Edita Mažonienė, Vilniaus Gedimino technikos universiteto (VILNIUS TECH) Fundamentinių mokslų fakulteto (FMF) doktorantūros studentė, nagrinėja, kaip dirbtinis intelektas gali padėti nustatyti plaučių ligų sukeliamus padarinius dar pirminėje diagnozavimo stadijoje. 

 

 

Per pastaruosius tris dešimtmečius mokslininkai, analizuodami įvairių lėtinių kvėpavimo ligų sveikatos bei pacientų rodiklius bei su jomis susijusius rizikos veiksnius, išsiaiškino, jog sergamumas įvairiomis plaučių ligomis itin padidėjo dėl gyventojų skaičiaus augimo, kenksmingo aplinkos poveikio bei ilgėjančios gyvenimo trukmės. Taip pat buvo įvertinta, jog nuo plaučių ligų miršta 4 mln. žmonių visame pasaulyje, o jų gydymui Europos Sąjungos (ES) šalys išleidžia apie 380 mlrd. eurų, taigi ankstyvoji diagnostika ir teisingas ligos suklasifikavimas, pastebint ankstyvuosius pakitimus bei įvertint ligos priežastį, o ne pasekmę, užkirstų kelią plaučių ligų progresavimui pasauliniu mastu. 

 

Pasak E. Mažonienės, dauguma plaučių ligų atvejų lieka nepastebėti, pavyzdžiui, tuberkuliozė ankstyvoje stadijoje yra dažnai painiojama su kitomis ligomis, todėl pacientai laiku negauna tinkamų vaistų, o tai dar labiau suprastina ligos būklę ir eigą.

 

Tam, kad tokių ligų diagnozavimas vyktų greičiau bei sklandžiau, E. Mažonienė savo tiriamajame darbe pasitelkia dirbtinį intelektą – konvoliucinius neuroninius tinklus (naudojami vaizdų atpažinimui, objektų identifikavimui) ir rentgeno nuotraukas analizei.

 

„Konvoliuciniais neuroniniais tinklais galima apmokyti, palyginti ir tinkamai suklasifikuoti radiologinius vaizdus, pritaikant giliojo konvoliucinio neuroninio tinklo modelį, kuris automatiškai išskirtų, pavyzdžiui, tuberkuliozės atvejus. Po daugkartinių eksperimentų, mokslininkams pavyko pasiekti net 98,6 proc. tikslumą“, – paaiškina E. Mažonienė.

 

Taip pat šie tinklai gali būti naudojami plaučių segmentavimui, kuris atlieka svarbų vaidmenį kompiuterinei diagnostikai, kadangi visas gautas nuotraukų rinkinys yra perdaromas į duomenų rinkinį bei tuomet analizuojamas viduje, pasluoksniui,o ne vizualiai. Tokiu būdu gaunami patikimi rodikliai, o ne priešingai, kai sprendimas priimamas remiantis rentgenogramų interpretacijomis, kuriose ne visada akivaizdžiai matomi pokyčiai arba darinių atsiradimas, kurias analizuoja gydytojas-radiologas, taigi būtent tokia duomenų analizė, gali tapti tinkamu biomediciniu įrankiu ankstyvajai plaučių ligų diagnostikai ir didžiulė pagalba gydytojams diferencijuojant ligas arba įžvelgiant ankstyvuosius ligos židinius.

 

 

E. Mažonienė pasakoja, jog pasauliui ir toliau kovojant su COVID-19 viruso atmainomis, mokslininkai vis dar ieško kuo tikslesnių būdų jas laiku ne tik diagnozuoti, bet ir atskirti nuo kitų ligų. Tam jie pasitelkia minėtuosius dirbtinį intelektą ir giliojo mokymosi metodus, kadangi šie greitai bei efektyviai geba analizuoti ir palyginti radiologinius vaizdus bei nustatyti plaučių pakitimus. 

 

„Svarbu paminėti, jog tiksli radiologinių nuotraukų analizės interpretacija ir ligos nustatymas ankstyvojoje stadijoje svarbūs todėl, jog kiti tyrimai bei testai, pavyzdžiui, serologiniai (antikūnų nustatymo), geba tik patvirtinti arba paneigti ligos formą, kuri kartais gali likti nepastebėta dėl viruso mutacijos. Taip pat jie negali nustatyti plaučių obstrukcijos (kvėpavimo takų susiaurėjimas ar užsikišimas) ir kitų jų pakitimų. Tačiau radiologiniai vaizdai, apdoroti mašininio mokymo metodais, gali pakankamai tiksliai suklasifikuoti vaizdus ir priskirti juos atitinkamai ligai“, – paaiškina mokslininkė.