Zdjęcie: Adobe Stock
Eksperci z Politechniki Warszawskiej we współpracy z Polską Grupą ds. Raka Płuc stworzyli model sztucznej inteligencji wykorzystujący największą na świecie bazę danych obrazów klatki piersiowej. Model ten ma na celu pomóc lekarzom w identyfikacji chorób dotykających okolicę klatki piersiowej.
„System ma pomagać lekarzom w wykonywaniu ich najbardziej pracochłonnych zadań, dając im więcej czasu na ocenę cech klinicznie istotnych” – stwierdza Przemysław Biecek, kierownik projektu i szef zespołu badawczego MI2.AI, zajmującego się przetwarzaniem danych i uczeniem maszynowym.
Jak wyjaśnia ekspert w informacji przekazanej agencji PAP, system – opracowany w ramach projektu Xlungs – jest w stanie szybko zbadać tysiące referencyjnych skanów tomografii komputerowej, jednocześnie błyskawicznie analizując setki obrazów w ramach każdego skanu, co pozwala dokładnie zidentyfikować zmiany patologiczne i krytyczne szczegóły anatomiczne.
„Cechy anatomiczne mierzone przez system można zintegrować z innymi procesami diagnostycznymi. Podobnie jak badania krwi stanowią podstawę diagnozowania różnych chorób — ten precyzyjny, szybki i niedrogi pomiar zmian w klatce piersiowej może zrewolucjonizować badania przesiewowe” — twierdzi lider zespołu MI2.AI. Ponadto zauważa, że to narzędzie można włączyć do istniejących systemów leczenia, ponieważ jest zgodne z powszechnie akceptowanymi standardami dokumentacji medycznej.
System wykorzystuje rozległą kolekcję skanów tomografii komputerowej płuc — liczącą 40 000 — opracowaną przez grupę badawczą MI².AI z Politechniki Warszawskiej we współpracy z Polską Grupą ds. Raka Płuc. Skany te pochodzą z płyt CD zawierających obrazy tomografii komputerowej polskich pacjentów z lat 2010–2018, w tym oceny przesiewowe raka płuc. Efektem tych wysiłków było stworzenie modelu sztucznej inteligencji opartego na największej na świecie bazie danych tego typu (obejmującej 40 terabajtów informacji). Ma on pomóc lekarzom w szybszym i skuteczniejszym diagnozowaniu chorób. Jednak w Polsce może być dostępnych wiele innych podobnych zasobów.
Każdego roku w Polsce wykonuje się setki milionów badań laboratoryjnych, z czego ponad 60 milionów to badania obrazowe, takie jak tomografia komputerowa (TK). Raport Collective Minds Radiology wskazuje, że pojedyncze badanie TK generuje od 200 MB do 1 GB danych. Średniej wielkości szpital generuje rocznie od kilkudziesięciu terabajtów (1 TB = 1024 GB) do wielu petabajtów (1 PB = 1024 TB) danych, obejmujących skany obrazowe, wyniki badań laboratoryjnych i dokumentację medyczną.
W Polsce od ponad dekady funkcjonuje elektroniczna dokumentacja medyczna (EMD) — zintegrowany system, który gromadzi informacje o stanie zdrowia pacjentów. Od 1 lipca 2021 r. wszyscy lekarze i kliniki mają obowiązek dokumentowania zdarzeń medycznych w jej ramach. Niemniej jednak wiele placówek służby zdrowia już wcześniej niezależnie gromadziło takie dane.
„Często spotykamy się z sytuacjami, w których leczenie pacjenta dobiegło końca, a wyniki jego badań pozostają zapisane w bazie danych szpitala lub kliniki, metaforycznie +zbierając kurz+ na półkach” – wyjaśnia Marcin Luckner, kierownik prac podejmowanych w ramach projektu Xlungs. „Jednak nawet jeśli zebrane dane nie są już istotne dla konkretnego przypadku, porównanie ich z wynikami innych osób z tym samym schorzeniem może pomóc lekarzom zidentyfikować wzorce i trendy w postępie choroby, co ostatecznie usprawni przyszłe leczenie. Analiza setek lub tysięcy wyników badań może być wyjątkowo pracochłonna i czasochłonna, ale algorytmy sztucznej inteligencji mogą nam w tym pomóc” – twierdzi.
Według naukowców z Politechniki Warszawskiej, w Polsce co roku kształci się ponad dziesięć tysięcy absolwentów informatyki, a każdego roku wystawianych jest pół miliarda e-recept. Uważają, że to dobrze pozycjonuje kraj, aby stać się liderem w rozwijaniu technologii medycznych wspieranych przez sztuczną inteligencję. „Polskie dane pozwalają nam lepiej ułatwiać lokalną diagnostykę w porównaniu z danymi pochodzącymi z krajów takich jak Chiny. Jednocześnie, wolumen tych danych daje potencjał do tworzenia rozwiązań o globalnym kalibrze” – podkreślają specjaliści z PW.
Model sztucznej inteligencji CTSegMate, opracowany w ramach projektu Xlungs, wydobywa istotne informacje z historycznych obrazów CT, automatyzuje proces opisywania wyników i skraca czas analizy. Zespół MI².AI poświęcił trzy lata na jego rozwój, podczas których zaangażowane procesory wymagały ponad 180 000 godzin obliczeniowych. Podjęcie takiego projektu było możliwe dzięki finansowaniu z Narodowego Centrum Badań i Rozwoju w ramach konkursu INFOSTRATEG I.
MI².AI skupia pracowników naukowych i studentów dwóch wydziałów matematyki i informatyki w Polsce: MIM Uniwersytetu Warszawskiego i MiNI Politechniki Warszawskiej. Zajmuje się badaniami naukowymi w zakresie sztucznej inteligencji, praktycznymi zastosowaniami jej odkryć i upowszechnianiem wiedzy w tej dziedzinie. (PAP)
Nauka w Polsce
zbw/ zan/
