Jump to content
Forum Kopalni Wiedzy
KopalniaWiedzy.pl

Jak sztuczna inteligencja pomoże w zapobieganiu przedwczesnym porodom?

Recommended Posts

Wg raportu Światowej Organizacji Zdrowia (WHO) spontaniczny przedwczesny poród dotyczy 15 milionów noworodków rocznie. Aż milion z nich umiera. Wiele przez całe życie mierzy się z niepełnosprawnością.

Wykorzystywana powszechnie manualna analiza obrazów ultrasonograficznych umożliwia wykrycie ewentualnych problemów, ale nie jest to metoda doskonała.

Problem ten dostrzegają lekarze. W 2017 roku Nicole Sochacki-Wójcicka (w trakcie specjalizacji z ginekologii) oraz Jakub Wójcicki zgłosili się do dr. Tomasza Trzcińskiego z Wydziału Elektroniki i Technik Informacyjnych PW z pytaniem, czy jest możliwość zrealizowania projektu predykcji spontanicznego przedwczesnego porodu z wykorzystaniem sieci neuronowych.

Wtedy powstał zespół badawczy i zaczęły się prace. Pierwsze efekty już znamy.

Nasze rozwiązanie może wspomóc diagnostykę komputerową i pozwolić z większą dokładnością przewidywać spontaniczne przedwczesne porody – wyjaśnia Szymon Płotka, absolwent Politechniki Warszawskiej i jeden z członków zespołu pracującego nad projektem.

Wytrenować sieć neuronową

Przed rozpoczęciem projektu, współpracujący z nami lekarze przygotowali zestaw danych uczących, walidacyjnych oraz adnotacji w formie obrysu kształtu szyjek macicy na obrazach ultrasonograficznych oraz numerycznych (0 i 1), odpowiadającymi kolejno: poród w terminie, poród przedwczesny – wyjaśnia Szymon Płotka.

Po wstępnym oczyszczeniu takie dane są wykorzystywane jako dane „uczące” sieć neuronową – w tym przypadku konwolucyjną (splotową).

Analizuje ona każde zdjęcie piksel po pikselu, wyodrębniając z nich niezbędne cechy, które posłużą do zadania segmentacji interesującego nas fragmentu obrazu (w tym przypadku szyjki macicy) oraz klasyfikacji (czy mamy do czynienia z porodem przedwczesnym, czy nie) – tłumaczy dalej Szymon Płotka.W trakcie treningu sieć neuronowa testuje swoje predykcje na zbiorze walidacyjnym. Po zakończeniu trenowania sieci neuronowej, jest ona sprawdzana na danych testowych, które nie zostały wykorzystane w ramach treningu. W ten sposób weryfikuje się poprawność wytrenowanego modelu.

W ramach projektu powstały dwie publikacje naukowe.

Efektem prac opisanych w „Estimation of preterm birth markers with U-Net segmentation network” (publikacja dostępna tutaj i tutaj) jest m.in. redukcja błędu predykcji spontanicznych przedwczesnych porodów z 30% (manualnie przez lekarzy) do 18% przez sieć neuronową.

W „Spontaneous preterm birth prediction using convolutional neural networks” (szczegóły tutaj i tutaj) naukowcy zaprezentowali poprawę jakości segmentacji w stosunku do pierwszej publikacji i uzyskali lepsze wyniki klasyfikacji.

Zgodnie z naszą najlepszą wiedzą, są to jedyne istniejące prace podejmujące się zadania predykcji spontanicznego przedwczesnego porodu w oparciu o transwaginalne obrazy ultrasonograficzne – mówi Szymon Płotka.

Naukowcy pracują obecnie nad serwisem w formie aplikacji internetowej. Chcą tam udostępnić przygotowane modele sieci neuronowej. Ma to pomóc ginekologom analizować obrazy ultrasonograficzne i tym samym wesprzeć diagnostykę spontanicznego przedwczesnego porodu. A to może uratować życie i zdrowie milionów noworodków.


« powrót do artykułu

Share this post


Link to post
Share on other sites

Coraz więcej takich sytuacji:

1.Nie rozumiemy jak coś się dzieje

2. Więc wytrenujmy sieć neuronową

3. Mamy "sukces" bo sieć robi coś lepiej od specjalistów

Tylko ze nawet specjaliści nie potrafią wyciągnąć wniosku z powyższego procesu: nadal nie potrafimy odpowiedzieć na pytanie jakie cechy obrazu sieć neuronów traktuje jako istotne w ocenie przypadku.

To wykorzystanie sieci neuronowych jest dla mnie trochę mało naukowe. Doceniam starania byśmy byli zdrowi ale to nadal kiepskie, że używamy czegoś czego nie potrafimy wyjaśnić.

