Sztuczna inteligencja uczy się analizy TK tak jak lekarze podczas specjalizacji

W dobie nowoczesnej kardiologii obrazowej sztuczna inteligencja staje się nieocenionym wsparciem w diagnozowaniu chorób wieńcowych. W jaki zatem sposób algorytmy AI uczone są na nieidealnych, często zaburzonych obrazach tomografii komputerowej? Tego dowiemy się dzięki relacji polskiej firmy MedTech Hemolens Diagnostics® tworzącej rozwiązania do nieinwazyjnej diagnostyki choroby wieńcowej oparte o AI.

Nowoczesna kardiologia: rola AI w obrazowaniu i diagnostyce serca

Sztuczna inteligencja (AI) dynamicznie rozwija obrazowanie sercowo-naczyniowe oraz diagnostykę kardiologiczną. Rozwijające się metody analizy obrazów wsparte AI, w tym uczenie maszynowe (Machine Learning) i głębokie uczenie (Deep Learning), są coraz powszechniej wykorzystywane na wielu etapach opieki kardiologicznej. Wykorzystuje się je m.in. w stratyfikacji ryzyka, planowaniu i przeprowadzaniu zabiegów, prognozowaniu wyników leczenia oraz w udoskonalaniu nieinwazyjnej, zaawansowanej diagnostyki¹.
Integracja AI z nieinwazyjnymi technikami obrazowania, szczególnie tomografii komputerowej tętnic wieńcowych (angio-TK), prowadzi już teraz do wzrostu precyzji, efektywności oraz personalizacji opieki nad pacjentami z chorobami sercowo-naczyniowymi, co poparte jest licznymi przykładami w literaturze medycznej².

Trójwymiarowa automatyczna wizualizacja tętnic za jednym kliknięciem

Rozwiązania opracowywane przez zespół naukowców Hemolens Diagnostics® bazują na zaawansowanych technologiach – w dużej mierze na pracy sztucznej inteligencji, która jest nieustannie udoskonalana z myślą o realnych potrzebach klinicznych.
O szczegółach codziennej pracy m.in. działu Reaserch&Development w Hemolens Diagnostics oraz wyzwaniach związanych z rozwijaniem algorytmów opowiada Maciej Zamorski, Head of AI Engineer & Computer Vision w Hemolens Diagnostics®:

– „Nasze główne zadania obejmują wyodrębnianie z obrazu angio-TK tętnic i blaszki miażdżycowej oraz symulację przepływu krwi. Jest to istotne w kontekście rozpoznania i planowania leczenia choroby wieńcowej – jednej z najbardziej śmiertelnych chorób cywilizacyjnych. Aby zapewnić lekarzom błyskawiczny i intuicyjny dostęp do wyników przedstawionych w formie trójwymiarowych tętnic serca, segmentacja tętnic w naszym systemie musi działać wyjątkowo szybko i być w pełni zautomatyzowana. mówiącego nam o istotności zwężenia tętnicy kluczowe staje się natomiast najwyższa precyzja. Automatyzacja staje się tu drugorzędna, a sztuczna inteligencja wspiera inżynierów w tworzeniu szczegółowych, spersonalizowanych modeli anatomicznych tętnic serca”.

Generowanie wizualizacji 3D tętnic będzie szybkie i w pełni zautomatyzowane,
aby wspierać lekarzy w podejmowaniu decyzji klinicznych.

– „Z kolei prace nad rozpoznawaniem i oddzielaniem blaszki miażdżycowej stanowią osobny projekt, obejmujący zupełnie inny typ analizy obrazów. W tym przypadku, choć korzystamy z podobnych metod uczenia maszynowego, cały proces jest jeszcze bardziej złożony – staramy się nie tylko precyzyjnie wyznaczyć lokalizację blaszki, ale też szczegółowo określić jej budowę, np. obecność blaszki tłuszczowej co pozwala na szerszą charakterystykę zmian miażdżycowych, co wspiera wybór odpowiedniej ścieżki terapeutycznej” – tłumaczy Maciej Zamorski.

Zróżnicowanie podejść, czyli pełna automatyzacja w jednym module przedstawiającym zwężenia i precyzyjna praca wspomagająca specjalistów w module uwidaczniającym blaszki miażdżycowe — pokazuje elastyczność i kompleksowość nowoczesnych technologii w dziale R&D.

Przetwarzanie danych medycznych – AI ramię w ramię z inżynierem

W Hemolens Diagnostics® zaawansowane algorytmy sztucznej inteligencji uczą się, jak rozpoznawać tętnice i blaszki miażdżycowe na bazie obrazów tomograficznych (angio-TK), aby tworzyć precyzyjne modele 3D. W ten sposób możliwe stanie się m.in. przeprowadzenie symulacji przepływu krwi w tętnicach z wykorzystaniem ciągłego, nieinwazyjnego pomiaru ciśnienia krwi, bez konieczności rutynowego wykonywania inwazyjnej koronarografii.

