Od tomografii mózgu do COVID-19. Firma z Gdyni wykorzysta uczenie maszynowe do walki z koronawirusem

BrainScan.ai z Gdyni, dotychczas zajmująca się wykorzystaniem sztucznej inteligencji w analizie tomografii komputerowej głowy, rusza na front walki z COVID-19.

Charakterystyczne zmiany w obrazach tomografii komputerowej klatki piersiowej są powiązane z zakażeniem wirusem SARS-CoV-2. Tyle że zmiany te są dla lekarzy radiologów trudne do odróżnienia od innych patologii, a to znacznie wydłuża czas diagnostyki. BrainScan.ai opracował modele głębokich sieci neuronowych potrafiących wychwycić w obrazach bardzo subtelne różnice, pomagając radiologom w szybszym i bardziej niezawodnym diagnozowaniu pacjentów z COVID-19.

Celem projektu, w który zaangażował się BrainScan.ai, jest znaczne skrócenie i zautomatyzowanie pracy lekarza radiologa podczas analizy badań pacjentów z COVID-19. Badanie kliniczne zostanie przeprowadzone na kilkusetosobowej grupie pacjentów. Dziś jedynie kilka grup badawczych na świecie zajmuje się tą technologią.

Zapytaliśmy Szymona Korzekwę, dyrektora działu R&D w BrainScan.ai, o ten projekt.

Tomasz Jurczak: Dotychczas zajmowaliście się wykorzystaniem sztucznej inteligencji do analizy obrazów tomograficznych mózgu, szczególnie po udarach. Skąd pomysł na walkę z koronawirusem? Zmienicie swoje algorytmy, by zwalczać pandemię?

Szymon Korzekwa: Wykorzystujemy dotychczasowe doświadczenie i osiągnięcia w zakresie uczenia maszynowego, by wesprzeć diagnostykę pacjentów z podejrzeniem COVID-19. Użyjemy SI do wykrywania zmian na obrazach tomografii komputerowej klatki piersiowej.

To, że dysponujemy bardzo dobrymi algorytmami, znacznie ułatwia nam zadanie. Algorytmy interpretujące obrazy tomograficzne mózgu zostaną „dotrenowane” w interpretowaniu obrazu tomograficznego płuc. Wymaga to zupełnie nowego, obszernego i dobrze sklasyfikowanego zbioru treningowego, ale też zbioru testowego i walidacyjnego. Dlatego naszym pierwszym i najtrudniejszym zadaniem jest zdobycie odpowiednio bogatego i różnorodnego zbioru danych.

Jak działa taki system? Da się ocenić skuteczność takiej analizy?

Wytrenowane algorytmy są w stanie wychwycić nawet subtelne różnice w obrazach i pomóc radiologom szybciej i sprawniej diagnozować pacjentów z COVID-19. Gdy zasoby kliniczne zaczną się wyczerpywać, będzie to szczególnie cenne.

Dotychczasowe doświadczenia wskazują, że można uzyskać klasyfikację badania pod kątem obecności COVID-19 z czułością 80 proc. oraz swoistością 85 procent [to stosunek wyników prawdziwie ujemnych do sumy prawdziwie ujemnych i fałszywie dodatnich – red.].

Narzędziem, które bardzo usprawni diagnostykę, jest automatyczne oznaczanie obszarów patologicznych oraz obliczenie tzw. stopnia zajętości miąższu płucnego.

Algorytmy interpretujące obrazy tomograficzne mózgu zostaną „dotrenowane” w interpretowaniu obrazu tomograficznego płuc

Niestety, żeby uzyskać miarodajny wzorzec pozwalający na automatyczne obliczanie stopnia zajętości miąższu płucnego, czyli w zasadzie wykrywanie COVID-19, niepewność co do dokładności pomiaru nie powinna przekraczać 5 procent. Na tym etapie projektu wyniki badań w tym obszarze nie są jeszcze tak dobre.

To założenia, które chcemy sprawdzić. W przypadku słabo jeszcze znanej choroby, a taką jest COVID-19, codziennie pojawiają się doniesienia o nowych cechach charakterystycznych, możliwych powikłaniach i obrazowaniu zmian, na przykład w tomografii komputerowej. Sytuacja więc jest bardzo dynamiczna. Staramy się do niej dostosowywać.

Na ile to, co proponujecie, jest lepsze od innych metod analizy obrazowej?

BrainScan ma w tej chwili jeden z najlepszych algorytmów do analizy obrazów wolumetrycznych [badania objętościowe, tomograficzne, umożliwiające obrazowanie w trzech wymiarach – red.] mózgu na świecie. Dowiedliśmy tego, zdobywając złoty medal w konkursie Kaggle RSNA Intracranial Detection of Hemorrhage pod koniec 2019 r. Rywalizowaliśmy z 1345 zespołami AI z całego świata, m.in. z wystawionymi przez chińską korporację technologiczną Tencent (62,8 tys. pracowników) i japońską DeNA (2,4 tys. pracowników). Żaden zespół z Unii Europejskiej nie osiągnął lepszego rezultatu niż my.

Lekarze zajmujący się koronawirusem mówili, że trzeba wprowadzić takie rozwiązania?

Projekt związany ze wspomaganiem diagnostyki COVID-19 wynika z potrzeby, w jakiej znalazł się świat. Wiele doniesień wskazuje na związek charakterystycznych zmian w obrazach tomograficznych klatki piersiowej z zakażeniem SARS-CoV-2, nawet w przypadku pacjentów asymptomatycznych [czyli niemających objawów choroby – red.]. Jednak wielu radiologów wskazuje na to, że określanie zmian swoistych dla COVID-19 i diagnostyka różnicowa [metoda polegająca na ocenie prawdopodobieństwa, że dany objaw kliniczny występuje w odnośnej chorobie poprzez eliminację hipotez najmniej prawdopodobnych – red.] jest trudne, a ocena stopnia zajęcia miąższu płucnego w przebiegu choroby czasochłonna i mało precyzyjna.

Jak rozumiem, analiza obrazów pod kątem koronawirusa nie spowalnia prac nad badaniami mózgu. Co z licencją medyczną na ten produkt?

Mamy wdrożony system ISO13485, umożliwiający szybkie wprowadzanie nowych wyrobów medycznych na rynek, a nasz produkt jest zarejestrowany jako wyrób medyczny w klasie IIa w zakresie wykrywania krwawień i udaru mózgu. Nadal doskonalimy diagnostykę mózgu, ale jesteśmy też otwarci na inne wyzwania.

Czy system do analizy zdjęć tomografii komputerowej działa już w placówkach medycznych?

Jesteśmy w trakcie kilku wdrożeń w Polsce i na świecie, produkcyjnie system będzie wspierał radiologów u trzech naszych klientów jeszcze w lipcu tego roku. W ramach projektu dotyczącego COVID-19 współpracujemy z ośmioma szpitalami, w których system będzie wdrażany w pierwszej kolejności.

Skip to content