Španělští vědci představili inteligentní diagnostický systém Mamba-YOLOvX, který pomocí umělé inteligence rozpoznává i drobné změny na rentgenových snímcích plic. Tento průlomový nástroj slibuje rychlejší a přesnější diagnostiku závažných nemocí, jako je silikóza či rakovina plic.
Španělští vědci vyvinuli inteligentní model, který usnadňuje včasnou diagnostiku plicních onemocnění – projekt založený na umělé inteligenci (AI), který automaticky odhaluje možné změny na rentgenových snímcích hrudníku. Tento průlomový objev má zásadní význam, protože plicní onemocnění, jako je silikóza, rakovina plic a plicní fibróza, patří celosvětově k hlavním příčinám nemocnosti a úmrtnosti.
Tento průlomový objev je součástí projektu výzkumu a vývoje financovaného andaluskou regionální vládou a podporovaného výzkumným týmem z univerzity v Cádizu a univerzitní nemocnice Puerta del Mar. Význam tohoto projektu spočívá ve schopnosti zkrátit dobu diagnózy a zvýšit její přesnost, což může mít zásadní význam pro včasnou a účinnou léčbu těchto onemocnění.
Výzkumníci z obou center vyvinuli model založený na umělé inteligenci, který zlepšuje automatickou detekci možných změn na rentgenových snímcích hrudníku, což je nástroj, který je prezentován jako rychlý a přesný spojenec pro pneumology a radiology při diagnostice plicních onemocnění. Takové nástroje se stávají nezbytnými v lékařské oblasti, kde jsou přesnost a rychlost nezbytné pro záchranu životů.
Některé abnormality, které se vyskytují v plicích při patologických stavech, jako je silikóza, jsou v počátečních stadiích nenápadné, což může vést k odlišným klinickým interpretacím. Například silikóza je nemoc z povolání způsobená vdechováním křemičitého prachu a včasná diagnóza je zásadní, aby se zabránilo nevratnému poškození plic.
Studie publikovaná v časopise Expert Systems with Applications vysvětluje, jak odborníci na pneumologii a umělou inteligenci vyhodnotili nový model nazvaný Mamba-YOLOvX, který dokáže rychle a efektivně lokalizovat léze různých velikostí díky algoritmům strojového učení, které využívají architekturu známou jako konvoluční neuronové sítě. Tyto sítě jsou obzvláště účinné při rozpoznávání vzorů v obrazech, což je ideální pro lékařské aplikace.
Systém se tedy učí rozpoznávat a rozlišovat objekty analýzou tisíců snímků, aby mohl umělou inteligenci trénovat na tisících různých rentgenových snímků. Tento tréninkový proces je rozhodující pro zlepšení přesnosti modelu, protože mu umožňuje rozpoznat jemné vzory, které by lidské oko mohlo přehlédnout.
„V mnoha případech mohou některé plicní léze zůstat při rentgenologickém vyšetření nepovšimnuty vzhledem k velké obtížnosti interpretace této lékařské zobrazovací metody,“ vysvětlil výzkumný pracovník Univerzity v Cádizu Daniel Sánchez Morillo, spoluautor studie. Tyto typy nástrojů umělé inteligence mohou pomoci omezit lidské chyby a zlepšit kvalitu diagnostiky.
Dodal, že výsledky získané pomocí modelu vedly ke zlepšení diagnostické přesnosti ve srovnání s jinými nedávno vyvinutými metodami, zejména při řešení malých lézí. To je důležité zejména v případě onemocnění, jako je rakovina plic, kde velikost a umístění lézí může významně ovlivnit prognózu pacienta.
Systém obsahuje mechanismy prostorové a kanálové pozornosti, které fungují jako inteligentní filtry schopné zaměřit se pouze na relevantní oblasti rentgenového snímku a nejužitečnější rysy a ignorovat to, co neposkytuje informace. Tyto mechanismy umožňují modelu zaměřit se na nejkritičtější oblasti snímku, což zvyšuje diagnostickou přesnost.
Obsahuje také bloky selektivního snímání, které analyzují snímek s různým rozlišením a umožňují identifikovat velmi malé léze, které často zůstávají nepovšimnuty. Tento přístup založený na více rozlišeních je klíčový pro odhalení abnormalit, které by při povrchní analýze mohly být neviditelné.
Pro zlepšení trénování modelu byla použita data z různých nemocničních center a strategie známá jako augmentace dat, při níž se segmentují žebra a vyrovnávají klíčové body hrudníku, aby se vytvořily nové homogenní snímky z anatomického hlediska. Tato technika rozšiřování dat je nezbytná pro vytvoření robustního a různorodého souboru dat, který zlepšuje schopnost modelu zobecnit se na nové případy.
Práce je součástí projektu PEOPLE, iniciativy zaměřené na vývoj pokročilých nástrojů umělé inteligence schopných podpořit lepší včasnou diagnostiku a prognózu silikózy. Tyto typy projektů mají zásadní význam pro rozvoj personalizované medicíny, kdy se léčba přizpůsobuje individuálním charakteristikám každého pacienta.
Kromě toho je využití umělé inteligence v lékařské diagnostice na vzestupu, přičemž aplikace sahají od detekce srdečních onemocnění až po dermatologickou analýzu obrazu. Tyto technologie slibují proměnu oboru medicíny, díky níž bude diagnostika rychlejší, přesnější a dostupnější pro více lidí.
Vývoj modelů AI, jako je Mamba-YOLOvX, představuje významný pokrok v diagnostice plicních onemocnění. Zlepšením přesnosti a rychlosti diagnostiky mají tyto nástroje potenciál zachránit životy a zlepšit kvalitu života pacientů. S rozvojem technologií se pravděpodobně dočkáme ještě většího začlenění umělé inteligence do každodenní lékařské praxe.