Nowe narzędzie, wykorzystujące AI, pomoże automatycznie rozpoznać różne typy urazów mózgu, wyłącznie na podstawie obrazów z tomografii komputerowej. Dzięki przetrenowaniu modelu Sztucznej Inteligencji na prawdziwych zdjęciach, narzędzie to wskazuje regiony mózgu, w których tkanka została uszkodzona przez różne rodzaje schorzeń lub chorób.
Pomoc dla wielu
Szybkość i trafność tego modelu AI jest nieporównywalnie większa od oceny lekarza. Przez to, że wykrywa najsubtelniejsze detale, może pomóc w stworzeniu spersonalizowanych metod leczenia, które pomogłyby 60 milionom pacjentów każdego roku.
Każda wizyta u lekarza może zająć nawet kilka godzin, a człowiek często pomija ważne szczegóły w skanie mózgu. Aby przyspieszyć i ulepszyć ten proces, badacze z uniwersytetów w Londynie i Cambridge stworzyli nowe narzędzie, które automatycznie wykrywa choroby i uszkodzenia mózgu.
A wszyscy wiemy, szczególnie teraz, że jakakolwiek pomoc dla pracowników medycznych jest niesłychanie potrzebna.
Mózg naszym centrum sterowania
Ten model AI został przetrenowany na ponad 600 zdjęciach z tomografii komputerowej. Następnie został sprawdzony na nowej bazie skanów. Efekt? Narzędzie to poprawnie rozpoznało poszczególne partie mózgu, a także sklasyfikowało, czy jest on uszkodzony, czy nie.
Badacze mówią, że narzędzie to może pomóc w zobaczeniu, jak rozwija się choroba naszego „centrum sterowania” – czymś, co wcześniej nie było możliwe na dużą skalę. Przez wykrywanie drobnych zmian z wizyty na wizytę, można szybko i poprawnie zareagować na rozwój choroby. Piszą też oni, że możliwa będzie prognoza jej rozwoju na przyszłość, co może samo w sobie stworzyć nowe formy leczenia.
Jak powiedział współtwórca narzędzia, Miguel Monteiro:
Obecnie używamy Sztucznej Inteligencji tylko w celach badawczych, lecz po odpowiednich testach, może być użyta w klinikach, szczególnie tych, w których nie ma wielu środków lub radiologów.
“We’re currently only using the AI for research, but with proper validation, it could also be used in clinical scenarios like in resource-limited areas where there are few radiologists.”
Mamy nadzieję na szybką implementację narzędzia. Na razie kod dostępny jest dla każdego na GitHub.
