Wetenschap
Echografieapparaten zijn gemeengoed in moderne medische kits in de ruimte, en helpen snelle diagnoses van astronautenkwalen of lichamelijke veranderingen te vergemakkelijken. Er is echter realtime begeleiding van deskundigen ter plaatse nodig om medisch bruikbare echobeelden te verkrijgen. Zodra astronauten naar de maan of verder het zonnestelsel reizen, zal dergelijke begeleiding niet langer praktisch zijn vanwege de tijdsvertraging die daarmee gepaard gaat. Een nieuw door ESA geleid project heeft tot doel AI en Machine Learning te benutten, zodat astronauten zelf echografie-onderzoeken van bijna deskundige kwaliteit kunnen uitvoeren.
“Het succes van bemande verkenningen hangt af van de gezondheid en veiligheid van onze astronauten”, legt ESA-biomedisch ingenieur Arnaud Runge uit, die toezicht houdt op het project. "Naarmate missies zich verder de ruimte in begeven, wordt dat moeilijker te garanderen omdat het aantal en de vaardigheden van de bemanningsleden beperkt zullen zijn. Daarom hebben we technologische hulp nodig om toekomstige bemanningen steeds minder afhankelijk te maken van expertise op aarde."
Leven in een beperkt volume in de aanhoudende afwezigheid van zwaartekracht terwijl het wordt blootgesteld aan hoge stralingsniveaus kan veel kritische organen aantasten, maar ook leiden tot evenwichtsstoornissen, vochtverschuivingen, veranderingen in het visuele functioneren, cardiovasculaire deconditionering, verminderde immuunfunctie, spieratrofie en botverlies. Bovendien kunnen toekomstige planetaire missies leiden tot verwondingen tijdens operaties aan de oppervlakte.
Het goede nieuws is dat de meeste van deze aandoeningen kunnen worden gevolgd met behulp van echografie, waarbij we vertrouwen op echo's van geluid buiten het gehoorbereik van onze oren om vensters in de zachte weefsels van het menselijk lichaam te openen. Het slechte nieuws is dat er jaren van training voor nodig zijn om iemand bekwaam te maken in het uitvoeren van een echografieonderzoek.
"Echografieën zijn al een essentieel diagnostisch hulpmiddel geworden voor de bemanningen van het internationale ruimtestation", zegt Carlos Illana van GMV in Spanje, het bedrijf dat het projectconsortium voor ESA leidt. "Maar in de huidige praktijk op het ISS krijgt de astronaut die het echoapparaat op zijn bemanningslid aanbrengt, realtime begeleiding van een ervaren echoscopist op de grond, of voert hij de onderzoeken uit op basis van de beperkte training die hij voorafgaand aan de missie heeft gekregen. ."
Arnaud voegt hieraan toe:“Om deze uitdaging het hoofd te bieden, heeft ESA eerder gewerkt aan het concept van gerobotiseerde tele-echografie, waarbij de deskundige radioloog op aarde op afstand de ultrasone sonde aan boord van het ISS bestuurde. Hoewel dit ook interessant is voor gebruik op het ISS Wat betreft toepassingen op aarde heeft deze benadering ook beperkingen:zodra bemande missies zich buiten de baan om de aarde in de diepe ruimte uitstrekken, zal dergelijke begeleiding niet langer haalbaar zijn, omdat de grotere afstand tot de aarde aanleiding geeft tot een grotere vertraging in de communicatie, terwijl de bandbreedte zal ook beperkt zijn."
Er is daarom behoefte aan oplossingen die de bemanning meer autonomie bieden. Als reactie daarop biedt ESA's Autonomous Ultrasound Image Improvement SyStEM, ALISSE, astronauten de mogelijkheid om ter plekke echografiebeelden van diagnostische kwaliteit vast te leggen alsof ze deskundige radiologen zijn, dankzij de hulp van AI en machinaal leren.
In samenwerking met het project heeft de Nucleaire Fysicagroep van de Universidad Complutense Madrid nieuwe technieken ontwikkeld voor echografiesimulatie en beeldsynthese, terwijl de Spoedeisende en Spoedeisende Radiologiedienst van het La Paz-ziekenhuis in Madrid begeleiding bood bij echografische onderzoeken en pathologieën, evenals de levering en labeling van honderdduizenden geanonimiseerde echografieën, gebruikt voor het trainen van het deep learning neurale netwerk dat ten grondslag ligt aan het ALISSE-systeem.
