Штучний інтелект у сфері медицини: інноваційні підходи до обробки зображень.

Дослідник Пралохіт Редді Чінталапеллі створив інноваційні системи глибокого навчання, які забезпечують автоматизовану сегментацію органів та генерацію медичних зображень.

Штучний інтелект стає невід'ємною частиною клінічних досліджень та медичної візуалізації. Сучасна охорона здоров'я генерує величезні обсяги різнорідних даних, включаючи зображення, геномну інформацію та показники носимих пристроїв. Традиційні методи обчислення часто не справляються з масштабом, різноманітністю та складністю таких наборів даних. Системи на основі штучного інтелекту заповнюють ці прогалини, забезпечуючи точнішу діагностику, прискорені дослідницькі процеси та відтворювані результати.

Пралохіт Редді Чінталапеллі, старший аналітик у галузі науки про дані, займається перетворенням інформатики на клінічну практику. Його наукові дослідження охоплюють такі теми, як сегментація органів, створення штучних наборів даних для моделювання рідкісних захворювань, а також інтеграція різноманітних клінічних даних. Протягом останнього року він опублікував три рецензовані статті, які пропонують ефективні рішення для вдосконалення методології та впровадження штучного інтелекту в медичній практиці.

У вересні 2024 року Пралохіт став співавтором наукової статті, присвяченої застосуванню методів глибокого навчання для автоматизованої сегментації органів у великих когортах комп'ютерної томографії. Ця публікація з'явилася у журналі Journal of AI-Powered Medical Innovations. Дослідження зосередилося на порівнянні конволюційних нейронних мереж, моделей U-Net та трансформерних архітектур для роботи з комп'ютерними томографічними зображеннями. У минулому сегментація органів вимагала значних зусиль вручну, що могло займати до 90 хвилин для одного сканування, з варіацією результатів між різними спостерігачами, що перевищувала 15 відсотків.

Робота Пралохіта продемонструвала, що моделі на кшталт U-Net можуть досягати середнього коефіцієнта подібності Дайса понад 0,94, скорочуючи час обробки до кількох секунд на сканування. Дослідження валідували на 3872 знімках комп'ютерної томографії, охопивши різні когорти, включаючи набори даних LiTS, KiTS21 та багатоцентрові онкологічні дані. Автори не лише оцінили точність, а й підкреслили клінічне застосування, показавши, що автоматизовані конвеєри можуть заощадити 28 000 годин роботи радіологів на рівні проєкту. Цей внесок демонструє, як алгоритмічні інновації перетворюються на рішення, готові до розгортання на різнорідних реальних наборах даних.

У березні 2024 року Пралохіт опублікував статтю, присвячену генеративному штучному інтелекту в контексті синтетичного доповнення даних медичної візуалізації, у журналі Journal of Artificial Intelligence General Science. У цій роботі автор піднімав питання недостатності анотованих даних у сфері медичної візуалізації. Дослідження аналізувало використання генеративних моделей, зокрема генеративно-змагальних мереж, варіаційних автокодувальників та дифузійних моделей, для створення нових даних візуалізації, в порівнянні з традиційними техніками, такими як обертання і масштабування.

У статті йдеться про методи створення синтетичних зображень, які імітують результати магнітно-резонансної томографії, комп'ютерної томографії та рентгенографії, зберігаючи при цьому ключові патологічні ознаки без шкоди для точності моделей. У рамках тематичних досліджень були зафіксовані значні покращення: використання синтетичних даних підвищило показник Дайса для сегментації гліобластоми з 0,78 до 0,87, а також сприяло кращому виявленню рідкісних захворювань та зменшенню хибнопозитивних результатів між різними медичними центрами. Дослідження також торкнулося етичних і регуляторних аспектів, підкреслюючи важливість чіткого маркування метаданих, захисту конфіденційності та впровадження систем аудиту. Таким чином, Пралохіт представив генеративний штучний інтелект як технічне рішення в контексті відповідального впровадження в клінічну практику.

Третя стаття, опублікована у липні 2024 року у Journal of AI-Powered Medical Innovations, розширила фокус на мультимодальні клінічні дані. Пралохіт разом зі співавтором Срікантом Горле запропонував архітектуру для поєднання структурованих електронних медичних карток, даних візуалізації, геномних послідовностей та показників носимих датчиків. Система включала обробку природної мови для неструктурованих записів, крос-модальні представлення та навчання представлень графів знань.

Цей підхід був реалізований у рамках когортних досліджень в онкології, що базуються на геномних даних та візуалізації, а також у довгостроковому моніторингу хвороби Паркінсона за допомогою носимих технологій та автоматизованих платформ для набору учасників у кардіологічних випробуваннях. Завдяки цьому систему вдалося скоротити терміни формування когорт з кількох тижнів до кількох днів, а точність ідентифікації сутностей підвищилася до 98%. Це дослідження є інноваційним, адже воно не лише продемонструвало переваги однотипної продуктивності, але й підтвердило здатність штучного інтелекту формувати набори даних, які можна використовувати для трансляційних досліджень. Результати роботи сприяли розвитку інтеграції технологій на основі штучного інтелекту як основи для доказової медицини, з акцентом на їх сумісність, масштабованість та відтворюваність.

Три різні дослідження демонструють, як розвиток штучного інтелекту може відбуватися в кількох напрямках одночасно. Моделі глибокого навчання відзначаються високим рівнем технічної досконалості, генеративні моделі ефективно вирішують проблему нестачі даних, а інтеграційні моделі дозволяють використовувати мультимодальні дані для отримання трансляційних висновків. Така конвергенція є надзвичайно важливою для медичних досліджень. Автоматизована сегментація відкриває можливості для аналізу біомаркерів візуалізації на рівні популяцій, синтетичні дані усувають перешкоди в розробці моделей, а інтеграційні системи надають міждисциплінарним командам можливість формулювати комплексні висновки.

Пралохіт Редді Чінталапеллі виконує обов'язки старшого аналітика в галузі науки про дані, спеціалізуючись на інтеграції штучного інтелекту в медичній сфері. Він має значний досвід у медичній візуалізації, мультимодальних даних та клінічній інформатиці. У його наукових роботах детально розглядаються питання, пов'язані з глибоким навчанням для сегментації органів, генерацією штучних медичних зображень, а також розробкою моделей штучного інтелекту для мультимодальних клінічних досліджень. За плечима Пралохіта майже десять років роботи в аналітиці даних і біомедичних дослідженнях, що включає в себе поєднання розробки передових обчислювальних методик з їх практичним застосуванням у клінічній медицині. Він активно займається створенням масштабованих, відтворюваних і етичних систем штучного інтелекту, спрямованих на моделювання захворювань, персоналізовану медицину та ухвалення обґрунтованих рішень у сфері охорони здоров'я.