راهکاری برای تشخیص و درمان آرتروز لگن با کمک هوش مصنوعی

به گزارش خبرگزاری مهر به نقل از دانشگاه تهران، بر اساس این مطالعه جدید که توسط تیمی از پژوهشگران دانشکده مهندسی برق و کامپیوتر دانشگاه تهران انجام شده است، شاخصی ساده و قدرتمند برای ارزیابی و پایش آرتروز مفصل لگن معرفی شده و راهکاری نوین برای حل چالش‌های موجود در تشخیص و پایش این بیماری پیش‌رونده ارائه می‌دهد.
این نوآوری می‌تواند محدودیت‌های روش‌های رایج تصویربرداری را برطرف کرده و امکان پایش مستمر و حتی تشخیص زودهنگام این بیماری شایع را در محیط‌های غیرکلینیکی فراهم کند.
رضوان نصیری، عضو هیئت علمی دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، که این پژوهش را سرپرستی کرده است، درباره ضرورت انجام این پژوهش گفت: عوامل خطر عمومی آرتروز شامل افزایش سن، چاقی، جنسیت، سبک زندگی کم‌تحرک، ژنتیک و کار بدنی سنگین است.
طبق مطالعات، ناهنجاری‌های الگوی راه رفتن نیز می‌توانند ریسک ابتلاء را افزایش دهند.
ازاین‌رو، پایش الگوی راه رفتن برای تشخیص زودهنگام، ارزیابی پیشرفت بیماری و سنجش اثربخشی درمان‌ها ضروری است.
وی با اشاره به چالش‌های موجود در تشخیص این بیماری پیشرونده، افزود: تاکنون، تصاویر رادیوگرافی رایج‌ترین روش برای تشخیص و تعیین شدت آرتروز بوده‌اند؛ مانند سیستم درجه‌بندی Kellgren-Lawrence (KL) که بیماران را در چهار سطح شدت (۱، ۲، ۳ و ۴) طبقه‌بندی می‌کند.
با این حال، تفاوت‌های زیاد در الگوی راه رفتن بیماران با شدت مشابه، شباهت بین درجات مختلف و وابستگی ارزیابی به نظر متخصصان – که می‌تواند منجر به خطا شود- دقت و کارایی این روش‌ها را محدود کرده است.
هم‌چنین، افراد با ریسک بالای ابتلاء ممکن است در تصاویر رادیوگرافی هیچ نشانه‌ای از بیماری نداشته باشند.
روش‌های دسته‌بندی‌محور برای پایش اثربخشی درمان‌های پزشکی نیز مناسب نیستند.
از آن‌جا که آرتروز پیش‌رونده و تدریجی است، سنجش شدت بیماری نیازمند شاخصی پیوسته است.
با این حال، تنها تعداد محدودی از مطالعات شاخص‌های پیوسته برای ارزیابی کیفیت راه رفتن ارائه کرده‌اند که اغلب فاقد تفسیرپذیری فیزیکی و بالینی بوده و وابسته به ساختار مدل و داده‌های آموزشی هستند؛ بنابراین نتایج و تعمیم‌پذیری آن‌ها مورد تردید است.
وی درباره راهکار ارائه شده در این پژوهش، گفت: در این پژوهش، شاخصی خطی، پیوسته و قابل تفسیر فیزیکی و بالینی با عنوان Hip Osteoarthritis Index (HOI) معرفی شده است.
HOI برای ارزیابی شدت آرتروز لگن بر پایه داده‌های کینماتیکی راه رفتن و با حداقل تعداد مفاصل طراحی شده است.
داده‌های مورد استفاده شامل ۸۰ فرد سالم و ۱۰۶ بیمار مبتلا به آرتروز لگن (در درجات ۲، ۳، و ۴ طبق سیستم KL) بودند و داده‌های بیماران در دو مرحله پیش از عمل و شش ماه پس از عمل تعویض مفصل لگن جمع‌آوری شد.
