ILDeasy

ILDeasy wykorzystuje różne modele sztucznej inteligencji, które są w stanie automatycznie przetwarzać wyniki tomografii komputerowej klatki piersiowej oraz analizować informacje zawarte w obrazach. Rozwiązanie to umożliwia wykrywanie nieprawidłowości w płucach oraz segmentację głównych zmian radiologicznych, wskazując na samym obrazie zidentyfikowane obszary i podając ich objętość. Wśród zmian, które można poddać analizie, znajdują się siateczkowatość, matowienie tkanki płucnej, struktura plastra miodu, rozedma płuc, rozstrzenie oskrzeli oraz torbiele płucne.

Narzędzie to pozwala również na ocenę wzorców radiologicznych oraz określenie obecności zwłóknieniowej lub niezłóknieniowej choroby płuc o charakterze śródmiąższowym, dostarczając specjaliście informacji na temat prawdopodobieństw związanych z różnymi wzorcami oraz wskazując zmienne o największym znaczeniu dla uzyskanego wyniku.

Jedną z cech wyróżniających ILDeasy jest zdolność oprogramowania do przekształcania informacji zawartych w obrazach medycznych w dane ilościowe, które mogą stanowić uzupełnienie oceny specjalisty. Automatyczna segmentacja pozwala na wizualizację i kwantyfikację różnych zmian radiologicznych, ułatwiając ich analizę i porównanie.

Ponadto, rozwiązanie ILDeasy zaprojektowano do pracy z danymi klinicznymi powiązanymi z badaniami obrazowymi. System może integrować między innymi wyniki badań czynnościowych układu oddechowego, takie jak FVC, TLC i DLCO, wyniki badań radiologicznych i pulmonologicznych oraz inne istotne dane kliniczne dotyczące pacjenta.

Połączenie obrazów medycznych i danych klinicznych pozwala uzyskać pełniejszy obraz stanu pacjenta i ułatwia lekarzowi przeglądanie w jednym środowisku informacji istotnych dla postawienia diagnozy.

Rozwiązanie ILDeasy zaprojektowano w celu wspierania, a nie zastępowania, oceny dokonywanej przez pracowników ochrony zdrowia. Wyniki generowane przez algorytmy są prezentowane w formie wizualnej i powiązane z obrazami, dzięki czemu specjalista może je przeanalizować, zweryfikować oraz, w razie potrzeby, zmodyfikować segmentacje wykonane przez sztuczną inteligencję. Testy użyteczności przeprowadzone z udziałem personelu medycznego Szpitala Uniwersyteckiego La Paz wykazały przejrzystość informacji oraz przydatność jednoczesnego wyświetlania wyników i obrazów.

Rozwiązanie to zawiera również funkcje mające na celu usprawnienie przebiegu pracy, takie jak identyfikacja i korekta artefaktów, wykrywanie anomalii, segmentacja wyników badań, ocena wzorców radiologicznych oraz generowanie raportów.

Rozwój ILDeasy odbywa się w ramach projektu SEPI-IA, inicjatywy badawczo-rozwojowej mającej na celu opracowanie programu do analizy i symulacji przebiegu chorób śródmiąższowych płuc z wykorzystaniem sztucznej inteligencji.

W projekcie współpracował Szpital Uniwersytecki La Paz, który brał udział w rozwoju projektu, tworzeniu zbiorów danych do walidacji oraz ocenie prototypu pod kątem klinicznym i użyteczności. Jak stwierdził Emilio Cuesta, kierownik Zakładu Radiologii Kardiotorakowej Szpitala Uniwersyteckiego La Paz oraz profesor nadzwyczajny radiologii i medycyny fizycznej na Uniwersytecie Autonomicznym w Madrycie: „wykorzystano rzeczywiste, zanonimizowane dane kliniczne i obrazy medyczne, w tym badania TCAR oraz różne zmienne kliniczne”.
Zbiór danych do walidacji klinicznej wykorzystany w szpitalu La Paz „obejmował pacjentów z różnymi diagnozami oraz znaczną liczbę anomalii śródmiąższowych, a segmentacje zweryfikowali specjaliści”.

Proces ten pozwolił zweryfikować działanie poszczególnych elementów rozwiązania oraz zwiększyć niezawodność modeli sztucznej inteligencji w warunkach zbliżonych do środowiska klinicznego.

Jak stwierdziła dr Maria Molina, kierowniczka Oddziału Chorób Opłucnej w Bellvitge oraz  profesor nadzwyczajna Uniwersytetu w Barcelonie, złoty medal Europejskiego Towarzystwa Oddechowego ILDeasy stanowi „krok naprzód w zastosowaniu sztucznej inteligencji do analizy śródmiąższowych chorób płuc, dostarczając pracownikom ochrony zdrowia obiektywnych, ilościowych i wizualnych informacji na temat obrazu medycznego, aby ułatwić jego interpretację i wesprzeć monitorowanie pacjentów”.