Bare tilføj AI for ekspert astronaut ultralyd

Ultralydsenheder er almindelige i moderne orbitale medicinske kits, der hjælper med at lette hurtige diagnoser af astronautlidelser eller kropslige forandringer. Det kræver dog vejledning i realtid fra eksperter på stedet for at opnå medicinsk nyttige ultralydsbilleder. Når først astronauter rejser til månen eller længere ind i solsystemet, vil en sådan vejledning ikke længere være praktisk på grund af tidsforsinkelsen. Et nyt ESA-ledet projekt har til formål at udnytte kunstig intelligens og maskinlæring, så astronauter selv kan udføre ultralydsundersøgelser af ekspertkvalitet.

"Succesen med bemandet udforskning afhænger af vores astronauters sundhed og sikkerhed," forklarer ESA's biomedicinske ingeniør Arnaud Runge, der fører tilsyn med projektet. "Efterhånden som missioner begiver sig længere ud i rummet, bliver det noget, der er sværere at sikre, fordi antallet og færdigheder af besætningsmedlemmer vil være begrænset. Derfor har vi brug for teknologisk assistance for at gøre fremtidige besætninger mindre og mindre afhængige af jordbaseret ekspertise"

At leve i et begrænset volumen i vedvarende fravær af tyngdekraft, mens du udsættes for høje niveauer af stråling, kan påvirke mange kritiske organer, såvel som føre til balanceforstyrrelser, væskeskift, ændringer i synets funktion, kardiovaskulær dekonditionering, nedsat immunfunktion, muskelatrofi og knogletab. Derudover kan fremtidige planetariske missioner føre til skader under overfladeoperationer.

Den gode nyhed er, at de fleste af disse tilstande kan overvåges ved hjælp af ultralydsbilleddannelse, der er afhængige af ekkoer fra lyd uden for vores ørers høreområde for at åbne vinduer ind i det bløde væv i den menneskelige krop. Den dårlige nyhed er, at det kræver mange års træning at gøre nogen dygtig til at udføre en ultralydsundersøgelse.

"Ultralydsbilleddannelse er allerede blevet et essentielt diagnostisk værktøj for besætninger på den internationale rumstation," kommenterer Carlos Illana fra GMV i Spanien, virksomheden, der leder projektkonsortiet for ESA. "Men i den nuværende praksis på ISS modtager astronauten, der anvender ultralydsenheden til deres besætningskammerat, enten vejledning i realtid fra en erfaren ultralydsoperatør nede på jorden eller udfører undersøgelserne baseret på den begrænsede træning modtaget forud for missionen ."

Arnaud tilføjer, "For at overvinde denne udfordring har ESA tidligere arbejdet på konceptet robotiseret tele-ultralyd, hvor ekspertradiologen på Jorden fjernstyrede ultralydssonden ombord på ISS. Men selvom det også var interessant for brug på ISS. Hvad angår jordbaserede applikationer, har denne tilgang også begrænsninger:Så snart bemandede missioner strækker sig ud over Jordens kredsløb ind i det dybe rum, vil en sådan vejledning ikke længere være mulig, fordi den større afstand fra Jorden giver anledning til en øget tidsforsinkelse i kommunikationen, mens båndbredden vil også være begrænset."

Der er derfor behov for løsninger, der giver besætningen mere autonomi. Som reaktion herpå tilbyder ESA's Autonomous ULtrasound Image Improvement System, ALISSE, astronauter muligheden på stedet til at optage ultralydsbilleder af diagnostisk kvalitet, som om de var ekspertradiologer, takket være hjælpen fra AI og maskinlæring.

I samarbejde med projektet udtænkte Nuclear Physics Group fra Universidad Complutense Madrid nye teknikker til ultralydssimulering og billedsyntese, mens Emergency and Urgency Radiology Service på La Paz Hospital i Madrid ydede vejledning i ultralydsundersøgelser og patologier, samt levering og mærkning af hundredtusindvis af anonymiserede ultralydsscanninger, brugt til træning af det dybe læringsneurale netværk, der ligger til grund for ALISSE-systemet.

Arnaud tilføjer, "La Paz er det største hospital i Spanien, der udfører mere end en halv million ultralydsundersøgelser om året alene i beredskabstjenesten ved at bruge mere end 40 forskellige enhedsmodeller. Vi brugte en aktiv indlæringsmekanisme til at filtrere ikke-interessante billeder fra , hvilket efterlader mindre end 2 %, som radiologitjenesten valgte og mærkede til vores Neural Network Training Subsystem, der skal trænes på."

Dette svarer til en enorm mængde kurerede billeder af mere end 50.000 patienter pr. organ, inklusive masser af eksempler på "patologiske" - eller syge - tilfælde. For den indledende ALISSE-protype udforskede konsortiet nyrer og blærer, som meget repræsentative abdominale organer, der ikke er lette at scanne, relateret til almindelige astronautsygdomme såsom stendannelse og urinretention.

David Mirault fra GMV siger:"Da vi udviklede systemet, gav ESA-flykirurger os vigtig feedback og vejledning. Vores mål var at gøre brugergrænsefladen så intuitiv som muligt, så vi fik en gruppe helt utrænede fysikstuderende til at prøve at bruge det. . en utrænet novice, der udfører en vellykket ultralydsundersøgelse, er stort set nul."

ALISSE-brugere får dog detaljeret vejledning om, hvor i kroppen ultralydsstaven skal placeres, de får eksempler på billeder af målorganet og givet den procentvise sandsynlighed for, at objektet i udsigt er det korrekte mål. Systemet er også i stand til at skelne mellem den klinisk værdifulde langvejs "plandetektionstilstand" for et organ versus et mindre nyttigt "tværgående" sidebillede.

Jon Scott, der støtter projektet ved European Astronaut Center, kommenterer:"Slutresultaterne er meget opmuntrende; 9 ud af 10 af de ALISSE-assisterede studerendes billeder var klinisk acceptable ultralydsstandardplaner af nyrer og blærer, der nærmede sig ydeevnen af ​​en uddannet radiolog Og som en ekstra fordel kan ALISSE også arbejde med flere ultralydsenheder, maksimere dets fleksibilitet og reducere barriererne for dets implementering.

"Resultatet er et system, der gør det muligt for astronauter at tage mere ansvar for deres egen lægebehandling, en væsentlig egenskab for fremtiden for rummedicin, og som også bør demokratisere brugen af ​​ultralydsbilleddannelse tilbage på Jorden. Med den fortsatte udvikling af denne teknologi, vi kan se frem til en tid, hvor frontline medicinske skillevægge kan anvende AI-guidede ultralydsenheder lige så dygtigt, som de indsamler blodprøver i dag."

ALISSE-projektet blev støttet gennem ESA's teknologiudviklingselement, der fremmer lovende nye teknologier til rummet. Som et næste skridt planlægger konsortiet at øge systemets støtte til andre organer og forbedre vejledningen for at gøre ALISSE endnu mere intuitiv. ESA er også interesseret i at få ALISSE-systemet til at fungere på en tablet tilsluttet en ultralydssonde.

Leveret af European Space Agency