Arnaud voegt hieraan toe:"La Paz is het grootste ziekenhuis in Spanje. Het voert alleen al op de Spoedeisende Hulp ruim een half miljoen echografieën per jaar uit, waarbij gebruik wordt gemaakt van meer dan 40 verschillende apparaatmodellen. We gebruikten een actief leermechanisme om niet-interessante beelden eruit te filteren. , waardoor er minder dan 2% overblijft van de hoeveelheid die de Radiologiedienst heeft geselecteerd en gelabeld voor ons Neural Network Training Subsystem om op te trainen."
Dit komt neer op een enorme hoeveelheid samengestelde beelden van meer dan 50.000 patiënten per orgaan, inclusief tal van voorbeelden van 'pathologische' (of zieke) gevallen. Voor het eerste ALISSE-protype onderzocht het consortium nieren en blazen, als zeer representatieve buikorganen die niet gemakkelijk te scannen zijn, gerelateerd aan veel voorkomende astronautenziekten zoals steenvorming en urineretentie.
David Mirault van GMV zegt:"Terwijl we het systeem ontwikkelden, gaven de vluchtchirurgen van ESA ons essentiële feedback en begeleiding. Ons doel was om de gebruikersinterface zo intuïtief mogelijk te maken, dus lieten we een groep volledig ongetrainde natuurkundestudenten het uitproberen. Echografiebeelden zijn luidruchtig, wazig en bevatten veel artefacten, zoals schaduwen en spikkelruis, en ieders lichaam is anders. Medische professionals hebben dus jaren van specifieke cursussen en training nodig om deze diagnostische techniek voor een enkel orgaan te leren een ongetrainde beginneling die een succesvol echografisch onderzoek uitvoert, is in wezen nul."
ALISSE-gebruikers krijgen echter gedetailleerde instructies over waar in het lichaam de echografiekop moet worden geplaatst, ze krijgen voorbeeldafbeeldingen van het doelorgaan en krijgen de procentuele waarschijnlijkheid dat het zichtbare object het juiste doel is. Het systeem kan ook onderscheid maken tussen de klinisch waardevolle 'vlakdetectiemodus' voor een orgaan en een minder bruikbaar 'dwars' zijaanzicht.
Jon Scott, die het project bij het European Astronaut Center ondersteunt, merkt op:"De eindresultaten zijn zeer bemoedigend; 9 van de 10 beelden van de ALISSE-geassisteerde studenten waren klinisch aanvaardbare standaard echografievlakken van nieren en blazen, die de prestaties van een opgeleide radioloog. En als bijkomend voordeel kan ALISSE ook met meerdere echografieapparaten werken, waardoor de flexibiliteit wordt gemaximaliseerd en de barrières voor de implementatie ervan worden verminderd.
“Het resultaat is een systeem dat astronauten in staat stelt meer verantwoordelijkheid te nemen voor hun eigen medische zorg, een essentieel kenmerk voor de toekomst van de ruimtegeneeskunde, en dat ook het gebruik van echografie op aarde moet democratiseren. Met de voortdurende ontwikkeling van deze technologie, we kunnen uitkijken naar een tijd waarin medische scheidingsmedewerkers in de frontlinie AI-geleide echografie-apparaten net zo vakkundig kunnen gebruiken als ze vandaag de dag bloedmonsters verzamelen."
Het ALISSE-project werd ondersteund via ESA's Technology Development Element, dat veelbelovende nieuwe technologieën voor de ruimte bevorderde. Als volgende stap is het consortium van plan de ondersteuning van het systeem aan andere organen te vergroten en de begeleidingsinstructies te verbeteren om ALISSE nog intuïtiever te maken. ESA is ook geïnteresseerd om het ALISSE-systeem te laten werken op een tablet die is aangesloten op een ultrasone sonde.
Geleverd door European Space Agency
Onderzoek naar potentiële voordelen van op AI gebaseerde systemen voor het opsporen van moeilijk te detecteren ruimteschroot
Terug op aarde:NASA's Orion-capsule op de proef gesteld vóór een bemande missie
Meer >
Wetenschap © https://nl.scienceaq.com