Η ιατρική απεικόνιση και οι εφαρμογές της πληροφορικής στην επεξεργασία της εικόνας έδωσαν μεγάλη ώθηση στην εξέλιξη της ιατρικής επιστήμης τις τελευταίες δεκαετίες.
Οι ταχύτατες τεχνολογικές εξελίξεις τις τελευταίες δεκαετίες έχουν δημιουργήσει πολλαπλές εφαρμογές απεικόνισης στον ευρύτερο χώρο της ιατρικής (εικόνα 1). Ειδικά στον τομέα της οφθαλμολογίας, τα τελευταία 20 χρόνια παρουσιάζονται συνεχώς νέες τεχνικές εξέτασης και απεικόνισης του οφθαλμού, με ολοένα και υψηλότερη ανάλυση. Οι απεικονιστικές τεχνικές έχουν προσφέρει σημαντικότατες νέες πληροφορίες στη μελέτη των οφθαλμολογικών νοσημάτων και αποτελούν σημαντικά διαγνωστικά εργαλεία αλλά και μέσα για την παρακολούθηση και αξιολόγηση των θεραπευτικών παρεμβάσεων. Για τον λόγο αυτό, έχει δημιουργηθεί ένας καινούριος τομέας έρευνας κάτω από το γενικότερο όρο «ΙΑΤΡΙΚΗ ΑΠΕΙΚΟΝΙΣΗ», ο οποίος μελετάει διαδικασίες και εφαρμογές επεξεργασίας και ανάλυσης των εικόνων. Καθώς οι εξελίξεις στον τομέα αυτό επιταχύνονται συνεχώς, είναι ιδιαίτερα χρήσιμο και απαραίτητο να γνωρίζουμε τις βασικές αρχές της ιατρικής απεικόνισης και τη βασική ορολογία που χρησιμοποιείται για την αξιολόγηση και τη επεξεργασία μιας εικόνας προκειμένου αυτή να μετατραπεί σε χρήσιμη κλινική πληροφορία.
Εικόνα 1
Ο ρόλος της ιατρικής απεικόνισης
Η απεικόνιση σε όλη την ιατρική επιστήμη υιοθετήθηκε άμεσα και προσέφερε ερευνητική έκρηξη για πολλούς λόγους. Καταρχάς, επιτρέπει την αντικειμενοποίηση της κλινικής εξέτασης καθώς δεν βασίζεται στη κλινική αίσθηση του γιατρού ή στις περιγραφικές ικανότητες και την κλινική σημειολογία αλλά σε εικόνες πάνω στις οποίες οι γιατροί μπορούν να συζητούν και να αναλύουν φτάνοντας σε μια κοινά αποδεκτή μετάφραση της εικόνας. Έτσι, δημιουργούνται πολύ πιο εύκολα κριτήρια ταξινόμησης και σταδιοποίησης ή διαγνωστικά κριτήρια που επιτρέπουν τη δημιουργία κοινής γλώσσας ανάμεσα στους επιστήμονες όλου του κόσμου. Η κοινή γλώσσα είναι απαραίτητη προϋπόθεση για τον σχεδιασμό πολυκεντρικών μελετών και την οργάνωση ερευνητικών προγραμμάτων σε παγκόσμιο επίπεδο.
Η εφαρμογή πολλαπλών απεικονιστικών τεχνικών στην παρακολούθηση μιας κλινικής οντότητας, καθώς αυτή εξελίσσεται στην πορεία του χρόνου, επιτρέπει την αναδρομική ανάλυση των χαρακτηριστικών και τη βελτίωση της διαχείρισης κάθε νόσου. Όπως και σε όλους τους τομείς της σύγχρονης ζωής και της επιστήμης, η εξέλιξη επιτυγχάνεται μέσα από τη λεπτομερή ανάλυση (”analytics”) των “Big Data”, δηλαδή τη δυνατότητα που έχουμε -χάρη στην εξέλιξη της πληροφορικής – να αναλύουμε ταυτόχρονα πολλαπλά δεδομένα από διαφορετικές πηγές.
