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 diagnozowaniu schorzeń związanych z klatką piersiową.
„System ma pomagać lekarzom w wykonywaniu ich najbardziej monotonnych zadań, dając im więcej czasu na analizowanie cech istotnych diagnostycznie” – twierdzi Przemysław Biecek, kierownik projektu i szef zespołu badawczego MI2.AI, specjalizującego się w przetwarzaniu danych i uczeniu maszynowym.
Jak wyjaśnia ekspert w informacjach udostępnionych PAP, podczas wyszukiwania porównywalnych obrazów system — opracowany w ramach projektu Xlungs — może szybko zbadać tysiące referencyjnych skanów tomografii komputerowej. W ramach każdego skanu szybko ocenia setki obrazów, aby dokładnie zidentyfikować zmiany patologiczne i krytyczne cechy anatomiczne.
„Anatomiczne cechy mierzone przez system można zintegrować z innymi procesami diagnostycznymi. Podobnie jak badanie krwi stanowi podstawę diagnozowania wielu chorób — ten precyzyjny, szybki i niedrogi pomiar zmian w klatce piersiowej może stanowić znaczący postęp w badaniach przesiewowych” — twierdzi lider zespołu MI2.AI. Dodaje, że to narzędzie można bezproblemowo zintegrować z istniejącymi systemami leczenia, ponieważ jest zgodne z powszechnie akceptowanymi standardami dokumentacji medycznej.
System wykorzystuje rozległą kolekcję skanów tomografii komputerowej płuc — liczącą 40 000 — opracowaną przez zespół badawczy MI².AI z Politechniki Warszawskiej we współpracy z Polską Grupą ds. Raka Płuc. Skany te zostały zebrane od polskich pacjentów w latach 2010–2018, w tym badania przesiewowe w kierunku raka płuc. Doprowadziło to do opracowania modelu sztucznej inteligencji opartego na największym zbiorze danych tego typu na świecie (obejmującym 40 terabajtów informacji). Ma on na celu pomóc lekarzom w szybszym i skuteczniejszym diagnozowaniu chorób. Ponadto w Polsce może być dostępnych o wiele więcej 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). Według raportu Collective Minds Radiology, pojedyncze badanie TK może wygenerować od 200 MB do 1 GB danych. Średniej wielkości szpital produkuje od kilkudziesięciu terabajtów (1 TB = 1024 GB) do kilku petabajtów (1 PB = 1024 TB) danych rocznie za pośrednictwem skanów obrazowych, wyników badań laboratoryjnych i dokumentacji medycznej.
W Polsce od ponad dekady funkcjonuje elektroniczna dokumentacja medyczna (EMD) — zintegrowany system, który gromadzi informacje o stanie zdrowia pacjentów. Od 1 lipca 2021 r. każdy pracownik służby zdrowia lub gabinet ma obowiązek dokumentowania zdarzeń medycznych w ramach tego systemu. 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 testów pozostają w bazie danych szpitala lub kliniki, metaforycznie +zbierając kurz+ na półkach” – wyjaśnia Marcin Luckner, kierownik prac prowadzonych w ramach projektu Xlungs. „Niemniej jednak, nawet jeśli zgromadzone dane nie są już istotne dla konkretnej choroby, porównanie ich z wynikami innych osób doświadczających tego samego stanu może pomóc lekarzom zidentyfikować pewne wzorce i trendy w postępie choroby, a tym samym udoskonalić przyszłe leczenie. Analiza setek lub tysięcy wyników testów jest pracochłonnym i czasochłonnym procesem, 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 Polskę, aby stać się liderem w rozwoju technologii medycznych wspomaganych sztuczną inteligencją. „Polskie dane pozwalają nam lepiej wspierać lokalną diagnostykę niż dane pochodzące z krajów takich jak Chiny. Jednocześnie ich wolumen oferuje potencjał do tworzenia rozwiązań światowej klasy” – podkreślają specjaliści z PW.
Model sztucznej inteligencji CTSegMate, opracowany w ramach projektu Xlungs, wydobywa krytyczne informacje z historycznych obrazów CT, automatyzuje raportowanie wyników i skraca czas analizy. Zespół MI².AI poświęcił trzy lata na jego rozwój, a zaangażowane procesory wymagały ponad 180 000 godzin obliczeń. Realizacja takiego projektu była możliwa 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 związanymi ze sztuczną inteligencją i jej praktycznymi zastosowaniami, jednocześnie promując wiedzę w swojej dziedzinie. (PAP)
Nauka w Polsce
zbw/ zan/
