To, co zaczęło się jako wizja odległych zakątków ludzkiej wyobraźni, szybko stało się powszechną rzeczywistością, która radykalnie zmienia nasze życie. Przyjrzyjmy się samojezdnym samochodom, cybernetycznym protezom, inteligentnym asystentom osobistym, klientom obsługiwanym przez sztuczną inteligencję, autonomicznym dronom, inteligentnym urządzeniom domowym i wielu innym innowacjom. Technologia sztucznej inteligencji staje się coraz bardziej elastyczna.

Nasz zespół zjednoczył siły z klientem, który postawił sobie ambitny cel wykorzystania algorytmów uczenia maszynowego, technologii sztucznej inteligencji i analizy ogromnych zbiorów danych w celu stworzenia zaawansowanego systemu głębokiego uczenia opartego na obrazach. Jego celem jest ocena ryzyka raka piersi oraz diagnozowanie onkologii na najwcześniejszym możliwym etapie. Opowiemy Ci o etapach rozwoju tego pomysłu aż do stworzenia kompletnego rozwiązania programowego.

Budowanie logiki biznesowej

W ostatnich latach zanotowano znaczący rozwój technik obrazowania medycznego, takich jak prześwietlenia rentgenowskie czy rezonans magnetyczny. W rezultacie istnieje ogromna ilość danych obrazowych, które radiologowie muszą codziennie analizować. Jednak rosnąca liczba danych często prowadzi do opóźnień w procesie diagnozowania. Z tego powodu radiolodzy poszukują oprogramowania, które usprawniłoby przepływ pracy i zwiększyłoby precyzję diagnoz opartych na obrazowaniu medycznym.

Rozwinięcie systemu interpretacji obrazów medycznych umożliwiającego pozyskiwanie i analizowanie danych oraz określanie prawdopodobieństwa wystąpienia raka piersi wiązało się z rozwiązaniem poniższych wyzwań:

Adaptacja systemu do interakcji z człowiekiem

Przesyłając obrazy mammogramów do modelu głębokiego uczenia, radiolog przeszkoli algorytm w rozpoznawaniu wzorców w tkance piersi, które mogą wskazywać na potencjalne objawy raka lub rozwijający się rak. Podczas przeprowadzania przesiewowych badań, algorytm jest w stanie wykryć najmniejsze zmiany, które mogą być ledwo widoczne dla ludzkiego oka.

Tworzenie systemu umożliwiającego przetwarzanie znacznych ilości danych

Model głębokiego uczenia będzie w stanie analizować ogromną ilość obrazów medycznych w celu identyfikacji nieprawidłowej tkanki piersi i wydedukowania charakterystycznych wzorców.

Tworzenie architektury aplikacji

Ze względu na złożoną logikę biznesową, określono wymagane zachowanie i funkcje aplikacji internetowej dla służby zdrowia. W rezultacie system został zbudowany jako wielomodułowy, gdzie każdy moduł spełniał odrębną funkcję biznesową poprzez interfejs.

Projekt uczenia maszynowego przeszedł przez trzy fazy rozwoju:

1. Programowanie back-endowe z wykorzystaniem frameworka .NET

Mimo że klient dysponował wewnętrzną jednostką programistyczną, skonsultował się z Agiliway w celu wzmocnienia swojego zespołu o doświadczonych inżynierów specjalizujących się w technologii .NET, React web oraz wykwalifikowanych w tworzeniu backendu.

2. Integracja technologii sztucznej inteligencji

System uczenia maszynowego został rozwinięty przy użyciu języka Python.

3. Programowanie front-endowe z JavaScript i wykorzystaniem React.js Redux i Webpack

Zespół, kierując się opinią użytkowników, wykorzystał pełne potencjały języka JavaScript w celu stworzenia interfejsu użytkownika i zwiększenia komfortu użytkowania.

Dostarczona wartość

Ta aplikacja z uczeniem maszynowym została zintegrowana z klinicznym przepływem pracy, aby pomóc radiologom w osiągnięciu wysokiej wydajności i produktywności. Oferuje wiele korzyści, takich jak:

• Automatyczne wydobywanie i analizowanie ogromnej ilości danych, co pozwala radiologom skoncentrować się na kluczowych obszarach badania i oszczędza czas potrzebny na ręczne przeglądanie wszystkich danych.
• Zwiększenie dokładności interpretacji obrazowania medycznego dzięki wykorzystaniu potężnych algorytmów uczenia maszynowego, które mogą wykrywać subtelne wzorce i anomalie.
• Zmniejszenie ryzyka opóźnień w czytaniu przez radiologa poprzez szybkie przetwarzanie i analizowanie obrazów medycznych, co pozwala na szybszą diagnozę i lepszą opiekę nad pacjentem.
• Przyspieszenie podejmowania decyzji w celu poprawy opieki nad pacjentem (poprzez dostarczanie radiologom istotnych informacji i sugestii, które mogą wesprzeć ich w podejmowaniu decyzji klinicznych).

Przekonanie, że większość najbardziej śmiercionośnych form raka piersi można wyleczyć, jeśli zostaną wcześnie zdiagnozowane, jest źródłem pocieszenia dla wielu ludzi. Teraz radiolodzy mają dodatkowe narzędzie, które może jeszcze bardziej uspokoić pacjentów – technologię opartą na sztucznej inteligencji.