Η εξέλιξη της πληροφορικής επιτρέπει την επεξεργασία των εικόνων από εξειδικευμένα τεχνολογικά εργαστήρια και κέντρα βιοστατιστικής με στόχο να αποδίδουν στην ιατρική κοινότητα απλουστευμένους χάρτες, βιοδείκτες και να επιτρέπουν την εύκολη διάκριση του φυσιολογικού από το παθολογικό, ακόμα και σε μη εξειδικευμένους ιατρούς. Ουσιαστικά, επιτυγχάνεται η σύνθεση, ανάλυση και αφαιρετική διαδικασία από τα ίδια τα μηχανήματα προσφέροντας στους γιατρούς μια έτοιμη πληροφορία, χωρίς κόπο. Στο κομμάτι αυτό, τον τελευταίο καιρό παρατηρείται έκρηξη πληροφοριών με την εισαγωγή της τεχνητής νοημοσύνης και των εφαρμογών ”deep learning” στην ιατρική απεικόνιση.
Για τη γρήγορη αφομοίωση κάθε καινούριας απεικονιστικής τεχνικής είναι απαραίτητο να υπάρχει μια κοινή γλώσσα και να είναι όλοι εξοικειωμένοι με την αντίστοιχη ορολογία.
Ορολογία ιατρικής απεικόνισης
ΑΡΧΗ ΛΕΙΤΟΥΡΓΙΑΣ (PRINCIPLE)
Η μελέτη μιας νέας απεικονιστικής τεχνικής ξεκινάει από την κατανόηση της αρχής λειτουργίας της τεχνικής. Δηλαδή, τον τρόπο με τον οποίο γίνεται η συλλογή της πληροφορίας. Για να κατανοήσει κανείς τους τοπογραφικούς χάρτες της placido τοπογραφίας πρέπει να γνωρίζει ότι προέρχονται από την προβολή ομόκεντρων φωτεινών κύκλων στον κερατοειδή. Αντίστοιχα, για τη μελέτη ενός υπερήχου πρέπει να γνωρίζει τη συμπεριφορά των διαφόρων ιστών στη μετάδοση του ήχου ή τη συμπεριφορά στη μετάδοση μιας μονοχρωματικής δέσμης στην περίπτωση των OCT.
ΠΡΩΤΟΓΕΝΗΣ ΠΛΗΡΟΦΟΡΙΑ (RAW DATA)
Η κατανόηση της αρχής λειτουργίας της απεικονιστικής τεχνικής είναι απαραίτητη για την αξιολόγηση της πρωτογενούς πληροφορίας που λαμβάνεται με την τεχνική. Η πρωτογενής πληροφορία ή raw data είναι η αποτύπωση χωρίς οποιαδήποτε επεξεργασία από το λογισμικό (software), αλγορίθμους, αφαίρεση artifacts ή οτιδήποτε άλλο. Έτσι, στο παράδειγμα της placido τοπογραφίας πρωτογενής πληροφορία είναι η φωτογραφία του κερατοειδή με τις αντανακλάσεις των δακτυλίων ενώ στην OCT είναι οι καμπύλες της αντανάκλασης του φωτός με τις οποίες γίνεται η σύνθεση ενός b scan.
ΤΕΧΝΙΚΌ ΣΦΑΛΜΑ (ARTIFACT)
Όταν γνωρίζουμε τον τρόπο λειτουργίας της τεχνικής είμαστε σε θέση να αναγνωρίζουμε και τα τεχνικά σφάλματα που μπορεί να δημιουργούνται και τα οποία μπορεί να οδηγήσουν σε λανθασμένη επεξεργασία από το λογισμικό και σε ένα τελείως ψευδές αποτέλεσμα. Για τον λόγο αυτό είναι εξαιρετικά σημαντικό να ελέγχεται πάντα η πρωτογενής πληροφορία και στη συνέχεια να ελέγχεται το αποτέλεσμα της επεξεργασίας του λογισμικού, που μπορεί να είναι ένας χάρτης ή ένας βιοδείκτης ή μια τρισδιάστατη σύνθεση. Π.χ, στο παράδειγμα της τοπογραφίας placido, αν υπάρχει κακή δακρυϊκή στιβάδα που σπάει ένα από τους φωτεινούς δακτύλιους που επιπροβάλλονται στον κερατοειδή, ο τοπογραφικός χάρτης με τις καμπυλότητες και τη διαθλαστική δύναμη θα είναι τελείως αναξιόπιστος (εικόνα 2). Εάν υπάρχουν θολερότητες στα διαθλαστικά μέσα (κερατοειδής – κρυσταλλοειδής φακός – υαλοειδές) δημιουργούν φαινόμενα σκίασης / απόκρυψης στο OCT, που μπορεί να δημιουργήσουν ψευδώς την εικόνα διάσπασης των στιβάδων.
