O premieră în diagnosticul urologic: modele Machine Learning pentru detecția tumorilor

4.9
(14)

Proiectul european de Cercetare & Dezvoltare DeepHealth (Deep-Learning and HPC to Boost Biomedical Applications for Health) a ajuns la final. Echipa SIMAVI, parteneră în consorțiul proiectului, și-a atins obiectivele, reușind să creeze modele de Machine Learning care ajută personalul medical să pună diagnosticul mai rapid și cu mai mare certitudine în domeniul urologiei.

Aceste modele detectează o zonă de interes în interiorul unor imagini obținute prin tomograf. Această reușită este o premieră, mai ales în domeniul medicinii glandelor suprarenale, unde nu se reușise nimic asemănător înaintea începerii proiectului.

Scopul proiectului DeepHealth

Proiectul DeepHealth a avut ca țintă crearea unor instrumente de înaltă performanță care se bazează pe Inteligența Artificială, Machine Learning și Computer Vision, pentru a putea fi folosite în multiple studii de caz în domeniul medical.

Partenerii din proiect au urmărit integrarea acestor instrumente cu mai multe aplicații biomedicale care sunt deja în uzul cabinetelor medicale. În final, ceea ce și-au dorit partenerii – și au obținut – este ca medicii să aibă acces și să utilizeze în activitatea de zi cu zi tehnologiile avansate precum Inteligență Artificială, Machine Learning și Computer Vision pentru diagnosticarea, monitorizarea și tratamentul pacienților.

Atribuțiile SIMAVI în proiect

În proiectul DeepHealth, echipa SIMAVI a avut două mari contribuții:

  • Dezvoltarea unei aplicații de front-end care, împreună cu un back-end dezvoltat de partenerii de la UNIMORE și cu librariile EDDL și ECVL, formează setul de instrumente DeepHealth. Scopul acestui toolkit este de a oferi acces ușor personalului medical la procese de Inteligență Artificială, Machine Learning si Computer Vision. De aceea, interfața grafică dezvoltată de SIMAVI este ușor de folosit și face toate aceste procese mai intuitive, prin intermediul unor grafice care arată rezultatele.
  • Dezvoltarea și implementarea unor modele de Machine Learning.

Cum funcționează aceste modele?

Folosind tehnici clasice în domeniul Inteligenței Artificiale/ Machine Learning/ Computer Vision și librăriile EDDL și ECVL dezvoltate în proiect, echipa SIMAVI a reușit să creeze modele de tip rețele neuronale convoluționale, pentru a ajuta personalul medical să pună diagnosticul mai rapid și cu mai mare certitudine în domeniul urologiei.

Suportul medical a fost realizat de echipa de la Spitalul Clinic „Profesor Doctor Theodor Burghele” și a constat în colectarea și anonimizarea datelor și împărtășirea cunoștințelor medicale cu echipa de Inteligență Artificială de la SIMAVI.

Echipa de la SIMAVI a procesat aceste date și a creat 8 modele pentru diverse obiective stabilite. Aceste modele detectează o zonă de interes în interiorul unor imagini obținute prin tomograf Această reușită este o premieră, mai ales în domeniul medicinii glandelor suprarenale, unde nu se reușise nimic asemănător înaintea începerii proiectului.

Procesele de Machine Learning și de diagnostic pot fi realizate prin intermediul liniei de comandă, ceea ce duce la un control mai mare – dar este mai greu de folosit. În acest scop, un manual de utilizare descrie în amănunt toți pașii și răspunde la eventualele întrebări ridicate de folosirea acestor tehnologii avansate.  

Prin intermediul acestor procese de Inteligență Artificială /Machine Learning /Computer Vision, personalul medical are la îndemână un instrument care va ajuta la diagnosticul problemelor de urologie ale pacienților, în jumătate din timpul necesar până acum.

Consorțiul DeepHealth

În proiectul DeepHealth au fost implicați 22 de parteneri din 9 țări, toate aparținând Uniunii Europene. Partenerii din România sunt Software Imagination & Vision (SIMAVI) și Spitalul Clinic „Prof. Dr. Theodor Burghele” (SCHTB).

Alte țări sunt reprezentate de NTT DATA Spain, Universitat Politecnica de Valencia (UPV), Philips Medical Systems Nederlands BV (Philips), WINGS ICT Solutions Information & Communication Technologies IKE (WINGS), Thales Six GTS France SAS (THALES SIX), Commissariat A L’Energie Atomique Et Aux Energies Alternatives (CEA), Barcelone Supercomputing Center – Centro Nacional De Supercomputacion (BSC), PRO DESIGN Electronic GmbH (PRO DESIGN), Karolinska Institute (KI), Fundacion Para El Fomento De La Investigacion Sanitaria Y Biomedica De La Comunitat Valenciana (FISABIO), Azienda Ospedaliera Citta Della Salute E Della Scienza Di Torino (CDSS), Ecole Polytechnique Federale De Lausanne (EPFL), Centre Hospitalier Universitaire Vaudois (CHUV), TREE Technology SA (TREE), Otto-Von-Guericke-Universitaet Magdeburg (OVGU), Stelar Security Technology Law Research UG (STELAR), Universita Degli Studi Di Torino (UNITO), Universita Degli Studi Di Modena E Reggio Emilia (UNIMORE), Centro De Ricerca, Sviluppo E Studi Superiori In Sardegna Societa A Responsabita Limitata (CRS4) și Stockholms Lans Landsting (SLL).

Toți acești parteneri au adus în proiect o gamă variată de competențe medicale, de Inteligență Artificială sau de Supercomputing.

Cat de util v-a fost acest articol?

Click pe o stea sa ii dati o nota!

Nota medie 4.9 / 5. Numar voturi: 14

Nu sunt voturi pana acum. Va rugam sa fiti Dvs. prima persoana care isi exprima opinia.

Related Post

Lasă un răspuns

Adresa ta de email nu va fi publicată. Câmpurile obligatorii sunt marcate cu *