Naukowcy pracę nad algorytmem pomagającym w diagnozowaniu chorób płuc rozpoczęli w 2020 roku, tuż po wybuchu światowej epidemii COVID-19. Początkowo ich zainteresowania koncentrowały się wokół zmian wywoływanych wyłącznie przez tę chorobę. Jednak wraz z postępem prac i coraz wyższym poziomem zaawansowania tworzonego algorytmu, a także dzięki rozbudowie dostępnych baz danych zespół włączył do badań także inne choroby płuc. Obecnie opracowane rozwiązanie poza COVID-19 obejmuje także między innymi bakteryjne i wirusowe zapalenie płuc, kardiomegalię, rozedmę, zmętnienie płuc czy gruźlicę.
Naukowcy do opracowania zaawansowanego algorytmu wykorzystali dostępne bazy naukowe. Znajdują się w nich dane zawierające obrazy rentgenowskie płuc pacjentów, u których podejrzewano COVID-19. Zbiory zostały opisane przez lekarzy – ekspertów w swoich dziedzinach. – Na bazie tych danych już na początku pandemii zaczęliśmy opracowywać algorytmy, które by były w stanie rozróżnić płuca zdrowe od płuc zaatakowanych przez wirusa COVID-19 – mówi dr hab. inż. Marcin Kowalski, prof. WAT.
– Zastosowaliśmy nowatorskie metody analizy danych z wykorzystaniem głębokiego uczenia maszynowego. Ze względu na ograniczoną wówczas ilość danych ważne było opracowanie takiego rozwiązania, które dobrze by się uczyło przy niewielkich zbiorach. Efektem naszych prac był „lekki” model sieci neuronowej. Uzyskiwaliśmy przy tym wysoką, bo niemal 100-procentową, skuteczność diagnozowania pacjentów w kierunku COVID-19 – dodaje naukowiec. Pierwsza praca w zakresie wykrywania COVID-19 opublikowana została już w marcu 2021 roku.
Początkowo dostępne naukowe bazy danych zawierały głównie obrazy rentgenowskie, czyli obrazy płaskie. Obecnie znajdują się w nich także wyniki z tomografii komputerowej, która z kolei pokazuje trójwymiarowy obraz płuc. Obie te metody wykorzystywane są w diagnostyce pacjentów.
W najnowszej pracy zespół wykorzystał właśnie skany z tomografii. Wraz z rozwojem istniejących baz danych naukowcy rozwijali także pracę nad udoskonalaniem algorytmu. Po opracowaniu rozwiązania uzyskującego świetne wyniki w rozpoznawaniu COVID-19 włączyli także inne choroby płuc. Mogą one powodować zmiany chorobowe podobne do tych wynikających z COVID-19.
Opracowane rozwiązanie potrafi nie tylko odróżnić osobę zdrową od chorej, lecz także zdiagnozować konkretną chorobę na podstawie zmian widocznych na obrazach rentgenowskich lub tomograficznych. Często są to niuanse, dlatego naukowcy do pracy nad algorytmem włączyli wiele zróżnicowanych wyników badań, odpowiednio je pogrupowali i skategoryzowali. Model testowali na wielu badaniach, dzięki czemu nie tylko osiągnęli bardzo dobre wyniki, lecz także zweryfikowali skuteczność metody.
Nowoczesne metody algorytmiczne mogą znacząco skrócić kolejki do lekarza oraz czas oczekiwania na opis wyniku badania pacjenta. Zaprojektowane przez naukowców rozwiązanie potrafi wesprzeć medyków w diagnostyce. Znacznie przyspiesza proces oceny zmian chorobowych na podstawie obrazu rentgenowskiego lub tomograficznego. Taka automatyczna analiza zajmuje zaledwie ułamek sekundy. Co istotne, algorytm się nie męczy, a więc jest skuteczny na stałym poziomie przez cały czas działania. To z kolei pozwala zmniejszyć liczbę ewentualnych błędów. Wszystkie te czynniki sprawiają, że AI może wkrótce stanowić potężne wsparcie w leczeniu pacjentów.
Do algorytmu została opracowana aplikacja mobilna. Lekarz może wygodnie użyć jej do analizy obrazów rentgenowskich czy z tomografii. Naukowcy przetestowali aplikację w dostępnych na rynku popularnych smartfonach. Działa ona skutecznie, a przetworzenie badania w telefonie i zwrócenie wyniku trwa mniej niż sekundę.
„Jesteśmy w stanie zaimplementować algorytm w bardzo prostym i niewymagającym środowisku. Praktycznie każdy posiada teraz smartfon. Nasz algorytm to narzędzie podręczne, które faktycznie jesteśmy w stanie wykorzystać w przychodni, w szpitalu czy w małym gabinecie lekarskim. Oczywiście wciąż pracujemy nad jego udoskonalaniem, ale pokazujemy, jak wygodne i sprawne jest to rozwiązanie. Mamy też kolejne pomysły, które stopniowo chcemy i będziemy wdrażać” – podkreśla dr hab. inż. Marcin Kowalski, prof. WAT.