Εικόνα 2
SEGMENTATION (ΑΝΑΓΝΩΡΙΣΗ ΤΩΝ ΟΡΙΩΝ-ΣΤΙΒΑΔΩΝ)
Ο όρος segmentation δεν είναι εύκολο να μεταφραστεί στα Ελληνικά. Ουσιαστικά, υποδηλώνει την ανάλυση και αναγνώριση από το λογισμικό των διαχωριστικών ορίων των διαφόρων ανατομικών δομών σε μια απεικόνιση, με βάση την οποία γίνεται κατασκευή χαρτών, ποσοτικοποίηση ή στατιστική ανάλυση της πρωτογενούς πληροφορίας. Π.χ. σε μια οπτική τομογραφία, το λογισμικό με βάση συγκεκριμένους αλγόριθμους αναγνωρίζει τα όρια των διαφορετικών δομών/στιβάδων του αμφιβληστροειδούς και του χοριοειδούς και στη συνέχεια επιτρέπει τη μέτρηση ανάμεσα σε αυτά τα όρια και δημιουργεί παχυμετρικούς χάρτες, χάρτες μέτρησης του πάχους των νευρικών ινών και των γαγγλιακών κυττάρων κ.λπ.. Κατά αντιστοιχία, το segmentation στη placido τοπογραφία αφορά την αναγνώριση των ορίων των αντανακλάσεων των δακτυλίων, προκειμένου να γίνει η περαιτέρω επεξεργασία της πληροφορίας. Και το segmentation πρέπει πάντα να ελέγχεται πριν προχωρήσουμε στην αξιολόγηση της τελικής πληροφορίας που λαμβάνεται από το λογισμικό (εικόνα 3 & 6).
ΠΟΣΟΤΙΚΟΠΟΙΗΣΗ (QUANTIFICATION)
Με τον όρο ποσοτικοποίηση μιας εικόνας ονομάζεται το σύνολο της επεξεργασίας που κάνει το λογισμικό για να δώσει αριθμητικές πληροφορίες από μια εικόνα. Π.χ, στο παράδειγμα του OCT, οι παχυμετρικοί χάρτες της ωχράς κηλίδας ή του επιθηλίου του κερατοειδούς είναι ουσιαστική το αριθμητικό αποτέλεσμα της απόστασης ανάμεσα στα όρια των δομών που έχει δημιουργήσει στο προηγούμενο βήμα (segmentation) το λογισμικό (εικόνα 3). Η ποσοτικοποίηση είναι μια εξαιρετικά σημαντική διαδικασία στην ιατρική απεικόνιση γιατί επιτρέπει την εφαρμογή της βιοστατιστικής και των εφαρμοσμένων μαθηματικών, που θα οδηγήσει σε επόμενα στάδια στην ανάδειξη βιοδεικτών, στη διάκριση των φυσιολογικών και παθολογικών τιμών (normative database) και βεβαίως επιτρέπει και διευκολύνει τον σχεδιασμό ερευνητικών πρωτόκολλων. Ας σκεφτούμε πόσο πιο εύκολο είναι για τις επιστημονικές ομάδες να μαζεύουν και να αξιολογούν αριθμούς από το να δημιουργούν ειδικά κέντρα αξιολόγησης εικόνων (reading centers). Επιπρόσθετα, με την ποσοτικοποίηση της απεικόνισης διευκολύνεται κατά πολύ η παρακολούθηση της πορείας των ασθενών (follow-up) και η αξιολόγηση των διάφορων θεραπευτικών παρεμβάσεων.
