„Galite tai įsivaizduoti kaip didinamąjį stiklą ir viso vaizdo matymą tuo pačiu metu“, – sako I. M. Nasir.
Modelis buvo apmokytas naudojant tiek sveikų žmonių, tiek vėžiu sergančių pacientų KT tyrimų nuotraukas, mokantis atpažinti skirtumus tarp normalių, gerybinių ir piktybinių atvejų.
Rezultatai rodo aiškų veiksmingumą. Sistema pasiekė daugiau nei 96 proc. tikslumą, pranokdama esamus metodus ir išlaikydama stabilų veikimą skirtinguose testuose. „Toks pažangos lygis yra ypač svarbus medicinoje, kur net maži skirtumai gali turėti rimtų pasekmių“, – pažymi KTU doktorantas.
Pritaikoma ne tik plaučių vėžiui, bet ir smegenų augliams bei krūties vėžiui
Klinikinėje praktikoje ši sistema gali pakeisti plaučių vėžio diagnostiką.
„Ji skirta padėti gydytojams – ne juos pakeisti. Sistema suteikia antrą nuomonę, padeda nepraleisti svarbių detalių ir sumažina laiką, reikalingą vieno paciento tyrimams įvertinti, ypač esant dideliam darbo krūviui“, – pabrėžia KTU tyrėjas.
Pacientams poveikis dar reikšmingesnis. Plaučių vėžys dažnai nustatomas vėlai, kai gydymo galimybės ribotos, o ankstyva diagnozė gali smarkiai padidinti išgyvenamumą. „Ankstyva diagnozė reiškia, kad gydymą galima pradėti anksčiau, o rezultatai paprastai būna daug geresni“, – sako I. M. Nasir.
Sistema sukurta taip, kad sumažintų tiek nepastebėtų atvejų, tiek klaidingų pranešimų skaičių, kurie sukelia nereikalingą stresą ir dėl kurių reikia atlikti papildomas procedūras.
Tačiau tyrėjai pažymi, kad modelis kol kas buvo apmokytas naudojant palyginti ribotą duomenų kiekį ir dar turi būti išbandytas su didesnėmis bei įvairesnėmis pacientų grupėmis. „Realiomis sąlygomis veikia daug kintamųjų – skirtingi vaizdinių tyrimų aparatai, vaizdavimo protokolai ir pacientų populiacijos, todėl turime užtikrinti, kad sistema patikimai veiktų visais atvejais“, – aiškina I. M. Nasir.
Ateityje planuojama atlikti klinikinius tyrimus, testuoti modelį ligoninėse ir integruoti jį į esamas medicinines sistemas.
Žvelgiant į ateitį, toks metodas gali būti pritaikytas ne tik plaučių vėžiui. „Bet kuri vaizdinės medicininės diagnostikos užduotis, kuriai reikia tiek detalios analizės, tiek bendro konteksto supratimo, galėtų pasinaudoti šiuo modeliu“, – teigia I. M. Nasir, minėdamas tokias sritis kaip smegenų augliai, krūties vėžys ir akių ligos.
Straipsnį „A Hybrid Deep Learning Approach Integrating CNN and Transformer for Lung Cancer Classification Using CT Scans“ galima rasti čia.
