Szybsze i precyzyjniejsze wykrywanie zmian w nowotworach płuc dzięki sztucznej inteligencji
Regularna kontrola przebiegu choroby nowotworowej ma kluczowe znaczenie dla skutecznego leczenia raka. W ramach projektu SPIRABENE Instytut Fraunhofera ds. Cyfrowej Medycyny MEVIS opracował oprogramowanie oparte na głębokim uczeniu (deep learning), które umożliwia jeszcze szybsze i dokładniejsze identyfikowanie zmian chorobowych i terapiopochodnych na obrazach tomografii komputerowej (TK), co może zwiększyć szanse na wyleczenie i usprawnić codzienną pracę w szpitalach.
W celu wczesnego wykrycia i monitorowania chorób płuc, takich jak rak oskrzeli czy przerzuty nowotworowe, na całym świecie wykonuje się coraz więcej tomografii komputerowych klatki piersiowej. Również w Niemczech badania te należą obecnie do najczęstszych procedur radiologicznych – o ile w 2009 roku wykonano około 800 tysięcy badań TK płuc, to w roku 2020 liczba ta wzrosła do 1,3 miliona.
Dzięki tym badaniom możliwe jest wykrywanie nawet najmniejszych efektów terapii i skutków ubocznych, co pozwala na ich optymalizację. Porównywanie takich badań pozostaje jednak wysoce skomplikowane, czasochłonne i podatne na błędy, zwłaszcza że radiolodzy pracują często pod dużą presją czasu. Kluczowym narzędziem wspomagającym analizę jest automatyczna rejestracja obrazów, czyli dopasowanie struktur anatomicznych między kolejnymi badaniami.
Zastosowanie deep learning do wiarygodnego porównywania obrazów TK
Aby usprawnić diagnostykę i odciążyć personel medyczny, Fraunhofer MEVIS wspólnie z partnerami projektu – firmą jung diagnostics GmbH oraz Uniwersyteckim Centrum Medycznym w Moguncji – w ramach finansowanego przez Federalne Ministerstwo Edukacji i Badań projektu SPIRABENE postawił na sztuczną inteligencję. „Opracowaliśmy oprogramowanie oparte na głębokim uczeniu, które pozwala precyzyjnie lokalizować i mierzyć zmiany w płucach w bardzo krótkim czasie, a także wykrywać nowe zmiany chorobowe” – wyjaśnia dr Jan Moltz, główny inżynier ds. badań nad analizą obrazów medycznych w Fraunhofer MEVIS.
Podczas rejestracji obrazów płuc porównywane są wcześniejsze i aktualne badania TK pod kątem zgodności anatomicznej. Szczególnym wyzwaniem jest fakt, że obrazy tej samej osoby są do siebie podobne, ale nie identyczne – różnice wynikają m.in. z odmiennego stanu oddechowego podczas badania czy utraty masy ciała w wyniku terapii.
Choć rejestracja obrazów była dotąd wspomagana automatycznie, zastosowanie deep learning pozwala na jeszcze szybsze i dokładniejsze porównanie obrazów. W tym celu badacze zoptymalizowali sieci neuronowe. Dr Moltz komentuje: „Nasze wyniki pokazują, że dzięki sztucznej inteligencji można automatycznie rozpoznać o 11% więcej guzów na obrazach kontrolnych w porównaniu z tradycyjnymi metodami rejestracji – i to w czasie krótszym niż sekunda, co stanowi zaledwie jedną dziesiątą dotychczasowego czasu.” Dzięki temu zmniejsza się również zużycie mocy obliczeniowej i energii.
Technologię w pełni zautomatyzowanego przetwarzania obrazów opracowano wspólnie z lekarzami z UM, tak aby mogła być bezpośrednio zintegrowana z istniejącą infrastrukturą szpitalną. Oprogramowanie przeszło już testy kliniczne i zostało ocenione pod kątem praktycznym – możliwe, że wkrótce trafi do codziennego użytku. W dalszej perspektywie planuje się rozszerzenie tej technologii na kontrolę zmian nowotworowych w całym ciele.
Dr Jan Moltz podsumowuje z entuzjazmem pierwsze sukcesy: „Motywuje mnie praca nad oprogramowaniem, które realnie znajduje zastosowanie w praktyce klinicznej i poprawia codzienność lekarzy. Dzięki naszej technologii możemy również wcześniej rozpoznać nieskuteczne terapie, unikać niepotrzebnych skutków ubocznych i kosztów oraz zwiększać szanse na wyleczenie pacjentów.”
Źródło: Fraunhofer-Gesellschaft