Εικόνα 3
Εικόνα 6
ΕΝΙΣΧΥΣΗ (ENHANCEMENT)
Με τον όρο enhancement ονομάζονται όλες οι διαδικασίες ή τεχνικές που ως στόχο έχουν την ενίσχυση του σήματος της πρωτογενούς πληροφορίας, ώστε το απεικονιστικό αποτέλεσμα να «διαβάζεται» πιο εύκολα. Π.χ. στην οπτική τομογραφία συνοχής χρησιμοποιούνται τέτοιες τεχνικές που περιλαμβάνουν τη σάρωση μιας περιοχής πολλαπλές φορές ώστε να βγαίνει ένας μέσος όρος (averaging) στον οποίο μειώνονται κατά πολύ τα «παράσιτα» ή ο «θόρυβος» και παίρνουμε μια πολύ πιο καθαρή εικόνα (εικόνα 4). Άλλο παράδειγμα είναι η εφαρμογή ανώτατου και κατώτατου ορίου ταχύτητας ροής στην OCT-αγγειογραφία. Με τον τρόπο αυτό, μπορεί να χαθούν πολύ μικρές ή πολύ μεγάλες ροές σε ένα αγγείο, εισάγοντας μικρά αποδεκτά λάθη στο τελικό αποτέλεσμα αλλά από την άλλη επιτρέπει τη δημιουργία ψηφιακής αγγειογραφίας και την ποσοτικοποίηση της τεχνικής δίνοντας νέα δεδομένα ανάλυσης στο κομμάτι του αγγειογραφικού ελέγχου, που δεν διαθέταμε με τις κλασικές αγγειογραφίες (φλουοροαγγειογραφία ή ινδοκυανίνη).
ΔΕΙΚΤΕΣ ΑΞΙΟΠΙΣΤΙΑΣ
Οι δείκτες αξιοπιστίας είναι μετρήσεις του λογισμικού που αναδεικνύουν την ποιότητα της απεικόνισης και την ευκολία με την οποία επεξεργάστηκε το λογισμικό τη συγκεκριμένη εξέταση. Ένας τέτοιος δείκτης είναι η μέτρηση του σήματος που δίνουν πολλά μηχανήματα για να αναδείξουν πόσα παράσιτα είχε η πρωτογενής πληροφορία ή πόσο «σκοτεινή» είναι μια απεικονιστική τεχνική που βασίζεται στη μετάδοση του φωτός. Άλλο παράδειγμα για την αξιολόγηση της αξιοπιστίας μιας εξέτασης είναι οι δείκτες που συνοδεύουν το οπτικό πεδίο (false positive, false negative). Αν ένας ασθενής πατάει το κουμπί συνεχώς χωρίς να εμφανίζεται φωτεινό ερέθισμα δεν δίνει αξιόπιστη εξέταση (happy trigger). Αν ένας ασθενής αποκρίνεται σε ένα ερέθισμα συγκεκριμένης έντασης αλλά όχι σε ένα ερέθισμα υψηλότερης έντασης στο ίδιο σημείο υποδηλώνει ότι δεν είναι συγκεντρωμένος στην εξέταση και τα αποτελέσματα δεν είναι τόσο αξιόπιστα.
ΣΥΝΘΕΣΗ (SYNTHESIS)
Με τον όρο σύνθεση εννοούμε το άθροισμα και τον συνδυασμό πολλών λήψεων έτσι ώστε να έχουμε ένα μεγαλύτερο εύρος και έκταση εξέτασης. Χρησιμοποιήθηκε εδώ και πολλά χρόνια σε εφαρμογές αξονικής ή μαγνητικής τομογραφίας για την κατασκευή τρισδιάστατης 3D απεικόνισης από τη σύνθεση πολλών τομογραφιών. Στον τομέα της τομογραφίας, χρησιμοποιείται σε πολλές απεικονιστικές τεχνικές όπως τα OCT (en face OCT) και οι κάμερες Scheimpflug. Και γι’ αυτή την επεξεργασία είναι απαραίτητη η γνώση των τεχνικών χαρακτηριστικών του μηχανήματος για την αποφυγή λανθασμένων συμπερασμάτων. Π.χ. πρέπει να γνωρίζουμε την πυκνότητα ή το πάχος των τομών για να μπορούμε να αποκλείσουμε την πιθανότητα να έχει χαθεί σημαντική πληροφορία στην περιοχή ανάμεσα σε δύο διαδοχικές τομές.
