Η τομογραφία κοιλίας μπορεί να αποτελέσει ένα πολλά υποσχόμενο εργαλείο για τη διάγνωση του διαβήτη τύπου 2, καθώς δίνει σημαντικές πληροφορίες για το πάγκρεας. Προηγούμενες μελέτες έχουν δείξει ότι οι ασθενείς με διαβήτη τείνουν να συγκεντρώνουν περισσότερο κοιλιακό λίπος και λίπος μέσα στο πάγκρεας σε σχέση με τους μη διαβητικούς.

Όμως, έως τώρα δεν είχε μελετηθεί ιδιαίτερα το ήπαρ, καθώς επίσης οι μύες και τα αιμοφόρα αγγεία γύρω από το πάγκρεας σε σχέση με τον διαβήτη. Η ανάλυση -με τη βοήθεια της τεχνητής νοημοσύνης- τόσο των χαρακτηριστικών του ίδιου του παγκρέατος όσο και των πέριξ αυτού περιοχών συνιστά μία καινοτόμο προσέγγιση.

Οι ερευνητές, με επικεφαλής τον ακτινολόγο δρα Ρόναλντ Σάμερς του Κλινικού Κέντρου των Εθνικών Ινστιτούτων Υγείας στο Μέριλαντ και τον καθηγητή Ακτινολογίας Πέρι Πίκχαρντ της Ιατρικής Σχολής του Πανεπιστημίου του Ουισκόνσιν, οι οποίοι έκαναν τη σχετική δημοσίευση στο περιοδικό «Radiology» της Ακτινολογικής Εταιρείας της Βόρειας Αμερικής, ανέλυσαν στοιχεία για σχεδόν 9.000 ασθενείς, εκ των οποίων 572 που είχαν διαγνωστεί με διαβήτη τύπου 2 και 1.880 με δυσγλυκαιμία (πολύ υψηλά ή πολύ χαμηλά επίπεδα σακχάρου στο αίμα).

Οι ερευνητές ανέπτυξαν ένα μοντέλο τεχνητής νοημοσύνης (βαθιάς μάθησης) εκπαιδεύοντάς το με 471 τομογραφίες. Το μοντέλο ήταν στη συνέχεια ικανό να κάνει διάγνωση του διαβήτη σε άλλες τομογραφίες, χωρίς να έχει ουσιαστικά καμία διαφορά στην ακρίβειά του σε σχέση με τους γιατρούς. Εκτός από το ίδιο το πάγκρεας, το μοντέλο ήταν σε θέση να βρίσκει ίχνη διαβήτη με βάση το λίπος στην κοιλιά, καθώς επίσης την πυκνότητα και τον όγκο των μυών και οργάνων πέριξ του παγκρέατος.

Οι ασθενείς με διαβήτη έχουν γενικά μικρότερη πυκνότητα παγκρέατος και περισσότερη ποσότητα κοιλιακού λίπους σε σχέση με τους διαβητικούς. «Βρήκαμε ότι ο διαβήτης σχετίζεται με την ποσότητα του λίπους μέσα στο πάγκρεας και στην κοιλιά των ασθενών. Όσο περισσότερο λίπος υπάρχει σε αυτά τα δύο μέρη στο σώμα τόσο πιθανότερο είναι οι ασθενείς να έχουν διαβήτη για μεγαλύτερο χρονικό διάστημα», ανέφερε ο Σάμερς.

Το σύστημα τεχνητής νοημοσύνης ήταν σε θέση να αξιοποιήσει τα παραπάνω για να διακρίνει με ακρίβεια τους ασθενείς με ή χωρίς διαβήτη.

(φωτο:pexels)