Dużym sukcesem firmy Consultronix jest otrzymanie dofinansowania z Narodowego Centrum Badań i Rozwoju na realizację projektu INDOK w ramach programu POIR 1.1.1. Rozpoczął się on w kwietniu br. i będzie trwał 3 lata. Jego szczegóły, od strony informatycznej, zostały opracowane przez naukowców z AGH w Krakowie przy współpracy z Wyższą Szkołą Technik Komputerowych i Telekomunikacji w Kielcach. Instytucje te biorą aktywny udział w projekcie jako podwykonawcy.

Naszym celem jest opracowanie i wdrożenie na rynek innowacji produktowej. Powstanie system automatycznej diagnozy chorób na podstawie analizy skanów siatkówki oka wykonanych w technologii optycznej tomografii koherentnej, który będzie oparty na sztucznej inteligencji. Działania badawczo-rozwojowe podzielone są na etapy, w ramach których opracowane zostaną algorytmy klasyfikacji do wspomagania diagnostyki. Będą one służyły automatycznemu rozpoznawaniu zmian w czasie rzeczywistym w siatkówce oka i diagnozowaniu na tej podstawie takich schorzeń, jak: zwyrodnienie plamki, retinopatia cukrzycowa, błona nasiatkówkowa, pełnościenny oraz warstwowy otwór plamki, centralna surowicza chorioretinopatia.

Grupę docelową projektu stanowią pacjenci zagrożeni ww. schorzeniami. Dodatkowo zakłada się, że wdrożenie produktu umożliwi prowadzenie badań przesiewowych na szerokiej grupie odbiorców, co pozwoli na efektywne, wczesne wykrywanie nieprawidłowości narządu wzroku. Unikatowość i przełomowość rozwiązania polega na integracji wiedzy medycznej i informatycznej w sposób umożliwiający automatyczną diagnostykę schorzeń oka, wykorzystując dedykowany system teleinformatyczny. Zakładamy, że produkt w istotny sposób przyczyni się do poprawy ochrony zdrowia, a w szczególności przyśpieszy diagnostykę i zwiększy efektywność leczenia. Dzięki realizacji projektu powstanie repozytorium danych umożliwiające badanie związków między wieloma cechami związanymi z występowaniem schorzeń.

Analiza o charakterze BigData umożliwia nie tylko analizę statystyczną i poznawanie przyczyn chorób, ale również korelację rzadko występujących objawów na wczesnym etapie choroby z diagnozą. Jest to niewykonalne w jednostkowym badaniu lekarskim, ale możliwe przy diagnozowaniu automatycznym, opartym na dużej bazie normatywnej.

W projekcie przewidziano opracowanie i wdrożenie wielu innowacyjnych rozwiązań szczegółowych. Jednym z nich jest zastosowanie uczenia maszynowego, a zwłaszcza splotowych sieci neuronowych i ich modyfikacji do rozpoznawania schorzeń. Innym przykładem jest badanie selektywnie wybranych wizualnych cech lokalnych do tworzenia tzw. słowników słów wizualnych w obrazach. W dalszej kolejności służą one do powstania histogramów częstości występowania tych słów, co z kolei jest przydatne do opracowania algorytmów uczących. Wiele z opracowanych rozwiązań będzie opartych na analizie konturów wyodrębnionych z obrazów OCT. Utworzenie wielowarstwowej struktury konturowej umożliwi zwiększenie efektywności i szybkości rozpoznawania cech obrazów.

W przypadkach, gdy wymagana jest wysoka skuteczność algorytmów rozpoznawania, celowe będzie zastosowanie równoległych algorytmów podejmowania decyzji. Struktura algorytmów równoległych zakłada, że każdy z ich składowych posiada różnorodną, opartą na innych kryteriach strukturę wewnętrzną, a ponadto inne lokalne kryteria decyzyjne.

Rozwiązanie tych i wielu innych problemów w obszarze analizy, a także rozpoznawanie i klasyfikacja obrazów przyniesie wymierne korzyści zarówno badawcze, jak i implementacyjne. Analiza skanów OCT na różnych poziomach rozdzielczości oraz automatyczne rozpoznanie wielu schorzeń nie tylko mogą wspomóc pracę lekarza, ale na bazie danych bieżących oraz archiwalnych, stworzą narzędzie do predykcji i oceny postępów choroby w określonym przedziale czasowym. Również te aspekty będą rozpatrywane w projekcie. ♦