Sunt dezvoltate soluții inovatoare bazate pe inteligență artificială pentru sprijinirea diagnosticului imagistic în oncologie

În cadrul proiectului „Dezvoltarea Centrului Național de Competență în domeniul Cancerului (CNCC)”, sunt dezvoltate soluții inovatoare bazate pe inteligență artificială pentru sprijinirea diagnosticului imagistic în oncologie.

Una dintre direcțiile de cercetare este dedicată analizei mamografiilor și dezvoltării unor metode avansate pentru identificarea și evaluarea automată a leziunilor mamare suspecte, cu scopul de a crește acuratețea diagnosticului și de a oferi medicilor instrumente suplimentare de suport decizional.

Segmentarea nodulilor mamari

Segmentarea nodulilor mamari din mamografii este realizată prin integrarea mai multor sarcini complementare de inteligență artificială: clasificare, detecție și segmentare.

În locul unei abordări izolate, în care fiecare etapă este tratată separat, soluția urmărește construirea unui flux complet de procesare, capabil să identifice, să localizeze și să delimiteze regiunile suspecte din imaginile mamografice. Această abordare integrată poate contribui la o analiză mai coerentă a imaginilor și la îmbunătățirea performanței sistemului de suport pentru diagnostic.

Pipeline-ul propus este testat pe mamografii din seturile de date publice INbreast și CBIS-DDSM, iar rezultatele indicate sugerează că această strategie combinată poate oferi performanțe mai bune decât utilizarea unor metode individuale.

Un alt element esențial îl reprezintă includerea mecanismelor de explicabilitate. În contextul imagisticii medicale, interpretabilitatea modelelor este deosebit de importantă, deoarece specialiștii trebuie să poată înțelege care sunt regiunile și caracteristicile imaginii care au contribuit la decizia algoritmului. Prin integrarea acestor mecanisme, sistemul poate genera informații vizuale suplimentare, evidențiind zonele considerate relevante.

Utilizarea explicabilității are rolul de a crește transparența și încrederea în rezultatele generate de sistem. În loc ca modelul să ofere doar o predicție finală, acesta poate furniza și indicii privind raționamentul vizual care a condus la acea predicție. Totodată, pe baza explicabilității pot fi oferite și informații despre zone neidentificate de model, dar care să fie indicate medicului pentru o analiză ulterioară. 

Prin combinarea celor trei componente — clasificare, detecție și segmentare — cu mecanisme de explicabilitate, se urmărește realizarea unei soluții robuste pentru analiza mamografiilor. Rezultatul nu doar îmbunătățește performanța automată de analiză, ci și oferă specialiștilor un suport vizual interpretabil, util în validarea și înțelegerea deciziilor modelului.

O astfel de abordare poate contribui la creșterea eficienței procesului de diagnostic, la reducerea incertitudinii în interpretarea imaginilor și la facilitarea integrării inteligenței artificiale în fluxurile clinice de analiză imagistică.