ΑΝΑΛΥΣΗ, ΣΗΜΕΙΑ ΣΥΛΛΟΓΗΣ ΠΛΗΡΟΦΟΡΙΑ (DATA POINTS, INTERPOLATION)
Μια σημαντική πληροφορία για τα τεχνικά χαρακτηριστικά ενός μηχανήματος είναι η αναλυτική ικανότητα, ο αριθμός των σημείων που μετράει για να βγάλει ένα χάρτη και το interpolation. Π.χ, για να μπορέσουμε να επιλέξουμε ανάμεσα σε ένα spectal domain OCT και σε ένα swept source OCT πρέπει να γνωρίζουμε ότι το πρώτο έχει υψηλότερη ανάλυση (άρα αναδεικνύει περισσότερες λεπτομέρειες και πιο μικρές δομές) ενώ το δεύτερο έχει μεγαλύτερο εύρος πεδίου εξέτασης και μεγαλύτερο βάθος εξέτασης. Έτσι, αν θέλουμε να δούμε τις διαστάσεις και τη μορφολογία μιας μικρής ουλής στον κερατοειδή θα προτιμήσουμε ένα spectral domain OCT, αλλά αν θέλουμε να δούμε την καμπυλότητα του κερατοειδούς ή να μετρήσουμε το βάθος του προσθίου θαλάμου θα πρέπει να χρησιμοποιήσουμε swept source OCT. Επίσης, ο αριθμός συλλογής πληροφοριών (data points) είναι εξίσου σημαντικός. Δηλαδή, πόσες τομές χρησιμοποιούνται για την τρισδιάστατη ανασύνθεση ή για τη δημιουργία ενός παχυμετρικού χάρτη. Τα λογισμικά γεμίζουν τα κενά ανάμεσα στα data points με στατιστική επεξεργασία των γειτονικών σημείων, με μια διαδικασία που λέγεται interpolation ώστε να δίνουν μια πλήρη εικόνα. Ωστόσο, θέλει προσοχή γιατί στις περιοχές όπου έχει γίνει το interpolation χάνεται η πραγματική πληροφορία. Ένα χαρακτηριστικό παράδειγμα είναι ο παχυμετρικός χάρτης που προσέφερε το πρώτο εμπορικά διαθέσιμο OCT (Stratus, Zeiss) τον οποίο δημιουργούσε το λογισμικό με μόλις 6 ακτινωτές τομογραφίες (εικόνα 5). Αν δύο διαδοχικές ακτινωτές τομές έχουν φυσιολογικό πάχος τότε το λογισμικό εξάγει το συμπέρασμα ότι και ολόκληρη η περιοχή ανάμεσά τους έχει φυσιολογικό πάχος. Αυτό είναι κάτι που είναι αρκετά πιθανό αλλά όχι βέβαιο, καθώς μπορεί να υπάρχει ένα εστιακό οίδημα το οποίο το λογισμικό με τη λειτουργία του interpolation το εξαφανίζει. Κάτι αντίστοιχο γίνεται και στους τοπογραφικούς χάρτες placido όπου ενώ δεν υπάρχει πληροφορία για το κεντρικό μέρος της εξέτασης (ένα από τα μειονεκτήματα της τεχνικής), σε όλους τους χάρτες βλέπουμε τιμές.
Εικόνα 4
Εικόνα 5
ΦΥΣΙΟΛΟΓΙΚΕΣ ΤΙΜΕΣ (NORMATIVE DATABASE)
Ένα χαρακτηριστικό των μηχανημάτων που κάνουν ποσοτικοποίηση της πληροφορίας είναι ότι πρέπει να παρέχουν και αντίστοιχες φυσιολογικές τιμές του πληθυσμού ώστε να γίνεται εύκολη η διάκριση ανάμεσα στο φυσιολογικό και το παθολογικό. Στο κομμάτι αυτό χρειάζεται προσοχή, γιατί οι φυσιολογικές τιμές μπορεί να διαφέρουν ανάλογα με την ηλικία, το φύλο, τη φυλή, τη διαθλαστική κατάσταση. Συνεπώς, για να κατασκευαστεί μια καλή και αξιόπιστη normative database ή κλίμακα φυσιολογικών τιμών χρειάζεται συλλογή και επεξεργασία μεγάλου αριθμού φυσιολογικών δειγμάτων και για όλες τις υποομάδες (ηλικιακές – φυλετικές κ.λπ). Ωστόσο, κάποια μηχανήματα μπορεί να εμφανίζουν πολύ όμορφους χάρτες που να βασίζονται σε φυσιολογικές τιμές που έχουν εξάγει από μια περιορισμένη βάση δεδομένων (π.χ, 200 άτομα, μόνο ασιατικής καταγωγής, χωρίς ευρεία ηλικιακή κατανομή). Σε μια τέτοια περίπτωση μπορεί οι τιμές για ένα νεαρό άτομο της καυκάσιας φυλής να παρουσιάζονται ψευδώς φυσιολογικές.
