Rewolucyjne rozwiązanie sztucznej inteligencji dla endoskopii kapsułkowej

Główna technologia AI oparta jest na zaawansowanych konwolucyjnych sieciach neuronowych (CNN) i algorytmach analizy obrazów, zaprojektowanych specjalnie dla przepływu pracy w endoskopii kapsułkowej. Kluczowe funkcjonalności to:

• Automatyczne wykrywanie 11 klas patologii z oceną pewności predykcji.
• Ocena jakości przygotowania jelita z wykorzystaniem AI.
• Automatyczna filtracja klatek – eliminacja ponad 80% nieinformacyjnych obrazów, przy jednoczesnym zachowaniu ponad 90% tych zawierających zmiany patologiczne.
• Skuteczność klasyfikatora (F1-score binarny): 93% – bardzo wysoka czułość i precyzja detekcji zmian.

Aby poprawić skuteczność klasyfikacji – szczególnie dla rzadziej występujących patologii – firma stosuje dwutorową strategię generowania danych syntetycznych:

1. Klasyczne przekształcenia obrazu: zastosowanie przekształceń morfologicznych, kontrolowanego szumu, normalizacji jasności oraz sztucznego dodawania zmian na bazie rzeczywistych klatek.
2. Generatywne modele (GAN, Diffusion): trenowane do tworzenia realistycznych obrazów patologii dla wszystkich 11 klas, znacząco poszerzając różnorodność danych.

To hybrydowe podejście znacząco zwiększa uniwersalność modelu i poprawia jego skuteczność w wykrywaniu rzadkich przypadków.

Zastosowano także metody explainable AI (XAI), np. GradCAM, które pokazują obszary obrazu kluczowe dla decyzji modelu, umożliwiając weryfikację wiarygodności predykcji.

Architektura i trening modelu

Model korzysta z nieszablonowych metod, aby maksymalizować czułość i precyzję w trudnym kontekście medycznym. Wstępne szkolenie przeprowadzono przy użyciu technik samonadzorowanego uczenia, dostosowanych do specyfiki obrazów CE – które znacznie różnią się od standardowych danych wizualnych.

Dodatkowo, dzięki współpracy z ekspertami medycznymi, wykorzystano wiedzę dziedzinową, implementując tzw. Group-equivariance, czyli odporność modelu na obrót obrazu, co zwiększa jego wydajność w pracy z rzadkimi przypadkami.

Proces wdrożenia

Zbieranie i anotacja danych

• Zebrano ponad 5 milionów obrazów CE.
• Ponad 300 000 obrazów oznaczonych przez ekspertów.
• Ustandaryzowane etykiety patologii na podstawie wytycznych konsensualnych.

Syntetyzacja danych

• Klasyczne techniki augmentacji dla klas mniejszościowych.
• Walidacja obrazów generowanych przez GAN-y przez lekarzy.
• Połączenie danych rzeczywistych i syntetycznych w zbalansowany zbiór treningowy.

Rozwój modelu i trening

• Opracowano zoptymalizowaną architekturę CNN.
• Regularna ocena wydajności (F1, Precision, Recall, AUROC, analiza macierzy pomyłek).

Integracja i wdrożenie

• Silnik AI zintegrowano z autorską platformą do analizy CE przez modułowe API.
• System oferuje interaktywne podglądy oraz metryki pewności klasyfikacji.