Jednym z większych wyzwań dla naukowców pracujących nad wykorzystaniem AI w stawianiu diagnoz jest zbudowanie zaufania lekarzy do nowoczesnych narzędzi algorytmicznych. Dużo łatwiej jest zaufać człowiekowi, ekspertowi szkolonemu przez wiele lat.
„Lekarz prowadzący pacjenta zleca badanie radiologiczne. Radiolog wykonuje badanie, opisuje je i zwraca lekarzowi prowadzącemu. To jest relacja lekarz – lekarz. Dlaczego lekarz ma wierzyć algorytmowi? Rozwiązaniem, które my chcemy zaproponować w niedalekiej przyszłości, jest explainable AI, czyli wytłumaczalna sztuczna inteligencja – mówi dr hab. inż. Marcin Kowalski, prof. WAT.
Wytłumaczalna sztuczna inteligencja (ang. explainable artificial intelligence) to mówiąc najprościej takie podejście do tworzenia algorytmów sztucznej inteligencji czy algorytmów automatycznej analizy danych, w którym pokazują nam one ścieżkę dojścia do wyniku końcowego.
„Większość algorytmów zwraca nam konkretny wynik. Nie pokazują sposobu, w jaki do tego doszły. Dlatego zgodnie z aktualnymi trendami powinniśmy dołożyć starań, aby budować algorytmy, które pokażą nam, skąd się dany wynik wziął. To tzw. explainable AI. Na podstawie tego, co taki algorytm zwróci, będziemy w stanie odtworzyć proces decyzyjny, a tym samym zweryfikować jego działanie i poprawność. Jako finalny odbiorca wyniku algorytmu będziemy też w stanie bardziej świadomie podejmować decyzje. Cały proces będzie dla nas bardziej zrozumiały” – wyjaśnia prof. Kowalski.
Jednym z pomysłów na zastosowanie wytłumaczalnej sztucznej inteligencji jest połączenie metod ilościowych oraz jakościowych. Dla naukowców oznacza to pracę nad metodami kompleksowymi, których opracowanie jest o kilka poziomów trudniejsze od stosowanych obecnie algorytmów. Obejmuje bowiem nie tylko nauczenie algorytmu rozróżniania obrazów, ale i zaprezentowanie całej ścieżki dojścia do danego wyniku. Z tego powodu cały proces będzie podzielony na wiele kroków. Każda z części jest osobnym algorytmem do opracowania. Wszystkie składają się na efekt końcowy, dlatego ważne jest, aby działały na podobnym – wysokim – poziomie. Algorytm będzie tak dobry jak jego najsłabszy element.
Lekarz radiolog, który ogląda obraz, na którym widać plamy na płucach, ocenia m.in. ich powierzchnię, liczbę, intensywność i wiele innych cech. Naukowcy muszą więc opracować taki algorytm, który będzie w stanie wyodrębnić plamy na obrazie, policzyć ich objętość czy też powierzchnię i przekazać informację na temat jakościowego sparametryzowania tych zmian.
– Może się to odbywać w wieloraki sposób, na przykład możemy do tego zastosować tzw. segmentację semantyczną. Pozwala ona wyodrębniać określone obszary o określonej intensywności i kształcie. Oznacza to, że wyszukujemy, zliczamy i mierzymy obszary, które wcześniej zdefiniowaliśmy. Takie pełne dane przekazane lekarzowi zawierają najważniejsze czynniki umożliwiające podjęcie decyzji – dokładnie opisany obraz wraz ze wstępną diagnozą i jej szczegółowym uzasadnieniem. Rozwiązania wytłumaczalne dają możliwość przeanalizowania i zrozumienia sposobu działania algorytmu. Co więcej, łatwiej je też audytować i weryfikować poprawność ich działania – ocenia naukowiec WAT.
Rozwiązania wytłumaczalne to kierunek, w którym naukowcy będą w najbliższym czasie podążać. „Chcemy tworzyć rozwiązania, które będą zrozumiałe, łatwe do wykorzystania i których lekarze rzeczywiście będą chcieli używać. Sztuczna inteligencja to narzędzie, które może pomóc i medykom, i pacjentom” – podsumowuje dr hab. inż. Marcin Kowalski, prof. WAT. A dzięki zaangażowaniu naukowców z dostępnych rozwiązań bazujących na AI możemy korzystać już teraz – wygodnie i szybko.
Źródło: materiały WAT/Dominika Naruszko, zdjęcie zajawka: Lifestylememory/Freepik
Zostaw komentarz
You must be logged in to post a comment.