Počítačové videnie sa v medicíne rýchlo mení z laboratórnej témy na nástroj dennej praxe. Výskumníčka z Fakulty informatiky a informačných technológií STU v Bratislave, pôsobiaca aj na ČVUT v Prahe, priblížila jeho využitie najmä v digitálnej patológii a rádiológii. Kľúčovú rolu v posledných rokoch zohrávajú metódy hlbokého učenia, no rovnako dôležité sú aj vysvetliteľnosť a dobrý používateľský zážitok.
Počítačové videnie v službách patológie a rádiológie
Počítačové videnie sa snaží z obrazov vyťažiť informácie – rozpoznávať objekty, segmentovať štruktúry či interpretovať scénu. V patológii to znamená napríklad segmentáciu jadier buniek, väčších tkanivových oblastí alebo virtuálne farbenie preparátov, ktoré napodobňuje laboratórne farbenia. K tradičným úlohám patrí aj klasifikácia (určenie typu tkaniva či ochorenia) a registrácia, teda fúzia dát z rôznych zdrojov alebo časových okamihov.
V rádiológii sa študentské aj dizertačné práce venujú segmentácii nádorov a anatomických štruktúr v MRI a CT, ale aj klasifikácii diagnóz. Do popredia sa dostávajú radomiká – výpočtové znaky z obrazov, či už ručne navrhnuté, alebo získané hlbokými modelmi. Tieto znaky môžu pomáhať pri predikcii priebehu ochorenia alebo reakcie na liečbu a dopĺňajú pohľad lekára o kvantitatívne údaje.
Od čiernej skrinky k vysvetliteľnosti a dobrému UX
Hlboké neurónové siete majú stovky tisíc až milióny parametrov a pre používateľa zostávajú často „čiernou skrinkou“. Preto sa rozvíja oblasť vysvetliteľnej umelej inteligencie, ktorá hľadá spôsoby, ako ukázať, prečo sa model rozhodol – napríklad cez saliency mapy zdôrazňujúce najrelevantnejšie časti obrazu. Takéto vysvetlenia pomáhajú vývojárom opravovať chybné vzory správania a lekárom overovať dôveryhodnosť výsledkov. Nemenej dôležité je kvalitné UX anotovacích nástrojov a „human-in-the-loop“ prístup, kde lekári postupne dopĺňajú anotácie a model sa iteratívne zlepšuje.
Výzvy a spolupráce: dáta, multimodalita a vzdelávanie
Najväčšou prekážkou sú kvalitné anotované dáta, ktorých získanie je časovo náročné; pomáhajú preto stratégie slabo anotovaných prístupov. Perspektívny je aj výskum multimodálnych modelov, ktoré kombinujú obrazové dáta s klinickými informáciami v jednom rozhodovacom procese. Tímy sa zameriavajú aj na predikciu v čase a výpočet obrazových biomarkerov, ktoré môžu podporiť personalizovanú medicínu.
Prebiehajúce spolupráce zahŕňajú analýzu biopsií po transplantácii srdca na univerzitnom pracovisku v Prahe, kde lekári anotujú bunky a štruktúry a modely následne poskytujú štatistiky o hustote a zápale. Ďalší projekt sa venuje segmentácii adenómov hypofýzy a výpočtu radomík z takto získaných oblastí. Dôležitá je aj spolupráca s Lekárskou fakultou UK na tvorbe vlastného datasetu karcinómu prsníka pre hodnotenie Nottingham skóre, vrátane dvojitého farbenia a prípravy výučbového programu s podporou AI.
