Kombinovanje računarske vizije i analize kliničkih podataka
Vještačka inteligencija može pružiti podršku medicinskoj dijagnostici na različite načine, od analize složenih medicinskih slika do prepoznavanja obrazaca u strukturiranim kliničkim i laboratorijskim podacima. Ovaj proof of concept ispitao je oba pravca kroz dvije komplementarne primjene: detekciju tumorskih promjena jajnika na histopatološkim slikama i predikciju pneumonije na osnovu kliničkih podataka. Istraživanje je realizovala Anesa Abazović u okviru svog master rada na Univerzitetu Donja Gorica, na Master programu Vještačka inteligencija. Rad je djelimično podržan kroz projekte EuroCC2 i EuroCC4SEE, kao i kroz šire edukativne, mentorske i aktivnosti razvoja AI kompetencija u okviru NCC Montenegro.
IZAZOV
Savremeno medicinsko odlučivanje sve više zavisi od velikih količina heterogenih podataka. Histopatološke slike zahtijevaju pažljivu vizuelnu interpretaciju, dok klinička procjena može zavisiti od kombinovanja većeg broja laboratorijskih, demografskih i fizioloških parametara. U oba slučaja AI može pomoći u prepoznavanju relevantnih obrazaca i ponuditi dodatni analitički sloj, ali ovakvi sistemi moraju biti pažljivo evaluirani prije razmatranja njihove kliničke primjene.
RJEŠENJE
Proof of concept objedinjuje dva AI toka. Prvi koristi YOLOv8 i računarsku viziju za detekciju i lokalizaciju tumorskih promjena jajnika na histopatološkim slikama. Drugi poredi pristupe mašinskog i dubokog učenja za predikciju pneumonije na osnovu strukturiranih kliničkih podataka, uključujući XGBoost, Random Forest, logističku regresiju i potpuno povezanu neuronsku mrežu.
Za slučaj detekcije raka jajnika razvijen je i funkcionalni prototip sa jednostavnim web interfejsom koji omogućava učitavanje medicinske slike i njenu analizu pomoću treniranog YOLO modela. Predložena arhitektura razmatra i širi tok rada oko samog modela, uključujući kliničara, aplikativni interfejs, API, skladištenje podataka i održavanje modela.
Kod predikcije pneumonije, razvojni tok obuhvatio je prikupljanje i čišćenje podataka, formiranje ciljne varijable, podjelu skupa, treniranje modela, evaluaciju performansi i interpretaciju rezultata. Analiza je koristila više evaluacionih metrika kako bi se performanse sagledale šire od same tačnosti.
Razvijeno rješenje treba posmatrati kao proof of concept, a ne kao klinički validiran dijagnostički sistem. Istraživanje je sprovedeno na ograničenim skupovima podataka, bez kros-validacije, a kod dijela modela uočeni su znaci overfittinga. Za realnu primjenu bili bi potrebni veći i raznovrsniji skupovi podataka, eksterna validacija i klinička evaluacija.
REZULTATI
YOLOv8 model ostvario je ukupni mAP50 od 0,922 i mAP50–95 od 0,688. Za klasu tumora mAP50 je dostigao 0,963, što predstavlja obećavajući rezultat na korišćenom eksperimentalnom skupu. Eksperimenti su takođe pokazali da povećanje broja epoha ili balansiranje klasa ne dovode automatski do boljih rezultata, što potvrđuje značaj empirijskog podešavanja modela.
Za predikciju pneumonije, XGBoost je odabran kao najuravnoteženiji model za dalju analizu. Ostvario je preciznost od 0,97, osjetljivost 0,84, tačnost 0,85, specifičnost 0,71, F1-score 0,84, ROC-AUC 0,86 i MCC 0,71. Drugi modeli su na pojedinim metrikama postigli konkurentne rezultate, ali su pokazali izraženije ponašanje po klasama i znake overfittinga, zbog čega je XGBoost u okviru ovog eksperimenta predstavljao stabilniji kompromis.
BENEFITI
- Dva komplementarna AI pristupa: računarska vizija za analizu medicinskih slika i mašinsko učenje za strukturirane kliničke podatke.
- Funkcionalni proof-of-concept tok za AI podržanu analizu histopatoloških slika jajnika.
- Obećavajuće performanse detekcije tumorskih promjena, sa YOLOv8 rezultatom mAP50 = 0,922 ukupno i 0,963 za klasu tumora.
- Sistematsko poređenje više modela za predikciju pneumonije, pri čemu je XGBoost pokazao dobar balans preciznosti i stabilnosti predikcija.
- Prenosiva metodologija razvoja koja obuhvata pripremu podataka, treniranje, evaluaciju, vizualizaciju i interpretaciju rezultata.
- Praktično iskustvo u odgovornoj primjeni AI u zdravstvu, uključujući pitanja interpretabilnosti, privatnosti podataka, pristrasnosti i integracije sistema.
Ovaj rad pokazuje kako obrazovanje iz oblasti AI, mentorstvo i primijenjena istraživanja u okviru ekosistema NCC Montenegro mogu doprinijeti razvoju konkretnih eksperimentalnih rješenja u oblastima sa velikim društvenim značajem, kao što je zdravstvo.