ΒΙΟΔΕΙΚΤΕΣ (BIOMARKERS)
Οι βιοδείκτες είναι μετρήσιμες αξιολογήσεις μιας βιολογικής κατάστασης ή μιας κλινικής ένδειξης. Αποτελούν σημαντική πληροφορία για τη διάκριση του φυσιολογικού από το παθολογικό. Συγκεντρώνουν μεγάλο κομμάτι της έρευνας καθώς η ανάδειξη ενός καλού βιοδείκτη αποφέρει τεράστια οφέλη στα συστήματα υγείας. Ένας από τους πιο σημαντικούς βιοδείκτες είναι η αυχενική διαφάνεια στον προγεννητικό έλεγχο, που επιτρέπει τη πρόληψη σημαντικών γεννητικών ανωμαλιών. Οι ψηφιακοί βιοδείκτες θα έχουν σημαντικό ρόλο στο μέλλον, καθώς οδεύουμε στην Ιατρική Ακρίβειας (precision medicine), η οποία βασίζεται στην παρακολούθηση βιοδεικτών για την εξατομίκευση της περίθαλψης. Οι βιοδείκτες χωρίζονται σε 3 κατηγορίες: βιοδείκτες προδιάθεσης, διαγνωστικούς βιοδείκτες και προγνωστικούς βιοδείκτες. Κάθε κατηγορία εφαρμόζεται σε διαφορετικό στάδιο ξεκινώντας από τη δυνατότητα πρόληψης και έγκαιρης διάγνωσης έως τη λεπτομερή αξιολόγηση των θεραπευτικών παρεμβάσεων.
ΣΥΝΔΥΑΣΜΟΣ ΑΠΕΙΚΟΝΙΣΤΙΚΩΝ ΤΕΧΝΙΚΩΝ (MULTIMODAL IMAGING)
Κάθε απεικονιστική τεχνική έχει τα πλεονεκτήματά της αλλά και τους περιορισμούς της. Δεν υπάρχει κανένα μηχάνημα που να μπορεί από μόνο του να προσφέρει όλα τα απαραίτητα στοιχεία για μια ασφαλή και έγκαιρη διάγνωση, επαρκή κλινική παρακολούθηση ή πρόγνωση. Για το λόγο αυτό, στην κλινική πράξη χρησιμοποιείται συνδυασμός διαφορετικών απεικονιστικών τεχνικών στη μελέτη του οφθαλμού, δηλαδή το multimodal imaging. Για παράδειγμα, στη μελέτη του οπίσθιου ημιμορίου, η κλασική φλουοροαγγειογραφία απεικονίζει πολύ καλά το αγγειακό δίκτυο του αμφιβληστροειδούς ενώ η ινδοκυανινή του χοριοειδούς, ο αυτοφθορισμός μας δίνει πληροφορίες για τη μεταβολική κατάσταση του μελαγχρόου επιθηλίου και το OCT παρέχει ανατομικές πληροφορίες.
Το μέλλον
Με την εξέλιξη της πληροφορικής παρουσιάζονται νέες δυνατότητες και προοπτικές στον τομέα της ιατρικής απεικόνισης. Η εισαγωγή της τεχνητής νοημοσύνης και του deep learning ουσιαστικά μπορεί να μετατρέψει τα απεικονιστικά μηχανήματα σε διαγνωστικά μηχανήματα, δηλαδή συστήματα που θα μπορούν να προσφέρουν εκτός από την εικόνα και ασφαλή και ακριβή διάγνωση, ξεπερνώντας σε ταχύτητα και ικανότητα τον άνθρωπο. Ωστόσο, ο γιατρός πρέπει πάντα να γνωρίζει το σύνολο της διαδικασίας που χρησιμοποιεί η ιατρική τεχνολογία και να ελέγχει την πιθανή εισαγωγή σφάλματος σε κάθε βήμα της για να μπορεί να εμπιστεύεται την τελική πληροφορία.