 

Share this post


Link to post
Share on other sites
Godzinę temu, idearmo napisał:

Tylko ze nawet specjaliści nie potrafią wyciągnąć wniosku z powyższego procesu: nadal nie potrafimy odpowiedzieć na pytanie jakie cechy obrazu sieć neuronów traktuje jako istotne w ocenie przypadku.

Bo cechy mogą być bardzo subtelne, a komputer ma możliwość przepuszczenia obrazu przez setki filtrów. W przypadku U-net to 96 różnych filtrów wydobywających krawędzie i tekstury (cechy). Komputer się nie męczy i jest cały czas skupiony, błędy rozpoznania wynikają głównie z jakości obrazu i/lub wczesnego etapu problemu.

Nigdy nie bawiłem się U-Netem, ale jestem prawie pewien, że niektóre frameworki pozwalają zaglądnąć do wnętrza wyuczonego modelu i wskazania  które filtry są najistotniejsze. Tylko taka wiedza lekarzowi na nic, powiedzmy że najważniejszy jest filtr 1, no i co?

image.png.0ec2fd92eb65efc59f0d4a554ab3e930.png

Edited by Jajcenty

Share this post


Link to post
Share on other sites
59 minut temu, Jajcenty napisał:

Nigdy nie bawiłem się U-Netem, ale jestem prawie pewien, że niektóre frameworki pozwalają zaglądnąć do wnętrza wyuczonego modelu i wskazania  które filtry są najistotniejsze. Tylko taka wiedza lekarzowi na nic, powiedzmy że najważniejszy jest filtr 1, no i co?

No i można by wyciągnąć jakieś wnioski na przyszłość ("że kształt szyjki macicy w tym i tym miejscu..." lub coś podobnego) i pójść z tą wiedzą do przodu i na tej bazie dokonywać kolejnych odkryć. A tak mamy magiczne pudełko o którym za wiele nie wiemy, poza tym że się nie męczy i jest skuteczniejsze od lekarzy w kilku analizach, ale wyciągnięta wiedza wygląda na "ostateczną": sieć neuronowa tak zadecydowała, no i co jej zrobisz? Przyjmiesz jako prawdę objawioną? W jaki sposób poza badaniem skuteczności można podważyć jej działanie? To mi przypomina konia, który podobno dobrze liczył, a potem się okazało, że po prostu obserwował zachowanie obserwatorów i na tej podstawie osiągał korzyści (smakołyki). Może też powinniśmy nie zatrzymywać się na "ta sieć neuronowa jest lepsza od lekarzy" bo dla mnie to jest zadanie bardziej dla operatorów odpowiednich programów a nie dla naukowców, tylko powinniśmy zgłębiać dalej ten temat zadając pytania w stylu "dlaczego sieć neuronowa dokonała takiej a nie innej decyzji", albo "co zadecydowało o kwalifikacji danego obrazu do tej kategorii".

Z tego powodu dokonania typu "zaprogramowaliśmy sieć neuronową i jesteśmy lepsi od człowieka" jest i owszem, dokonaniem, ale dla mnie mało naukowym, a raczej technicznym. Z tego powodu prędzej widziałbym taki artykuł nie w Kopalni wiedzy ale na portalach IT oraz medycznych. Po prostu zrzędzę, że mało tej nauki w tym odkryciu.

Share this post


Link to post
Share on other sites
11 minut temu, idearmo napisał:

No i można by wyciągnąć jakieś wnioski na przyszłość ("że kształt szyjki macicy w tym i tym miejscu..." lub coś podobnego) i pójść z tą wiedzą do przodu i na tej bazie dokonywać kolejnych odkryć. 

To jest robione w procesie douczania. Lekarz może douczyć sieć, czy sieć może douczyć lekarza? Bardzo wątpię. Może na etapie studiów do weryfikacji umiejętności studenta.

14 minut temu, idearmo napisał:

tylko powinniśmy zgłębiać dalej ten temat zadając pytania w stylu "dlaczego sieć neuronowa dokonała takiej a nie innej decyzji", albo "co zadecydowało o kwalifikacji danego obrazu do tej kategorii"

Ależ my to wiemy. Przecież uczymy: jak tu jest białe a obok czarne to rak. Im więcej czarnego tym więcej rak. Sieć jedynie kondensuje te wiedzę lekarzy do macierzy współczynników.

Share this post


Link to post
Share on other sites

Create an account or sign in to comment

You need to be a member in order to leave a comment

Create an account

Sign up for a new account in our community. It's easy!

Register a new account

Sign in

Already have an account? Sign in here.

