Cercetătorii dezvoltă soluții inovatoare bazate pe inteligență artificială pentru sprijinirea diagnosticului imagistic al cancerului pulmonar.

În cadrul proiectului „Dezvoltarea Centrului Național de Competență în domeniul Cancerului (CNCC)”, cercetătorii dezvoltă soluții inovatoare bazate pe inteligență artificială pentru sprijinirea diagnosticului imagistic al cancerului pulmonar.

Una dintre direcțiile de cercetare vizează segmentarea nodulilor pulmonari, cu scopul de a îmbunătăți precizia identificării și evaluării leziunilor suspecte în imaginile CT.

Segmentarea nodulilor pulmonari urmărește sprijinirea procesului de diagnostic medical prin integrarea unor metode moderne de învățare profundă, capabile să ofere atât rezultate cantitative precise, cât și explicații vizuale utile pentru specialiști.

În acest context, proiectul are ca punct central arhitectura multi-task MTL-LungNet, care permite realizarea simultană a două sarcini esențiale: segmentarea nodulilor pulmonari și clasificarea acestora în funcție de gradul de malignitate.

Această abordare este importantă deoarece cele două sarcini sunt puternic corelate: o segmentare corectă a regiunii suspecte poate îmbunătăți clasificarea, iar informațiile legate de malignitate pot ghida modelul către zonele imagistice relevante.

Segmentarea nodulilor pulmonari

Segmentarea nodulilor pulmonari urmărește sprijinirea procesului de diagnostic medical prin integrarea unor metode moderne de învățare profundă, capabile să ofere atât rezultate cantitative precise, cât și explicații vizuale utile pentru specialiști. În acest context, proiectul are ca punct central arhitectura multi-task  MTL-LungNet, care permite realizarea simultană a două sarcini esențiale: segmentarea nodulilor pulmonari și clasificarea acestora în funcție de gradul de malignitate. Această abordare este importantă deoarece cele două sarcini sunt puternic corelate: o segmentare corectă a regiunii suspecte poate îmbunătăți clasificarea, iar informațiile legate de malignitate pot ghida modelul către zonele imagistice relevante.

Validarea metodei se va realiza pe două tipuri de date: setul public LIDC-IDRI și imagini CT furnizate de partenerul SFN. Această dublă validare poate evidenția capacitatea soluției de a generaliza dincolo de datele publice standardizate și de a funcționa pe imagini obținute în contexte clinice diferite.

Un aspect important al proiectului îl reprezintă reducerea ambiguității setului de date de antrenare. În imagistica medicală, performanța modelelor de inteligență artificială este puternic influențată de calitatea, diversitatea și consistența datelor disponibile. În cazul nodulilor pulmonari, pot exista variații semnificative privind dimensiunea, forma, textura, localizarea și aspectul radiologic al leziunilor. În plus, etichetarea manuală poate introduce diferențe între evaluările specialiștilor, ceea ce crește ambiguitatea datelor folosite la antrenare. Pentru a răspunde acestei probleme, proiectul propune creșterea numărului de imagini prin dezvoltarea unui algoritm nesupervizat de generare a unor imagini sintetice alcătuite din secțiuni provenite de la pacienți diferiți.

La nivel arhitectural, proiectul vizează extinderea modelului TransUNet prin integrarea unui mecanism de atenție diferențială. TransUNet combină avantajele rețelelor convoluționale, eficiente în extragerea caracteristicilor locale, cu avantajele mecanismelor de tip Transformer, capabile să modeleze dependențe globale în imagine. Integrarea atenției diferențiale urmărește o selecție mai fină a informațiilor relevante și o separare mai clară între regiunile importante pentru diagnostic și zonele de fundal sau zgomot imagistic. Prin această îmbunătățire, procesul de antrenare poate deveni mai stabil, iar segmentările obținute pot fi mai compacte, mai coerente spațial și asociate cu un grad mai ridicat de încredere.

Un alt element esențial al proiectului este integrarea mecanismelor de explicabilitate, precum Grad-CAM și Attention Roll-Out. În domeniul medical, performanța numerică a unui model nu este suficientă pentru adoptarea sa practică. Specialiștii au nevoie să înțeleagă pe ce regiuni ale imaginii se bazează sistemul atunci când formulează o predicție. Prin utilizarea acestor metode de explicabilitate, proiectul urmărește să ofere hărți vizuale care evidențiază zonele relevante pentru decizia modelului. Astfel, medicul poate verifica dacă predicția este fundamentată pe regiunea nodulului sau dacă modelul a fost influențat de artefacte, zgomot sau structuri anatomice irelevante.