Штучний інтелект у медицині: нові методи аналізу зображень

Штучний інтелект стає невід'ємною частиною клінічних досліджень та медичної візуалізації. Сучасна охорона здоров'я генерує величезні обсяги різнорідних даних, включаючи зображення, геномну інформацію та показники носимих пристроїв. Традиційні методи обчислення часто не справляються з масштабом, різноманітністю та складністю таких наборів даних. Системи на основі штучного інтелекту заповнюють ці прогалини, забезпечуючи точнішу діагностику, прискорені дослідницькі процеси та відтворювані результати.

Пралохіт Редді Чінталапеллі, старший аналітик з науки про дані, працює на межі інформатики та клінічної практики. Його дослідження охоплюють сегментацію органів, синтез штучних наборів даних для моделювання рідкісних захворювань та інтеграцію мультимодальних клінічних даних. За останній рік він опублікував три рецензовані статті, які пропонують практичні рішення для розвитку методології та застосування штучного інтелекту в медицині.

У вересні 2024 року Пралохіт став співавтором статті про підходи глибокого навчання до автоматизованої сегментації органів у великомасштабних когортах комп'ютерної томографії. Публікація з'явилася у виданні Journal of AI-Powered Medical Innovations. Дослідження порівнювало згорткові нейронні мережі, моделі U-Net та трансформерні моделі на зображеннях комп'ютерної томографії. Історично сегментація органів вимагала ручної роботи, яка займала до 90 хвилин на одне сканування з варіабельністю між спостерігачами понад 15 відсотків.

Робота Пралохіта продемонструвала, що моделі на кшталт U-Net можуть досягати середнього коефіцієнта подібності Дайса понад 0,94, скорочуючи час обробки до кількох секунд на сканування. Дослідження валідували на 3872 знімках комп'ютерної томографії, охопивши різні когорти, включаючи набори даних LiTS, KiTS21 та багатоцентрові онкологічні дані. Автори не лише оцінили точність, а й підкреслили клінічне застосування, показавши, що автоматизовані конвеєри можуть заощадити 28 000 годин роботи радіологів на рівні проєкту. Цей внесок демонструє, як алгоритмічні інновації перетворюються на рішення, готові до розгортання на різнорідних реальних наборах даних.

У березні 2024 року Пралохіт опублікував статтю про генеративний штучний інтелект у синтетичному доповненні даних медичної візуалізації у виданні Journal of Artificial Intelligence General Science. Робота розглядала проблему обмеженості анотованих даних медичної візуалізації. Дослідження вивчало генеративні моделі на основі генеративно-змагальних мереж, варіаційних автокодувальників та дифузійних моделей для синтезу нових даних візуалізації, на відміну від традиційних методів доповнення, таких як обертання чи масштабування.

Стаття описала, як створювати синтетичні зображення магнітно-резонансної томографії, комп'ютерної томографії та рентгенівські знімки, які зберігають патологічні характеристики без шкоди для надійності моделі. У тематичних дослідженнях продемонстрували вимірні покращення: синтетичне доповнення підвищило показники Дайса для сегментації гліобластоми з 0,78 до 0,87, а також покращило виявлення рідкісних захворювань та узагальнення між різними центрами, зменшивши хибнопозитивні результати. Дослідження також розглянуло етичні та регуляторні питання, наполягаючи на чіткому маркуванні метаданих, конфіденційності та системах аудиту. Таким чином, Пралохіт позиціонував генеративний штучний інтелект як технічне рішення та елемент екосистеми відповідального клінічного впровадження.

Третя стаття, опублікована у липні 2024 року у Journal of AI-Powered Medical Innovations, розширила фокус на мультимодальні клінічні дані. Пралохіт разом зі співавтором Срікантом Горле запропонував архітектуру для поєднання структурованих електронних медичних карток, даних візуалізації, геномних послідовностей та показників носимих датчиків. Система включала обробку природної мови для неструктурованих записів, крос-модальні представлення та навчання представлень графів знань.

Підхід застосували до онкологічних когортних досліджень на основі геноміки та візуалізації, довгострокового моніторингу хвороби Паркінсона за допомогою носимих пристроїв та конвеєрів набору учасників для кардіологічних випробувань. У цих випадках система скоротила час формування когорт з тижнів до днів та підвищила точність розпізнавання сутностей до 98 відсотків. Дослідження вважається інноваційним, оскільки воно не лише продемонструвало переваги одномодальної продуктивності, а й показало можливість штучного інтелекту створювати набори даних, готові до запитів, для трансляційних досліджень. Робота розвинула інтеграцію на основі штучного інтелекту як платформу для доказової медицини, звертаючи увагу на сумісність, масштабованість та відтворюваність.

Разом три дослідження ілюструють, як дослідження штучного інтелекту можуть розвиватися в паралельних напрямках. Моделі глибокого навчання демонструють технічну майстерність, генеративні моделі долають проблему дефіциту даних, а інтеграційні моделі забезпечують використання мультимодальних даних для трансляційних висновків. Цей перетин має велике значення для медичних досліджень. Автоматизована сегментація дозволяє вивчати біомаркери візуалізації в популяційному масштабі, синтетичні дані долають бар'єри для розробки моделей, а інтеграційні системи дають міждисциплінарним групам можливість генерувати цілісні висновки.

Пралохіт Редді Чінталапеллі є старшим аналітиком з науки про дані, який зосереджується на впровадженні штучного інтелекту в охороні здоров'я з дослідницьким досвідом у медичній візуалізації, інтеграції мультимодальних даних та клінічній інформатиці. Його наукові публікації охоплюють глибоке навчання для сегментації органів, створення штучних медичних зображень та моделі на основі штучного інтелекту для мультимодальних клінічних досліджень. Його кар'єра в сфері аналітики даних та біомедичних досліджень налічує майже десять років, охоплюючи межу між створенням передових обчислювальних методів та їх використанням у клінічній практиці. Він займається розробкою масштабованих, відтворюваних та відповідальних систем штучного інтелекту для моделювання захворювань, персоналізованої медицини та прийняття рішень в охороні здоров'я на основі доказів.