Sign In Now

  • Similar Content

    • By KopalniaWiedzy.pl
      Rynkowy sukces lub porażka układu scalonego zależą w dużej mierze od etapu jego projektowania. Wtedy właśnie zostają podjęte decyzje odnośnie umiejscowienia na krzemie modułów pamięci i elementów logicznych. Dotychczas zadania tego nie udawało się zautomatyzować, a etap projektowania zajmuje inżynierom całe tygodnie lub miesiące. Inżynierowie Google'a poinformowali właśnie, że stworzony przez nich system sztucznej inteligencji poradził sobie z częściowym zaprojektowaniem chipa w ciągu godzin.
      Współczesne układy scalone składają się z miliardów tranzystorów, dziesiątek milionów bramek logicznych, tysiące bloków logicznych i łączących je kilometrów ścieżek. Lokalizacja poszczególnych układów i bloków logicznych odgrywa kluczową rolę dla przyszłej wydajności chipa. Specjaliści od dziesięcioleci pracują nad rozwiązaniami pozwalającymi zautomatyzować proces projektowania.
      Jako że bloki logiczne to duże elementy, tysiące i miliony razy większe od bramek logicznych, bardzo trudno jest jednocześnie umieszczać bloki i bramki. Dlatego współcześni projektanci układów najpierw umieszczają na krzemie bloki, a wolne miejsca zostają zapełnione pozostałymi bramkami logicznymi.
      Już samo rozmieszczenie bloków jest niezwykle wymagające. Eksperci Google'a obliczyli, że liczba możliwych kombinacji rozmieszczenia makrobloków, które brali pod uwagę w swoich badaniach, wynosi 102500.
      Planując rozmieszczenie bloków, inżynierowie muszą pamiętać o pozostawieniu miejsca na inne elementy i ich łączenie. Azalia Mirhoseini i jej zespół poinformowali na łamach Nature o stworzeniu metody automatycznego wstępnego projektowania chipa w czasie krótszym niż 6 godzin, które swoimi wynikami dorównuje lub nawet przewyższa to, co potrafią doświadczeni inżynierowie.
      naukowcy z Google'a wykorzystali techniki maszynowego uczenia się do wytrenowania swojego programu tak, by rozmieszczał na planie makrobloki. Po umieszczeniu każdego z nich program dokonuje oceny całego chipa, a następnie wykorzystuje to, czego się nauczył, do zaplanowania jak najlepszego kolejnego kroku.
      Co interesujące, projekty tworzone przez google'owską SI znacząco różnią się od tego, jak projektuje człowiek. Sztuczna inteligencja rozpoczyna od największych makrobloków. Ponadto w jakiś sposób unika ciągłego poprawiania tego, co już zostało zrobione. Inżynierowie, po umieszczeniu kolejnych bloków, bardzo często poprawiają rozmieszczenie następnych. SI tego nie robi. Mimo to udało jej się zaprojektować układy, w których sygnał pomiędzy poszczególnymi elementami biegnie równie sprawnie, co między układami zaprojektowanymi przez ludzi.
      Google już stosuje metody opracowane prze Mirhoseini do projektowania układów dla przyszłej generacji systemów sztucznej inteligencji. Tymczasem producenci układów scalonych próbują odtworzyć osiągnięcie Google'a i wdrożyć podobne rozwiązania do własnego procesu projektowania.

