Rewolucyjne rozwiązanie sztucznej inteligencji dla endoskopii kapsułkowej

Klientem jest innowacyjna firma z sektora medtech, koncentrująca się na wykorzystaniu sztucznej inteligencji w diagnostyce obrazowej przewodu pokarmowego. Głównym obszarem działalności firmy jest rozwój narzędzi wspierających analizę endoskopii kapsułkowej (CE) – małoinwazyjnej metody obrazowania jelita cienkiego, która generuje od 50 000 do 70 000 obrazów z jednego badania. Firma dostarcza rozwiązania dla klinik i szpitali, które zmagają się z rosnącym zapotrzebowaniem na szybkie i precyzyjne diagnozy przy ograniczonych zasobach kadrowych.

Wraz ze wzrostem zapotrzebowania klinicznego i rozszerzaniem zastosowań tej metody, istnieje pilna potrzeba inteligentnej automatyzacji, która skróci czas analizy, zwiększy precyzję diagnostyczną i zapewni skalowalność procesu.

Firma zidentyfikowała kilka kluczowych barier ograniczających efektywność i diagnostyczną przydatność badań CE:

• Wydłużony czas przeglądu obrazów, prowadzący do zmęczenia klinicystów i wąskich gardeł w przepływie pracy.
• Niespójności diagnostyczne wynikające z ludzkiej subiektywności i braku ustandaryzowanej interpretacji.
• Pominięcie lub opóźnienie w identyfikacji subtelnych, ale klinicznie istotnych zmian.
• Niewydajna analiza dużych zbiorów obrazów, z których większość nie zawiera informacji diagnostycznych.
• Niska reprezentacja rzadkich zmian patologicznych w danych treningowych, co wpływa na skuteczność modelu w wykrywaniu tych przypadków.

Aby rozwiązać te problemy, firma opracowała rozwiązanie oparte na AI, łączące dane rzeczywiste z syntetycznym rozszerzaniem danych, aby zapewnić prawidłową klasyfikację i zoptymalizować przebieg pracy.

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.

System AI przynosi istotne korzyści kliniczne i operacyjne:

• 80% obrazów filtrowanych automatycznie – znaczne skrócenie czasu przeglądu.
• 90% zmian patologicznych zachowanych w zbiorze po filtracji – wysoka niezawodność diagnostyczna (klinicyści mają wgląd we wszystkie obrazy, żadna patologia nie jest ukrywana).

Poprzez zastosowanie zaawansowanych algorytmów AI oraz innowacyjnych technik generowania danych syntetycznych, firma zrewolucjonizowała przebieg badania endoskopii kapsułkowej – osiągając szybszą, dokładniejszą i bardziej skalowalną diagnostykę. Takie podejście nie tylko zwiększa wydajność pracy klinicystów, ale przede wszystkim poprawia jakość opieki nad pacjentem poprzez wcześniejsze i bardziej spójne wykrywanie zmian patologicznych w przewodzie pokarmowym. Projekt został zrealizowany przez specjalistów BioCam, firmę specjalizującą się w zastosowaniu sztucznej inteligencji w diagnostyce obrazowej przewodu pokarmowego.