Primjena AI za detekciju tuberkuloze i medicinsku edukaciju
Istraživanje je ispitalo mogućnost kombinovanja dvije komplementarne oblasti vještačke inteligencije: računarske vizije za analizu rendgenskih snimaka pluća i Retrieval-Augmented Generation (RAG) pristupa za pružanje edukativnih informacija zasnovanih na medicinskoj literaturi.
Dio istraživanja predstavljenog u ovoj priči o uspjehu realizovao je Nikola Kavarić u okviru svog master rada na studijskom programu Softversko inženjerstvo Fakulteta za informacione sisteme i tehnologije Univerziteta Donja Gorica.
IZAZOV
Tuberkuloza i dalje predstavlja značajan globalni zdravstveni izazov, pri čemu su pravovremeno otkrivanje bolesti i dostupnost pouzdanih medicinskih informacija od velikog značaja. Rendgenski snimci pluća imaju važnu ulogu u procjeni plućnih oboljenja, ali njihova interpretacija zahtijeva odgovarajuću stručnost, koja nije uvijek jednako dostupna. Istovremeno, pacijentima, studentima i zdravstvenim radnicima potreban je efikasan pristup pouzdanim i razumljivim medicinskim informacijama.
RJEŠENJE
Razvijen je modularni AI prototip koji kombinuje detekciju tuberkuloze na medicinskim slikama sa edukativnom komponentom zasnovanom na RAG pristupu.
Komponenta računarske vizije obuhvatila je prilagođenu konvolucionu neuronsku mrežu (CNN) za binarnu klasifikaciju rendgenskih snimaka na normalne i snimke povezane sa tuberkulozom, kao i YOLOv7 i YOLOv8 modele za ispitivanje mogućnosti lokalizacije patoloških promjena. Za razvoj modela korišćeni su javno dostupni skupovi rendgenskih snimaka, uz pripremu i balansiranje podataka, augmentaciju i odvajanje trening, validacionog i testnog skupa.
CNN model ostvario je tačnost od 97% na korišćenom testnom skupu, čime je demonstriran potencijal dubokog učenja za automatizovanu analizu rendgenskih snimaka u okviru sprovedenog eksperimenta. YOLO modeli su dodatno demonstrirali koncept lokalizacije relevantnih područja na snimku, ali su rezultati ukazali i na potrebu za većim i bolje balansiranim anotiranim skupovima podataka.
Pored vizuelne komponente, implementiran je i edukativni prototip zasnovan na RAG pristupu. Umjesto oslanjanja samo na znanje sadržano u velikom jezičkom modelu, sistem pronalazi relevantne informacije u lokalnoj kolekciji medicinskih dokumenata i koristi ih kao kontekst za generisanje odgovora. Na taj način stvorena je osnova za interaktivne edukativne alate u kojima korisnik može postavljati pitanja o tuberkulozi i dobijati odgovore zasnovane na odabranoj medicinskoj literaturi.
Za razvoj i eksperimentisanje sa modelima korišćeno je GPU ubrzano računarstvo. Trening CNN modela realizovan je u Google Colab okruženju uz korišćenje NVIDIA Tesla T4 GPU, dok su za implementaciju korišćeni Python i biblioteke TensorFlow, Keras i PyTorch.
Rezultat istraživanja pokazuje kako se računarska vizija i generativna vještačka inteligencija mogu povezati u modularni sistem: jedna komponenta analizira medicinske slike, dok druga pruža edukativne informacije zasnovane na relevantnoj literaturi. U ovoj fazi sistem treba posmatrati kao istraživački i edukativni prototip, a ne kao klinički validirano dijagnostičko rješenje.
BENEFITI
- Automatizovana analiza rendgenskih snimaka pluća, pri čemu je CNN ostvario tačnost od 97% na testnom skupu korišćenom u istraživanju.
- Ispitivanje lokalizacije patoloških promjena primjenom YOLO modela, kao osnova za dalja istraživanja na većim anotiranim skupovima podataka.
- Integracija računarske vizije i generativne AI u okviru modularnog prototipa koji povezuje analizu medicinskih slika i pristup medicinskim informacijama.
- Edukativna podrška zasnovana na relevantnoj literaturi primjenom RAG pristupa.
- Osnova za razvoj budućih AI edukativnih alata namijenjenih studentima, zdravstvenim radnicima i drugim korisnicima zainteresovanim za oblast tuberkuloze.
- Razvoj praktičnih AI i naprednih računarskih kompetencija, uz demonstraciju primjene GPU računarstva za eksperimentisanje sa različitim arhitekturama dubokog učenja u oblasti zdravstva.