      « powrót do artykułu
    • By KopalniaWiedzy.pl
      Unia Europejska pracuje nad regulacjami dotyczącymi użycia sztucznej inteligencji. Regulacje takie mają na celu stworzenie przejrzystych reguł wykorzystania AI i zwiększenie zaufania do najnowocześniejszych technologii.
      Nowe zasady mają regulować nie tylko używanie sztucznej inteligencji na terenie UE, ale również prace nad nią. Unia chce bowiem stać się jednym z głównych centrów rozwoju bezpiecznej, godnej zaufania i nakierowanej na człowieka sztucznej inteligencji.
      Regulacje skupiają się przede wszystkim na tych zastosowania AI, które mogą nieść ze sobą ryzyko naruszania praw czy prywatności. Wchodzą tutaj w grę przepisy dotyczące identyfikacji biometrycznej i kategoryzowania ludzi, egzekwowania prawa, zarządzania kwestiami azylowymi i granicznymi, migracji, edukacji i innych pól, na których AI może znaleźć zastosowanie.
      Eurourzędnicy chcą zakazać stosowania technologii, które mogą stanowić potencjalne zagrożenie dla bezpieczeństwa i podstawowych praw człowieka. Przepisy mają np. zapobiegać społecznemu kategoryzowaniu ludzi przez sztuczną inteligencję, jak ma to miejsce w Chinach czy USA. Zakazane ma być np. stosowanie sztucznej inteligencji do tworzenia reklam nakierowanych na konkretnego odbiorcę. Unia Europejska chce również, by przedsiębiorstwa mały obowiązek informowania użytkowników, gdy AI będzie wykorzystywana do określania ludzkich emocji czy klasyfikowania ludzi ze względu na niektóre dane biometryczne.
      Wysunięte propozycje obejmują bardzo szeroki zakres działalności AI, do samochodów autonomicznych poprzez reklamę bo bankowe systemy decydujące o przyznaniu kredytu. To bardzo ważny globalny przekaz mówiący, że pewne zastosowania sztucznej inteligencji są niedopuszczalne w krajach demokratycznych, praworządnych, przestrzegających praw człowieka, mówi Daniel Leufer, analityk z organizacji Access Now.
      Na razie propozycje są dość ogólne, ale i pełne luk, pozwalające na sporą interpretację. Z pewnością jednak działaniom UE będą przyglądały się firmy z całego świata, gdyż proponowane przepisy będą bezpośrednio dotyczyły tego, w jaki sposób przedsiębiorstwa będą mogły wykorzystywać AI na terenie Unii.
      Avi Gesser, partner w amerykańskiej firmie Debevoise mówi, że unijne regulacje – mimo że do czasu ich wprowadzenia z pewnością miną całe lata – wpłyną na przepisy na całym świecie. Zwykle prawodawcy nie palą się do wprowadzania tego typu przepisów. Raz, że uważają, iż AI to kwestia ściśle techniczna, dwa, że boją się zablokować swoimi przepisami rozwój. Jeśli więc pojawią się przepisy unijne, prawdopodobnie będą się na nich wzorowali prawodawcy z innych krajów.
      Do rozwiązania zaś pozostają tak poważne kwestie, jak np. problem manipulacji ludzkimi zachowaniami. Cała reklama polega na manipulacji. Prawdziwym wyzwaniem jest więc określenie, jakie manipulacje są dopuszczalne, a jakie niedopuszczalne, zauważa Gesser.