– „Dokonujemy tego w oparciu o dane medyczne – obrazy tętnic wieńcowych z tomografii komputerowej ze wzmocnieniem kontrastowym oraz ciągły nieinwazyjny pomiar ciśnienia. Na ich podstawie tworzymy indywidualnie dopasowane geometrie tętnic wieńcowych i blaszki miażdżycowej” – wyjaśnia ekspert.

Dział inżynierów Hemolens Diagnostics® do trenowania modeli używa sieci neuronowych, które uczą się na przykładach wielu pacjentów z ręcznie przygotowanymi przez ekspertów oznaczeniami.

Jak wspomina Maciej Zamorski, w opracowywanej technologii kluczowe jest, aby modele AI, dysponując nowym, dotąd nieznanym obrazem angio-TK, automatycznie wyodrębniały najważniejsze z punktu widzenia diagnozy elementy, czyli tętnice wieńcowe oraz blaszkę miażdżycową. W pewnym sensie proces uczenia sztucznej inteligencji przebiega podobnie jak edukacja lekarzy w czasie ich specjalizacji — istotą jest nabycie umiejętności dokładnego rozpoznawania kluczowych struktur.

Precyzja niezależna od kontekstu wykonanego obrazu

Jak już wcześniej wspominaliśmy, eksperci działu R&D opierają się na ręcznie opisanych i oznaczonych danych treningowych niezależnie od jakości i defektów na obrazach – często są to zdjęcia z różnymi artefaktami, ruchem pacjenta czy metalowymi implantami.

– „Zdrowi pacjenci mają tętnice, które są zasadniczo podobne i dość łatwe do analizy. Natomiast u pacjentów z chorobami, a zwłaszcza z zaawansowaną miażdżycą mamy do czynienia z bardzo trudnymi do interpretacji obrazami” – objaśnia Maciej Zamorski.

Przykładowo, uwapnione blaszki są bardzo gęste i „świecą” mocniej od innych struktur, co powoduje zaburzenia obrazu. To z kolei zakłóca oddzielenie światła naczynia od zwapniałej blaszki i tworzy trudności z poprawnym pomiarem. Podobnie w przypadku blaszek tłuszczowych, które mogą zlewać się z otaczającą tkanką tłuszczową i utrudniać interpretację.

– „Dodatkowo musimy radzić sobie z artefaktami ruchowymi i różnymi defektami technicznymi obrazów, które powstają np. kiedy pacjent się poruszy podczas badania. Dlatego to wszystko jest tak złożone – najistotniejsze diagnostycznie obrazy są jednocześnie najtrudniejsze do automatycznego przetwarzania” – mówi ekspert.

Zaplecze technologiczne na najwyższym poziomie

Narzędzia programistyczne trenujące same sieci neuronowe bazują na bibliotekach, takich jak PyTorch lub MONAI, wykorzystywanych powszechnie do tworzenia nowych rozwiązań opartych o AI. Polska firma MedTech w ramach współpracy z ACK Cyfronet korzysta również z mocy obliczeniowej superkomputerów Athena i Helios. Dzięki temu może przetwarzać ogromne ilości danych szybciej i efektywniej, co wspiera rozwój nowoczesnych rozwiązań opartych na sztucznej inteligencji w medycynie.

Choć marki MedTech w większości wykorzystują klasyczne centra obliczeniowe do trenowania modeli AI służących wsparciu nieinwazyjnej diagnostyki obrazowej, to zupełnie nowe możliwości przyspieszenia i podniesienia jakości analiz otwierają komputery kwantowe³. Rozwój tej technologii będzie istotnym kierunkiem dla firmy Hemolens Diagnostics®, oferując jeszcze dokładniejsze narzędzia wspomagające lekarzy w decyzjach klinicznych.

Podsumowując, rozwiązania Hemolens Diagnostics® pokazują, że dzięki AI możliwe jest nie tylko przyśpieszenie i automatyzacja analizy obrazów medycznych, ale przede wszystkim większa dokładność i precyzja w nieinwazyjnej diagnostyce choroby wieńcowej.

Źródła:

1. Artificial Intelligence in Cardiovascular Imaging and Interventional Cardiology: Emerging Trends and Clinical Implications – ScienceDirect, dostęp 21.07.2025 r.
2. Artificial Intelligence in Cardiovascular Imaging: JACC State-of-the-Art Review – PubMed, dostęp 22.07.2025 r.
3. Quantum Computing in Medicine – PMC, dostęp 23.07.2025 r.

Po więcej informacji odwiedź profil Hemolens Diagnostics na Platformie Współpracy LSOS.

Materiały do powyższego artykułu zostały dostarczone przez Hemolens Diagnostics.