سرپرست این تیم پژوهشی، درباره انجام این پژوهش گفت: با تحلیل کینماتیکی مفاصل لگن و زانو، ویژگی‌های مهم استخراج شدند و با استفاده از ماشین بردار پشتیبان خطی(Linear SVM) بهترین جفت ویژگی برای بیشینه‌سازی دقت در تفکیک افراد سالم و بیمار، پای مبتلا و غیرمبتلا، و درجات شدت آرتروز انتخاب شد.
وی با بیان اینکه دو ویژگی (F۶: سرعت زاویه‌ای بیشینه مفصل لگن و F۱۰: مساحت نمودار سرعت زاویه‌ای مفصل زانو نسبت به لگن) مبنای طراحی HOI قرار گرفتند، گفت: مدل خطی توسعه‌یافته بر اساس بهترین جفت ویژگی، HOI را به‌صورت عددی بین ۰ تا ۱ ارائه می‌دهد؛ به‌گونه‌ای که مقدار کمتر شاخص بیانگر کیفیت بهتر راه رفتن و ریسک پایین‌تر آرتروز است.
نصیری هم‌چنین به مزایای HOI اشاره کرد و در توضیح این مزیت‌ها، گفت: تفسیرپذیری اولین مزیت این شاخص است و برخلاف مدل‌های پیچیده یادگیری ماشین، از نظر فیزیکی و بالینی تفسیرپذیر است؛ افزایش مقادیر جفت ویژگی حرکتی انتخاب‌شده باعث کاهش HOI، بهبود کیفیت راه رفتن و کاهش خطر آرتروز لگن می‌شود.
دیگر مزیت این شاخص امکان پایش در مراکز درمانی است و امکان ارزیابی سریع بیماران توسط پزشک یا فیزیوتراپیست و پایش پیشرفت یا بهبود بیماری را فراهم می‌کند.
هم‌چنین استفاده از این شاخص مدل خطی هر فرد را بر اساس تغییرات خودش ارزیابی می‌کند، نه بر اساس گروه‌بندی‌های عمومی بیماران.
دیگر مزیت این شاخص هم این است که با استفاده از حسگرهای اینرسی (IMU) یا دوربین گوشی‌های هوشمند داده‌های کینماتیکی و HOI قابل استخراج هستند و پایش بیماری حتی در محیط‌های غیرکلینیکی برای تشخیص زودهنگام امکان‌پذیر است.
به گفته پژوهشگران این تحقیق، نتایج به دست آمده از این تحقیق نشان می‌دهد این مدل خطی می‌تواند افراد سالم و بیمار را با دقت ۸۴٪ و پای مبتلا و غیرمبتلا را با دقت ۹۱٪ تفکیک کند.
هم‌چنین نتایج نشان‌دهنده این است که پس از عمل تعویض مفصل، شاخص پای مبتلا در همه گروه‌ها بهبود یافته و به الگوی راه رفتن سالم نزدیک‌تر شد.
از دیگر نتایج کلیدی این پژوهش، بازیابی تقارن حرکتی پس از عمل است؛ درحالی‌که پیش از عمل، شاخص پای مبتلا و غیرمبتلا تفاوت معناداری داشت که بیانگر عدم تقارن راه رفتن بود، پس از عمل، شاخص هر دو پا بهبود یافته و تقارن حرکتی بازیابی شد.
به گفته محققان این پژوهش، مقایسه با مدل‌های پیچیده یادگیری ماشین (MLP و RNN) نشان داد که این مدل خطی بهترین مدل خطی ممکن و ویژگی‌های استخراج‌شده بهترین ویژگی‌ها هستند.
نتایج این تحقیق که با همکاری رضوان نصیری، عضو هیئت علمی دانشکده مهندسی برق و کامپیوتر، کامیار رحمانی، منصور داودی و محمدسجاد علمدار از دانشکده مهندسی برق و کامپیوتر دانشگاه تهران انجام شده، در قالب یک مقاله علمی در مجله Scientific Reports منتشر و در این لینک در دسترس است.