      « powrót do artykułu
    • By KopalniaWiedzy.pl
      Nasze badania wykazały, że u ozdrowieńców w ciągu sześciu miesięcy od zdiagnozowania COVID-19 ryzyko zgonu jest większe i rośnie wraz z cięższym przebiegiem choroby, mówi profesor Ziyad Al-Aly. Do takich wniosków naukowcy z Washington University of St. Louis doszli na podstawie analizy danych ponad 87 000 osób, które chorowały na COVID-19 i grupy kontrolnej składającej się z 5 000 000 osób z federalnej bazy danych. To najszerzej zakrojone badania nad długoterminowymi skutkami COVID-19.
      Nie jest przesadą stwierdzenie, że długoterminowe skutki COVID-19 będą w przyszłości stanowiły poważny kryzys zdrowotny w USA. Biorąc pod uwagę fakt, że chorowało ponad 30 milionów osób, a długoterminowe skutki choroby są znaczące, efekty pandemii będziemy odczuwali przez lata, a nawet dekady. Lekarze muszą lepiej przyglądać się osobom, które przechorowały COVID-19, dodaje uczony.
      Badacze wykazali, że po przetrwaniu początkowej infekcji COVID-19 – za taki stan uznano okres rozpoczynający się 30 dni po diagnozie – ryzyko zgonu w ciągu kolejnych 6 miesięcy jest o 60% wyższe niż w reszcie populacji. Okazało się, że w tym czasie liczba zgonów wśród ozdrowieńców jest wyższa o 8 osób na 1000. Znacznie gorzej jest w grupie, która była na tyle chora, że w związku z COVID-19 trafiła do szpitala. Tam umiera aż 29 osób na 1000 więcej, niż w całej populacji.
      Te zgony, spowodowane długoterminowymi skutkami infekcji, niekoniecznie są zaliczane do zgonów z powodu COVID-19. Wydaje się zatem, że obecnie podawana liczba zgonów, do których zalicza się jedynie zgony bezpośrednio po infekcji, to wierzchołek góry lodowej, dodaje Al-Aly.
      Na potrzeby badań przeanalizowano dane zdrowotne 73 435 osób z bazy danych Departamentu ds. Weteraów (VHA). Wszystkie te osoby przeszły COVID-19 ale żadna z nich nie była z tego powodu hospitalizowana. Dane te porównano z informacjami o niemal 5 milionach osób z bazy VHA, u których nie zdiagnozowano COVID-19. Ponadto, by lepiej zrozumieć ciężki przebieg COVID-19 naukowcy porównali też informacje o 13 654 osobach, które były hospitalizowane z powodu koronawirusa, z danymi 13 997 osób hospitalizowanych z powodu sezonowej grypy. Wszyscy pacjenci przeżyli pierwszych 30 dni od infekcji,a ich losy były śledzone przez kolejnych 6 miesięcy.
      W trakcie analizy potwierdzono, że mimo iż COVID-19 początkowo atakuje układ oddechowy, to wirus może wpłynąć niemal na każdy organ. Po szczegółowej analizie 379 przypadków, 380 klas przepisanych leków i 62 testów laboratoryjnych, badacze zauważyli, że wirus SARS-CoV-2 ma wpływ na cały organizm i wymienili długoterminowe skutki jego działalności, które były widoczne po ponad sześciu miesiącach od diagnozy.
      I tak stwierdzono, że COVID-19 pozostawia długotrwałe skutki w następujących elementach organizmu:
      – układzie oddechowym (długotrwały kaszel, krótki oddech, niski poziom tlenu we krwi),
      – układzie nerwowym (wylewy, bóle głowy, problemy z pamięcią, problemy ze smakiem i węchem),
      – zdrowiu umysłowym (depresja, problemy ze snem, niepokój, nadużywanie różnych substancji),
      – układzie metabolicznym (cukrzyca, otyłość, wysoki poziom cholesterolu),
      – układzie krążenia (ostre zespoły wieńcowe, uszkodzenia serca, palpitacje, nierównomierny rytm),
      - nerkach (ciężkie uszkodzenie nerek, chroniczne uszkodzenie nerek, mogące prowadzić do konieczności dializowania),
      – układzie krwionośnym (zakrzepy w nogach i płucach),
      – skórze (wysypka, utrata włosów),
      – układzie mięśniowo-szkieletowym (bóle stawów, osłabienie mięśni),
      – ogólnym stanie zdrowia (anemia, zmęczenie, ogólne złe samopoczucie).
      Żaden z badanych nie wykazywał wszystkich tych objawów, jednak u wielu pojawiło się po kilka z nich.
      Wśród analizowanych przypadków osób, które trafiły do szpitala, ci, którzy byli hospitalizowani z powodu COVID-19 radzili sobie zdecydowanie gorzej, niż ci, których hospitalizowano z powodu grypy. Ryzyko zgonu wśród hospitalizowanych ozdrowieńców z COVID-19 było o 50% wyższe niż u hospitalizowanych ozdrowieńców z grypy. Ozdrowieńcy z COVID-19 ze znacznie większym prawdopodobieństwem wykazywali też długoterminowe negatywne skutki choroby.
      W porównaniu z grypą COVID-19 znacznie częściej pozostawia ślady w organizmie, zarówno jeśli chodzi o rozmiary ryzyka jak i skutki dla organizmu. Długoterminowe skutki COVID-19 zdecydowanie odbiegają od typowych objawów przechorowania zakażenia wirusem. Zarówno ryzyko uszkodzeń i śmierci, jak i zakres organów i układów dotkniętych chorobą dalece wykraczają poza to, co obserwujemy w przypadku innych wirusowych chorób układu oddechowego, w tym grypy, wyjaśnia Al-Aly.
      Uczeni dodają, że niektóre z długoterminowych objawów – jak np. kaszel czy krótki oddech – mogą z czasem ustępować. Inne zaś mogą się pogarszać. Będziemy nadal śledzić losy pacjentów, by lepiej zrozumieć wpływ wirusa na czas po pierwszych 6 miesiącach od infekcji. Na razie minął nieco ponad rok od wybuchu pandemii, zatem niektóre konsekwencje zachorowania mogły się jeszcze nie ujawnić, stwierdzają naukowcy.
      W przyszłych analizach tej samej grupy pacjentów naukowcy chcą sprawdzić, czy istnieje różnica w długoterminowych skutkach przechorowania COVID-19 w zależności od wieku, płci i rasy.
      Szczegóły badań zostały opublikowane na łamach Nature.

