Umelá inteligencia a lekári spájajú sily v boji proti ochoreniam

Využívanie algoritmov Deep Learning-u v diagnostike ochorení má obrovský potenciál. Mnohé štúdie v ostatných rokoch dokázali, že umelá inteligencia má pri odhaľovaní ochorení rovnakú, ba niekedy aj vyššiu úspešnosť ako kvalifikovaní lekári. 

Počítačové programy využívajú Deep Learning algoritmy na to, aby sa naučili rozoznávať ochorenia na základe analýzy tisícok zdravotných informácií, snímok či prejavov. Umelá inteligencia tak na základe starších medicínskych údajov a záznamov dokáže identifikovať spoločné črty konkrétnych ochorení a určiť správnu diagnózu aj bez pomoci ľudí. V tomto článku vám predstavíme niekoľko zaujímavých POC projektov, ktoré u nás v GlobalLogic vznikli. 

Automatická detekcia infarktu z EKG záznamu

Slovensko patrí v OECD medzi krajiny s najvyššou mierou úmrtnosti zapríčinenej kardiovaskulárnymi chorobami. V prípade infarktu myokardu (známeho aj ako zástava srdca) je pre úspešnú liečbu potrebné čo najviac skrátiť čas, ktorý uplynie od samotného infarktu po poskytnutie lekárskej pomoci. Doslova platí, že každá minúta má cenu zlata. 

Zvyčajný scenár prebieha nasledovne: záchranka dostáva hlásenie o pacientovi so subjektívnym pocitom bolesti na hrudi, preváža ho do najbližšej nemocnice, kde príslušný špecialista pacienta diagnostikuje (na základe EKG) a určí, že je nutný urýchlený prevoz pacienta na špecializované pracovisko, pretože dané zariadenie neposkytuje potrebnú starostlivosť. V konečnom dôsledku však už môže byť príliš neskoro.

V súčasnosti už sú na trhu k dispozícii riešenia, ktoré pomáhajú bojovať proti drahocennému času, ktorý možno ušetriť diagnostikou stavu pacienta na mieste alebo počas prepravy. Tieto údaje EKG vyhodnocujú odborníci (v tomto konkrétnom prípade kardiológovia), ktorí sa nenachádzajú v teréne, ale dostanú údaje, ktoré pošle záchranár prostredníctvom mobilnej aplikácie. Prototyp, ktorý sme vyvinuli, mal za cieľ rozšíriť už existujúce riešenie a získať výsledky z dát bez potreby kontaktovať inú osobu alebo špecialistu.

Aplikácia najprv zo záznamu pomocou konvolučnej neurónovej siete trénovanej na manuálne označených snímkach automaticky vyextrahuje jednotlivé zvody, a následne ich analyzuje ďalšia neurónová sieť, ktorá analyzuje tvar záznamu signálov z elektród a vyhodnotí pravdepodobnosť infarktu. Posádka sanitky sa tak môže rozhodnúť, či pacienta previezť priamo na špecializované pracovisko, kde mu bude poskytnutá vhodná liečba. 

Predikcia rozmerov endoprotézy kolenného kĺbu

Predstavte si, že máte problém s kolenom a ortopéd vám doporučí implantáciu umelého kĺbu. Každý človek má iné rozmery a tvar kolenného kĺbu. Vyvstáva teda otázka, ako určiť vhodnú veľkosť tej vašej náhrady. V súčasnosti sa rôzne štandardizované veľkosti endoprotéz skúšajú priamo počas operácie. 

Takýto postup však zďaleka nie je optimálny. Ideálne by bolo poznať presný rozmer náhrady ešte pred samotnou operáciou, čo by umožnilo efektívnejšiu prípravu na zákrok. Ponúka sa riešenie založené na využití CT snímku kolena, ktorý by vytvoril trojrozmerný model pacientovho kolenného kĺbu, na základe ktorého by bolo možné určiť najvhodnejší štandardizovaný model endoprotézy, alebo vyrobiť personalizovanú verziu umelého kolenného kĺbu pomocou 3D tlače. 

Počítačová tomografia (CT) však nie je úplne neškodná, pretože pacienti sú pri nej vystavení istej nezanedbateľnej dávke žiarenia. Napadlo nám preto, že by sa na určenie veľkosti kolenného implantátu mohli použiť výlučne röntgenové snímky, zhotovenie ktorých pre pacientov znamená cca. 100x menšiu radiáciu v porovnaní s CT. Podobne, ako pri predošlom projekte, aj v tomto prípade sme na extrakciu zobrazenia kolenného kĺbu z RTG snímky úspešne použili viacero konvolučných neurónových sietí a následne sme vytvorili jeho kompletný 3D model. Výsledkom je možnosť predikcie veľkosti endoprotézy kolenného kĺbu s prijateľnou mierou presnosti len na základe RTG snímkov.

Automatické meranie rán

Počet pacientov s diabetom v ostatných desaťročiach prudko vzrástol. Kombinácia zníženého prietoku krvi a diabetickej neuropatie zvyšuje pravdepodobnosť tvorby vredov na dolných končatinách, ktoré môžu viesť až k amputácii. Liečba vredov je veľmi náročná a vyžaduje si každodennú starostlivosť, pričom pre jej dobré nastavenie a koordináciu je nutné pravidelne sledovať zmeny morfológie rán. Pacienti tak musia často navštevovať lekára, alebo si merajú veľkosť rany pomocou pravítka, čo nie je ani príjemné a nemusí byť ani presné. 

Nedalo by sa to v dnešnej digitálnej dobe robiť lepšie? Sú smartfóny dostatočne inteligentné na to, aby dokázali poskytnúť potrebné informácie pomocou fotografie? Telefóny už dnes využívajú mnoho snímacích technológií, napr. fotoaparáty či snímače hĺbky, a dokážu vytvoriť pomerne presnú priestorovú mapu skenovaného prostredia. 

V kombinácii s algoritmami strojového učenia tak s ich pomocou dokážeme každodenne získať 3D model vredu a monitorovať postup jeho hojenia. Pacienti si môžu ranu zmerať rýchlo, presne a bezkontaktne v pohodlí svojho domova. Navyše majú prístup aj k odbornému poradenstvu, pretože lekár monitoruje údaje zadávané pacientmi pomocou online portálu, vďaka čomu sa môže skúsený odborník pomocou 3D modelu ľahko dostať aj k detailnejšiemu rozboru rany bez toho, aby pacient musel osobne navštíviť zdravotnícke zariadenie. V praxi to teda znamená, že telemedicína už nie je len hudbou budúcnosti.