Zaměření Centra umělé inteligence v onkologii
Zaměřujeme se na využití umělé inteligence v těch onkologicky relevantních úlohách, které jsou příliš časově náročné nebo dokonce nezvládnutelné lidským úsilím. Snažíme se přispět jak k obecnému pokroku v pochopení jevů souvisejících s rakovinou, tak k personalizované péči o pacienta.
Pracujeme se třemi druhy vstupních dat:
Data z medicínského zobrazování
2D nebo 3D obrazy nebo videa vyšetřovaného orgánu pacienta s nádorem získaná pomocí magnetické rezonance (MRI), výpočetní tomografie (CT), pozitronové emisní tomografie (PET), ultrazvuku (UZ) nebo jiných modalit
Data z biologického zobrazování
2D nebo 3D obrazy nebo videa nádorových buněk nebo tkání včetně uměle pěstovaných sféroidů nebo organoidů po aplikaci určitého léčiva získaná pomocí světelné nebo elektronové mikroskopie
Neobrazová data
Údaje o pacientech (např. fyzické, rodinné nebo lifestyle charakteristiky + klinické poznámky a další lékařské záznamy) integrované se souvisejícími biomedicínskými datovými soubory (zahrnující například geny, mutace, proteiny, buněčné cesty, nemoci, intervence, léky nebo publikace)
Umělá inteligence
Vstupní data jsou zpracovávána pomocí umělé inteligence, typicky pomocí postupů strojového učení, většinou hlubokého učení. Jelikož se většinou používá učení s učitelem, musí být dostatečné množství dat doplněno správnými odpověďmi poskytnutými experty (tzv. zlatý standard co se týče referenčních anotací) pro fázi vývoje algoritmu. Po trénovací a validační fázi může být vyvinutý postup/model aplikován na další neanotovaná data. Výsledek umělé inteligence by měl být následně interpretován s obezřetností a kombinován s lidskou inteligencí.
Pro obrazová data provádíme většinou následující úkoly pomocí umělé inteligence:
- Zlepšení kvality obrazu jako odšumění, odstranění rozmazání nebo zvýšení rozlišení
- Syntéza dodatečných modalit za účelem ušetření přístrojového času a času pacienta
- Detekce relevantních objektů nebo událostí, na které je potřeba se zaměřit
- Segmentace relevantních objektů přiřazující každý pixel/voxel k určité třídě/objektu
- Klasifikace objektů nebo celých obrazů/výřezů
- Sledování objektů v čase
Pro neobrazová data (která mohou obsahovat i výstupy obrazové analýzy), se většinou věnujeme následujícímu:
- Shromažďování, získávání, čištění a předzpracování údajů ze záznamů onkologických pacientů a veřejných datových souborů pokrývajících příslušné biomedicínské entity (geny, mutace, proteiny, cesty, nemoci, intervence, léky a toxické látky atd.).
- Integrace předzpracovaných dat do jednotných, sémanticky propojených zdrojů (jako jsou znalostní grafy nebo ontologie).
- Rozšíření integrovaných zdrojů automatizovaným odvozováním (např. predikce relací, uvažování založené na pravidlech nebo logice, nebo kompletace znalostní báze).
- Vývoj prediktivního strojového učení a vysvětlitelných AI modelů na základě integrovaných onkologických znalostních bází.
- Vývoj intuitivních rozhraní pro dotazování a vizuální průzkum nad modely s přímým zapojením onko-biologů, farmakologů, lékařů, pacientů a klinických psychologů.
- Vývoj a vyhodnocování prototypů podporujících rozhodování na základě AI pomocí jejich předběžného nasazení v klinickém prostředí, a srovnání se současnými klinickými postupy.
- Zkoumání příležitostí pro vytváření prediktivních modelů na základě multimodálních dat (tj. začlenění obrazových dat do modelů na základě jiných než obrazových dat, nebo naopak).
Výstupy umělé inteligence slouží finálně lékařům jako pomůcka pro přijímání rozhodnutí ohledně prevence, diagnózy nebo léčby buď ve formě obecného know-how, které by se mělo vzít v potaz, anebo jako specifický podnět pro konkrétního pacienta.