      « powrót do artykułu
    • By KopalniaWiedzy.pl
      Rak prostaty to obecnie jeden z dwóch najczęściej rozpoznawanych nowotworów złośliwych u mężczyzn. Zapadalność na raka gruczołu krokowego rośnie z wiekiem. To poważna choroba, jednak wcześnie wykryta jest uleczalna. Szybka, właściwa diagnostyka pozwala odpowiednio dobrać terapię i zwiększyć szansę pacjenta na przeżycie.
      Najdokładniej zmiany nowotworowe powala zobrazować rezonans magnetyczny (MRI). Niestety, badanie raka prostaty za pomocą tej metody jest skomplikowane. Niezbędne jest badanie wielu cech nowotworu, co utrudnia i znacznie wydłuża interpretację wyniku. Każdy otrzymany obraz musi być przeanalizowany osobno. Diagnostyka ta jest skomplikowana i trudniejsza niż w przypadku większości nowotworów złośliwych. Otrzymane wyniki są oceniane według skali PI-RADS (Prostate Imaging-Reporting and Data System), która umożliwia rozróżnienie zmian istotnych klinicznie. Analiza ta wymaga specjalistycznej wiedzy radiologów, którzy stanowią w Polsce zaledwie ok. 2 proc. lekarzy, co dodatkowo wydłuża czas oczekiwania na badanie i właściwą diagnozę. Interpretacja wyników jest subiektywna i zauważalne są różnice pomiędzy specjalistami doświadczonymi a początkującymi. Badania wykazały, że radiolodzy różnie interpretują, czy potencjalna zmiana nowotworowa jest inwazyjna.
      W Ośrodku Przetwarzania Informacji – Państwowym Instytucie Badawczym (OPI PIB) prowadzimy interdyscyplinarne badania, których wyniki mają praktyczne zastosowanie w wielu dziedzinach. Jednym z obszarów jest wykorzystanie najnowszych technologii IT w medycynie i ochronie zdrowia. Z naszych badań wynika, że sztuczna inteligencja może skutecznie usprawnić pracę lekarzy. Rezultaty są bardzo obiecujące i jestem przekonany, że także pomogą one innym naukowcom opracować nowoczesne narzędzia technologiczne, mające zastosowanie w diagnostyce nie tylko raka prostaty, ale także i innych chorób – mówi dr inż. Jarosław Protasiewicz, dyrektor Ośrodka Przetwarzania Informacji – Państwowego Instytutu Badawczego (OPI PIB).
      Ograniczenie liczby bolesnych biopsji
      Naukowcy z Laboratorium Stosowanej Sztucznej Inteligencji w OPI PIB opracowali platformę badawczą eRADS, która służy do standaryzacji opisów raportów medycznych. Narzędzie to pozwala obiektywnie ocenić istotność kliniczną zmiany na podstawie pięciostopniowej skali PI-RADS. Platforma umożliwia także zbieranie danych z badań, co w przyszłości pomoże stworzyć rozwiązania, które automatycznie będą szacowały cechy istotne klinicznie. W tym przypadku sztuczną inteligencję zastosowano do wspomagania procesów decyzyjnych.
      Badacze OPI PIB przeprowadzili badania pilotażowe z udziałem 16 pacjentów, diagnozowanych przez dwóch radiologów podczas ich dyżuru w Centralnym Szpitalu Klinicznym MSWiA w Warszawie. Specjaliści ci różnili się stażem pracy w zawodzie. Ich celem była ocena rzetelności oraz wstępnej użyteczności klinicznej systemu eRADS. Wyniki badania pilotażowego są obiecujące. Oceny istotności klinicznej zmiany przez radiologów z wykorzystaniem narzędzia opracowanego przez naukowców OPI PIB są bardziej zgodne, niż gdy dokonują oni analizy bez użycia platformy. Zastosowanie eRADS pomaga zmniejszyć różnice między jakością diagnozy lekarzy doświadczonych i niedoświadczonych. Precyzyjna ocena zmian pozwoli znacznie ograniczyć liczbę pacjentów, którzy są wysyłani na biopsję. W przypadku badania prostaty wiąże się ona z dyskomfortem pacjenta. Polega na pobraniu materiału z kilku do kilkunastu wkłuć.
      Sieci neuronowe zastąpią lekarzy?
      W naszym laboratorium badaliśmy także wykorzystanie w diagnostyce raka prostaty innych obszarów sztucznej inteligencji. Analizowaliśmy zastosowanie narzędzi wykorzystujących uczenie maszynowe i głębokie. Naszym celem było porównanie otrzymanych wyników z diagnozami postawionymi przez doświadczonych i niedoświadczonych radiologów. Model predykcyjny istotności klinicznej zmian, oparty o narzędzia uczenia maszynowego, bazował na cechach obrazu (np. jednorodności) w badanych komórkach i ich otoczeniu. Uzyskaliśmy model trafnie klasyfikujący istotne klinicznie zmiany z prawdopodobieństwem 75 proc., co można porównać do diagnozy niedoświadczonego lekarza. Najbardziej obiecujące rezultaty otrzymaliśmy jednak z zastosowania wiedzy domenowej w architekturze sieci neuronowych. Opracowane modele dają lepszą jakość diagnozy zmian nowotworowych w porównaniu z ocenami niedoświadczonych i doświadczonych radiologów, stawiając trafną diagnozę z prawdopodobieństwem 84 proc. – mówi Piotr Sobecki, kierownik Laboratorium Stosowanej Sztucznej Inteligencji w OPI PIB.
      Podsumowując, zastosowanie wiedzy domenowej w architekturze sieci neuronowych wpływa na szybkość uczenia modelu w przypadku diagnostyki raka prostaty. Analizowano efekt lokalizacji zmiany w prostacie i niezależnie od tego czynnika, wyniki otrzymane za pomocą modeli wykorzystujących sieci neuronowe były takie same lub lepsze od diagnozy postawionej przez doświadczonych radiologów. Potwierdziły to wyniki badania OPI PIB z użyciem danych historycznych od 6 radiologów oceniających 32 zmiany nowotworowe.
      Sztuczna inteligencja wykorzystująca uczenie głębokie nie zastąpi jednak lekarzy, ale ułatwi im pracę i przyspieszy rozpoczęcie leczenia pacjenta. Wciąż jednak mało jest otwartych zbiorów baz danych, które można wykorzystać do usprawnienia algorytmów sztucznej inteligencji. Należy pamiętać, że modele te są tak dobre, jak dane, na których zostały wyuczone. Chodzi zarówno o ich liczebność, jak i o jakość.
      1) W Polsce z powodu raka prostaty codziennie umiera około 15 pacjentów, a choroba ta jest diagnozowana u co 8. mężczyzny
      2) Ważne jest szybkie wykrycie choroby i podjęcie odpowiedniego leczenia.
      3) Niestety, diagnostyka raka prostaty jest skomplikowana i trudna w porównaniu do metod wykrywania innych nowotworów.
      4) Badacze z Laboratorium Stosowanej Sztucznej Inteligencji w Ośrodku Przetwarzania Informacji – Państwowym Instytucie Badawczym (OPI PIB) wykorzystali sztuczną inteligencję (SI) do usprawnienia diagnostyki obrazowej raka prostaty.
      5) Najlepsze rezultaty uzyskali z zastosowaniem sieci neuronowych. Jakość otrzymanej diagnozy była na poziomie doświadczonego lekarza specjalisty lub wyższa.
       


