Ο καρκίνος του μαστού αποτελεί την πιο συχνή κακοήθεια στις γυναίκες παγκοσμίως και η μαστογραφία είναι η κύρια μέθοδος προσυμπτωματικού ελέγχου. Ο έλεγχος με μαστογραφία έχει αποδειχθεί ότι μειώνει τη θνησιμότητα από τη νόσο, όμως παρουσιάζει περιορισμούς, ιδιαίτερα σε γυναίκες με πυκνό μαστό, όπου η ευαισθησία της μεθόδου μειώνεται σημαντικά. Σε αυτές τις περιπτώσεις, συμπληρωματικές εξετάσεις όπως το υπερηχογράφημα ή η μαγνητική τομογραφία είναι συχνά απαραίτητες. Η παρουσία ψευδώς θετικών και αρνητικών αποτελεσμάτων είναι ένα σημαντικό ζήτημα, το οποίο αυξάνει το κόστος, τις καλοήθεις βιοψίες και τις ψυχολογικές επιπτώσεις στις ασθενείς.
Η εξέλιξη της Τεχνητής Νοημοσύνης (TN) και ειδικότερα οι αλγόριθμοι βαθιάς μάθησης (Deep Learning, DL) προσφέρουν νέες δυνατότητες στην ανίχνευση καρκινικών βλαβών από μαστογραφικές εικόνες. Οι αλγόριθμοι αυτοί μπορούν να εκπαιδευτούν ώστε να αναγνωρίζουν βλάβες ύποπτες για νεοπλασία και να παρέχουν πιο ακριβή και γρήγορη διάγνωση. Παρότι τα συστήματα ΤΝ βρίσκονται σε πιλοτικό στάδιο, υπάρχουν εμπορικά διαθέσιμα λογισμικά, όπως το Mammoscreen, που συμβάλλουν στην υποβοήθηση των ακτινολόγων, μειώνοντας το φόρτο εργασίας και τον χρόνο διάγνωσης με την ενσωμάτωσή τους σε συστήματα PACS (Picture Archiving and Communication System). Ωστόσο, παρατηρείται ότι η χρήση και η συνδυασμένη εφαρμογή αυτών των τεχνολογιών στην κλινική ρουτίνα και ιδιαίτερα στη χώρα μας είναι χαμηλή. Αυτό οφείλεται εν μέρει στους ενδογενείς περιορισμούς των συστημάτων που κάνουν την αποδοχή τους μη ελκυστική στο ευαίσθητο πεδίο των ιατρικών αποφάσεων, αλλά και στην χαμηλό ρυθμό αποδοχής και ενσωμάτωσης των νέων τεχνολογιών σε ένα χώρο όπου παραδοσιακά κυριαρχεί η εμπεριστατωμένη γνώμη των ειδικών.
Το προτεινόμενο ερευνητικό έργο στοχεύει στην αναβάθμιση του διαγνωστικού πρωτοκόλλου της μαστογραφίας με την ενσωμάτωση της ΤΝ. Το έργο περιλαμβάνει την ανάπτυξη μια αυτοματοποιημένης διαδικασίας βαθιάς μάθησης με χρήση τεχνικών Agentic AI για τη βελτίωση της διαγνωστικής ακρίβειας και τη μείωση των βιοψιών. Θα μελετηθούν διάφορες τεχνικές αυτοματοποίησης ώστε να δύναται η συνεχής εκπαίδευση και βελτίωση της διεργασίας βαθιάς μάθησης. Σκοπός είναι η επέκταση του μοντέλου με σωρευτικά δεδομένα από το Εργαστήριο Απεικόνισης Πανεπιστημιακού Νοσοκομείου και άλλα δεδομένα. Η διεργασία θα λαμβάνει υπόψιν της επιπλέον της απεικόνισης παθολογικά δεδομένα ώστε να παρέχει μια προσωποποιημένη εφαρμογή της ΤΝ σε κάθε ασθενή. Η εφαρμογή του μοντέλου βαθιάς μάθησης που θα προκύψει θα αξιολογηθεί μέσα από κλινικές δοκιμές, με στόχο την απόδειξη της προστιθέμενης αξίας της ΤΝ στην κλινική πρακτική με σκοπό τη βελτιστοποίηση της παροχής υγείας και της υφιστάμενης κλινικής διαγνωστικής διαδικασίας.
Είναι επίσης σημαντικό να αναφερθεί ότι τα ερευνητικά αποτελέσματα του έργου θα είναι διαθέσιμα και προσβάσιμα μέσω ψηφιακών φορέων με ανοιχτή πρόσβαση, ενώ θα εξασφαλίζεται η διαλειτουργικότητα με τη χρήση επιστημονικών προτύπων. Τέλος θα πραγματοποιηθούν ενημερωτικές εκστρατείες και δημόσιες δράσεις για τη διάδοση των αποτελεσμάτων και την ευαισθητοποίηση για τη σημασία της πρόληψης του καρκίνου του μαστού.
Το συνολικό έργο επιδιώκει να αποδείξει ότι η ενσωμάτωση αυτών των τεχνολογιών μπορεί να αυξήσει την ακρίβεια, να μειώσει το κόστος και να βελτιώσει την ποιότητα ζωής των ασθενών, καθιστώντας τις νέες τεχνολογίες πιο προσβάσιμες στο Εθνικό Σύστημα Υγείας (ΕΣΥ).