίτιδα αφορά περισσότερα από 500 εκατομμύρια ανθρώπους παγκοσμίως και αποτελεί μια από τις κυριότερες αιτίες αναπηρίας στους ηλικιωμένους. Παρά την εξάπλωσή της, οι τρόποι πρόβλεψης της πορείας της παραμένουν περιορισμένοι, συχνά αργοί και δύσκολα κατανοητοί για τους ασθενείς. Η ομάδα του Surrey έρχεται να καλύψει αυτό το κενό με ένα AI σύστημα που λειτουργεί γρήγορα, διαφανώς και με εντυπωσιακή ακρίβεια. Η εκπαίδευση του συστήματος βασίστηκε σε σχεδόν 50.000 ακτινογραφίες από περίπου 5.000 ασθενείς, μια από τις μεγαλύτερες συλλογές δεδομένων στον χώρο.
Ο David Butler, επικεφαλής της έρευνας στο CVSSP και στο Institute for People-Centred AI, περιγράφει τη φιλοσοφία του έργου με ένα παράδειγμα: οι περισσότεροι ασθενείς λαμβάνουν έναν αριθμό που εκφράζει τον κίνδυνο επιδείνωσης, αλλά αυτό σπάνια αρκεί για να αντιληφθούν τι πραγματικά συμβαίνει στο σώμα τους. Αντίθετα, όταν βλέπουν δίπλα-δίπλα τη σημερινή ακτινογραφία και μια ρεαλιστική μελλοντική εικόνα, το μήνυμα γίνεται πιο άμεσο. Η οπτικοποίηση της πιθανής εξέλιξης λειτουργεί τόσο ως κινητοποίηση όσο και ως μέσο καλύτερης συνεργασίας με τον γιατρό.
Στο επίκεντρο βρίσκεται ένα μοντέλο διάχυσης (diffusion), μια προηγμένη παραγωγική αρχιτεκτονική που έχει χρησιμοποιηθεί με επιτυχία και σε άλλες εφαρμογές παραγωγής εικόνας. Το AI δεν δημιουργεί απλώς μια εικόνα για επίδειξη, αλλά εντοπίζει ταυτόχρονα και 16 κρίσιμα σημεία στην άρθρωση του γονάτου, επισημαίνοντας τις περιοχές όπου αναμένονται αλλαγές. Αυτή η διαφάνεια είναι σημαντική: δεν προσφέρει απλά μια πρόβλεψη, αλλά μια εικόνα που εξηγεί γιατί η μηχανή καταλήγει στο συγκεκριμένο συμπέρασμα.
Η ταχύτητα αποτελεί ένα ακόμη καθοριστικό πλεονέκτημα. Σύμφωνα με τους ερευνητές, το σύστημα είναι έως και εννέα φορές γρηγορότερο από προηγούμενα μοντέλα, κάτι που το καθιστά πιο εύκολο να ενσωματωθεί στην καθημερινή ροή μιας κλινικής. Ο συνδυασμός ταχύτητας και αξιοπιστίας ανοίγει τον δρόμο για χρήση όχι μόνο σε μεγάλες ερευνητικές μονάδες αλλά και σε τυπικά νοσοκομεία, όπου ο χρόνος και η ευκολία χρήσης είναι κρίσιμα στοιχεία.
Ο Gustavo Carneiro, καθηγητής AI και Machine Learning στο CVSSP, σημειώνει ότι παλαιότερες μέθοδοι έδιναν μεν έναν δείκτη κινδύνου, αλλά αργούσαν και δεν βοηθούσαν πραγματικά τους γιατρούς να κατανοήσουν ή να αιτιολογήσουν την πρόβλεψη. Η νέα προσέγγιση προσφέρει μια καθαρή απεικόνιση του τι μπορεί να αλλάξει στην άρθρωση και πού ακριβώς εντοπίζεται ο κίνδυνος. Το στοιχείο αυτό μπορεί να συμβάλει σε πιο έγκαιρες παρεμβάσεις, από φαρμακευτική αγωγή μέχρι αλλαγές τρόπου ζωής, προτού η βλάβη γίνει μη αναστρέψιμη.
Μελλοντικά, η ομάδα φιλοδοξεί να επεκτείνει την τεχνολογία σε άλλες χρόνιες παθήσεις. Η ίδια αρχή θα μπορούσε να χρησιμοποιηθεί για να προβλεφθεί η εξέλιξη ζημιών στους πνεύμονες καπνιστών ή να χαρτογραφηθεί η πορεία καρδιολογικών προβλημάτων με τρόπο που να δίνει στους ασθενείς ξεκάθαρη εικόνα του μέλλοντός τους. Ήδη αναζητούν συνεργασίες με νοσοκομεία ώστε το σύστημα να περάσει από το ερευνητικό στάδιο στην καθημερινή κλινική πράξη.