      « powrót do artykułu
    • By KopalniaWiedzy.pl
      W medycynie nuklearnej sztuczna inteligencja wkroczyła już na III i IV poziom w pięciostopniowej skali. Oznacza ona oszczędność czasu, szansę uniknięcia błędów ludzkich i skuteczniejsze terapie dla pacjentów – ocenia prof. Janusz Braziewicz z Polskiego Towarzystwa Medycyny Nuklearnej.
      Wkraczająca do nowoczesnej medycyny sztuczna inteligencja budzi skrajne emocje: w środowisku medycznym jak i w społeczeństwie jedni wiążą z nią duże nadzieje, inni mają obawy i wątpliwości. Tak jest np. z medycyną nuklearną, w której wykorzystywane są nowoczesne technologie.
      Prof. Janusz Braziewicz, kierownik Zakładu Medycyny Nuklearnej z Ośrodkiem PET w Świętokrzyskim Centrum Onkologii twierdzi, że zaawansowanie automatyzacji i sztucznej inteligencji w medycynie nuklearnej jest już na tyle duże, ze wkroczyło na III i IV poziom w pięciostopniowej skali.
      Pierwszy poziom oznacza jedynie działania manualne, drugi – maszynowo-manualne, a trzeci – zautomatyzowane działania maszynowo-manualne. Na czwartym poziomie pojawia się automatyzacja, ale „z ludzką ręką”, piąty oznacza pełną automatyzację.
      W diagnostyce obrazowej wygląda to w ten sposób, że na poziomie III (warunkowej automatyzacji) skaner czy system opisowy pod wpływem operatora dostosowuje się do narzucanych mu warunków i wykonuje zlecone zadanie.
      Obecnie obserwujemy duże przyspieszenie technologiczne i wejście na poziom IV (wysokiej automatyzacji), kiedy to system automatycznie przetwarza samodzielnie pozyskane dane i dostarcza specjaliście wstępnie przeanalizowane informacje. Ma to miejsce na przykład wówczas, kiedy system zeskanuje ułożonego na stole skanera PET/TK pacjenta i na podstawie swego rodzaju skanu topogramowego, w oparciu o analizę danych anatomicznych chorego zaproponuje wykonanie skanu PET i tomografu komputerowego z uwzględnieniem wskazania klinicznego i sylwetki pacjenta – wyjaśnia w informacji przekazanej PAP prof. Braziewicz, członek Zarządu Polskiego Towarzystwa Medycyny Nuklearnej.
      Odbywa się to z użyciem automatycznie dostosowanych parametrów akwizycji, z minimum wymaganej dawki promieniowania ze strony tomografu komputerowego. Algorytm po stronie PET ustala: szybkość przesuwu łóżka podczas płynnego skanowania różnych części ciała pacjenta, zastosowanie różnych matryc rekonstrukcyjnych, zastosowanie bramkowania oddechowego dla odpowiedniego obszaru klatki piersiowej i tułowia.
      Według prof. Braziewicza bezzasadne są zatem obawy, że komputery zastąpią lekarzy. W przypadku diagnostyki obrazowej stają się one wręcz niezbędne. Powodem jest choćby lawinowy wzrost diagnostycznych badań obrazowych, w tym również z zakresu medycyny nuklearnej. Jedynie w latach 2000-2010 liczba badań tomografii komputerowej i rezonansu magnetycznego wzrosła dziesięciokrotnie. Z kolei w medycynie nuklearnej taki gwałtowny wzrost liczby badań SPECT i PET przypada na okres po 2010 r.
      W ślad za tym nie następuje niestety proporcjonalny wzrost liczby dostępnych lekarzy specjalistów, którzy mogliby je szybko i rzetelnie przeprowadzić. Brakuje także wyszkolonych techników, korzystających z zaawansowanych metod akwizycji z zastosowaniem narzędzi, jakie oferuje dany skaner. Efektem jest przeciążenie ilością pracy poszczególnych grup specjalistów i często coraz dłuższy czas oczekiwania na opisanie badań. Co istotne, presja obniża jakość pracy. Jak pokazują badania, jeśli skróci się o 50 proc. czas na interpretację badania radiologicznego, to stosunek błędów interpretacyjnych wzrośnie o niemal 17 proc. – zaznacza prof. Janusz Braziewicz.
