40 tys. obrazów tomografii komputerowej płuc opracowanych przez zespół badawczy MI².AI z Politechniki Warszawskiej we współpracy w Polską Grupą Raka Płuca wykorzystano w projekcie Xlungs. W efekcie powstał model sztucznej inteligencji oparty na największej tego typu bazie danych na świecie. Będzie on wspierał lekarzy w szybszym i skuteczniejszym diagnozowaniu chorób. Podobnych “uśpionych” zasobów może być w Polsce dużo więcej. Naukowcy z zespołu Politechniki Warszawskiej nawiązali współpracę z Dziecięcym Szpitalem Klinicznym w Warszawie i Polską Grupą Raka Płuca (PGRP), w ramach której uzyskali dostęp do danych do celów badawczych. W ten sposób możliwe stało się wykorzystanie ok. 40 tys. płyt CD z tomografii komputerowej polskich pacjentów z lat 2010-2018 - m.in. z badań przesiewowych w kierunku raka płuca - do przeprowadzenia treningu AI. I tak stworzono model sztucznej inteligencji 'CTSegMate' oparty na największej na świecie - 40 TB - bazie zdjęć klatki piersiowej. Zespół MI².AI pracował nad jego stworzeniem przez trzy lata, a zaangażowane do tego zadania procesory potrzebowały ponad 180 000 godzin obliczeń. Realizacja takiego projektu była możliwa dzięki finansowaniu przez Narodowe Centrum Badań i Rozwoju w ramach konkursu INFOSTRATEG I. Powstałe dzięki temu narzędzie usprawnia analizowanie zmian chorobowych w obrębie klatki piersiowej dzięki algorytmom sztucznej inteligencji. "System jest tak zaprojektowany by wspierać lekarza przy najbardziej żmudnych czynnościach i dać mu więcej czasu na analizę istotnych diagnostycznie cech. Szukając podobnych obrazów system może szybko przejrzeć tysiące referencyjnych badań tomografii komputerowej, w każdym badaniu błyskawicznie analizuje setki zdjęć po to by precyzyjnie oznaczyć zmiany chorobowe oraz zwymiarować istotne cechy anatomiczne. Cechy anatomiczne zmierzone przez system mogą być zintegrowane z innymi procesami diagnostycznymi. Podobnie jak badanie krwi jest podstawą diagnozowania licznych chorób, tak precyzyjne, szybkie i tanie wymiarowanie zmian w klatce piersiowej może być przełomem w screeningu" - wyjaśnia Przemysław Biecek, kierownik projektu i lider zespołu MI2.AI. Narzędzie to można zintegrować z już wykorzystywanymi w leczeniu systemami, gdyż współpracuje z powszechnie przyjętymi standardami dokumentacji medycznej. Warto inwestować w opracowanie danych zdrowotnych Każdego roku w Polsce wykonuje się kilkaset milionów badań laboratoryjnych z czego ponad 60 mln przypada na badania obrazowe takie jak m.in. tomografia komputerowa (TK). Według raportu Collective Minds Radiology, w trakcie jednego badania TK powstaje od 200 MB do 1 GB danych. Szacuje się, że średniej wielkości szpital generuje od kilkudziesięciu terabajtów (1 TB = 1024 GB) do kilku petabajtów (1 PB = 1024 TB) danych rocznie w postaci skanów obrazowych, wyników laboratoryjnych i dokumentacji medycznej. W Polsce od ponad dekady budowana jest EDM, czyli elektroniczna dokumentacja medyczna - zintegrowany system gromadzący dane zdrowotne pacjenta. Od 1 lipca 2021 każdy lekarz czy gabinet ma obowiązek raportowania w nim zdarzeń medycznych. Jednak już wcześniej wiele placówek medycznych gromadziło takie dane na własną rękę. Naukowcy z Politechniki Warszawskiej oceniają, że Polska, gdzie co roku przybywa kilkanaście tysięcy absolwentów informatyki i co roku wystawia się pół miliarda e-recept, ma spore predyspozycje, aby stać się potentatem w tworzeniu technologii medycznych wspieranych AI. "Polskie dane pozwalają lepiej wspierać lokalną diagnostykę niż dane pozyskane np. z Chin. Równocześnie ich rozmiar daje potencjał do tworzenia rozwiązań na światowym poziomie" - podsumowuje Marcin Luckner, kierownik prac deweloperskich w projekcie Xlungs.
