W Stanach Zjednoczonych wykonuje się 23 mln, a w Europie 13 mln tomografii komputerowych głowy rocznie. Nawet co dziesiąta interpretacja obrazu jest błędna – ludzkie oko nie jest w stanie wykryć wszystkich zmian. Dzięki sztucznej inteligencji diagnozę można znacznie przyspieszyć. Maszyna wychwyci szczegóły niewidoczne dla ludzkiego oka i zasugeruje klasyfikację badania mózgu. Jednocześnie czas interpretacji badania może być nawet o 1/3 krótszy.
– Celem projektu BrainScan jest stworzenie systemu wspomagającego interpretację obrazów tomografii komputerowej głowy. Bazujemy na funkcjach uczenia maszynowego. Naszym celem jest skrócenie czasu interpretacji badań tomografii komputerowej głowy i zwiększenie precyzji tej interpretacji – podkreśla w rozmowie z agencją informacyjną Newseria Innowacje Robert Kitłowski, prezes i współzałożyciel spółki BrainScan.
Sztuczna inteligencja, system komputerowy mający naśladować ludzką inteligencję, zyskuje coraz większe zainteresowanie i jest włączana do wielu dziedzin, w tym medycyny. Poprawia dokładność diagnozy i jakości opieki nad pacjentem. Jest już niemal niezbędna zwłaszcza tam, gdzie ze względu na ogromną liczbę danych i konieczność szybkiego podjęcia decyzji, człowiek bywa zawodny. Wykorzystanie uczenia maszynowego zaś sprawia, że nowa technologia sama zdiagnozuje obraz i podpowie rozwiązanie.
Rozwiązanie proponowane przez polski start-up eliminuje problem błędnych interpretacji i rosnących kolejek do medycznej interpretacji tomografii. Oprogramowanie wykorzystuje uczenie maszynowe do analizy obrazów tomografii komputerowej głowy w celu wykrywania i oceny zmian w mózgu
– Bazujemy na trójwymiarowych sieciach neuronowych. To konwolucyjne sieci, jest to głębokie uczenie, najwyższy poziom technologii światowej. Bazujemy na najnowszych osiągnięciach w tej dziedzinie– przekonuje Robert Kitłowski.
BrainScan automatycznie wyszukuje podobne skany tomografii komputerowej lub rezonansu magnetycznego w dużych zestawach danych. Wyszukuje przypadki medyczne podobne do danego skanowania lub obszaru zainteresowania. Lekarze mogą łatwo znaleźć historyczne przypadki i badania, które wykazały podobne zmiany lub nieprawidłowe zmiany w porównaniu z badanymi pacjentami, co może być niezwykle przydatne w procesie diagnozy. Lekarz może też załadować skany do systemu i wybrać obszar zainteresowania zmiany.
System przeszukuje całe archiwum skanów w poszukiwaniu podobnych zdarzeń. W ciągu kilku sekund pobrane skany są przedstawiane lekarzowi wraz z lokalizacją zmian podobnych do danego przypadku, pokazuje też szczegóły dotyczące diagnozy, leczenia i wyników. Projekt bazuje na najbardziej wydajnych technikach głębokiego uczenia maszynowego, w tym trójwymiarowych sieci neuronowych. Zapewniają one dużą dokładność w podsumowywaniu treści 3D i szybkie porównywanie próbek danych. Są również wydajnymi obliczeniowo metodami szybkiego przetwarzania dużych zbiorów danych.
– Docelowo chcemy skrócić czas interpretacji badania co najmniej o 1/3. Uczenie maszynowe jest też w stanie interpretować obrazy z precyzją co najmniej taką, jak doświadczony radiolog– wskazuje współzałożyciel BrainScan.
Z danych BrainScan wynika, że obecnie na jednego pacjenta przypada ok. 70 zdjęć tomografii komputerowej. To zaś zwiększa ryzyko popełnienia pomyłki przez lekarza. Szacuje się, że ok. 9 proc. diagnoz tomografii jest błędnych, właśnie ze względu na przeciążenie pracą, ale i niekiedy niewielkie zmiany, niewidoczne ludzkim okiem. BrainScan automatycznie oznacza dany obraz jako normalny, lub ze zmianami patologicznymi, m.in. guzem, krwawieniem, zwapnieniem, udarem niedokrwiennym. Rozpoznaje także zmiany po udarze.
– W Stanach Zjednoczonych wykonuje się 23 mln badań tomografii komputerowej głowy rocznie, w Europie jest to 13 mln badań. W skali tych dwóch rynków zapotrzebowanie jest ogromne. Jesteśmy w stanie poczynić ogromne oszczędności czasowe i finansowe wśród wszystkich podmiotów, które wykonują tego typu badania– przekonuje Robert Kitłowski.
Start-up niedawno otrzymał milion dolarów finansowania na badania i rozwój od Narodowego Centrum Badań i Rozwoju. Finansowanie ma umożliwić dalszy rozwój najnowocześniejszego silnika analitycznego do obrazowania 3D.
Źródło: Newseria