      Sztuczna inteligencja w coraz bardziej skomplikowanej i wymagającej diagnostyce obrazowej może zatem usprawnić i wspomóc pracę lekarza. Wdrożenia algorytmów opartych na Artificial Intelligence (AI) przynoszą oszczędność czasu i szansę na pełną standaryzację procedur, ale także na uniknięcie błędów ludzkich i skuteczniejsze, spersonalizowane terapie dla pacjentów – twierdzi specjalista.
      Obecnie medycy nuklearni rozwijają nowy trend teranostyki, który wydaje się być przyszłością personalizowanej medycyny poprzez ścisłe połączenie diagnostyki i terapii w celu dobrania do potrzeb konkretnego pacjenta celowanego leczenia. W obszarze sztucznej inteligencji medycy nuklearni coraz częściej wspierają proces terapii, pomagając w ocenie trafności i zasadności zaleconego leczenia już w początkowej jego fazie. Nie bez znaczenia jest w tym kontekście wykorzystywanie hybrydowych badań PET/CT na przykład w planowaniu radioterapii – tłumaczy prof. Janusz Braziewicz.
      Sztuczna inteligencja określa proces, w którym maszyna, czyli komputer, uczy się i naśladuje funkcje poznawcze specyficzne dla człowieka, aby wykonywać zadania, jakie zwyczajowo wykonywane są przez ludzki umysł: rozpoznawanie obrazów, identyfikacja różnic czy stawianie logicznych wniosków i prognozowanie. W procesie deep learning komputer już nie organizuje danych i nie wykonuje wcześniej zdefiniowanych ciągów równań, ale zbiera podstawowe parametry dotyczące tych danych i jest tak zaprogramowany, że przygotowuje się do samodzielnego uczenia się przez rozpoznawanie wzorców przy użyciu wielu kolejnych warstw przetwarzania.
      Trzeba mieć zatem świadomość, że algorytmy AI będą tak dobre, jak dane, na których były trenowane. Wyzwaniem będzie zatem zgromadzenie odpowiednio opracowanych dużych zestawów danych oraz odpowiednio wydajnych centrów obliczeniowych – uważa przedstawiciel Polskiego Towarzystwa Medycyny Nuklearnej.
      Jego zdaniem szanse zastosowania sztucznej inteligencji w medycynie to przede wszystkim digitalizacja wszystkich danych dotyczących konkretnego pacjenta, z uwzględnieniem takich aspektów, jak miejsce zamieszkania, historia chorób w rodzinie, dotychczasowe hospitalizacje, podejmowane wcześniej terapie lekowe i obecnie przyjmowane leki, styl życia, rodzaj wykonywanej pracy, kondycja psychofizyczna.
      Ta ilość danych może być przetworzona przez wydajne komputery. Jeśli maszyny będą miały zaimplementowane algorytmy deep learning, jest szansa, że wesprą specjalistów w szybszej i trafniejszej diagnostyce oraz lepszej opiece farmakologicznej. Korzyści z wdrożeń sztucznej inteligencji może odnieść zatem cały system opieki zdrowotnej, w tym: świadczeniodawca, lekarz, ale przede wszystkim – sam pacjent – uważa specjalista.
      Podkreśla, że lekarze, którzy będą używać z dużą rozwagą i odpowiedzialnością systemów opartych na sztucznej inteligencji zastąpią tych, którzy ich nie będą używać. Tym bardziej, że w nowoczesnych rozwiązaniach nie mówimy już o wielkości danych generowanych przy badaniach i dalej poddawanych processingowi w gigabajtach, terabajtach czy nawet petabajtach. Bardzo szybko nadchodzi era eksabajtów danych – dodaje prof. Janusz Braziewicz.

      « powrót do artykułu
  • Recently Browsing   0 members

    No registered users viewing this page.

×
×
  • Create New...