VEŠTAČKA INTELIGENCIJA KOJA ČITA CT SNIMKE
Damo Radar je multimodalni model koji povezuje medicinske snimke sa tekstualnim podacima iz kliničkih izveštaja. Treniran je na više od 400.000 kontrastnih CT pregleda abdomena i oko 15 miliona parova slike i teksta. Oni opisuju anatomiju, što mu omogućava da analizira nalaze na različitim delovima tela.
Sistem je osposobljen da prepoznaje 146 različitih kliničkih nalaza raspoređenih na 18 anatomskih struktura i organa. Među njima su i maligne promene. Odnosno različite vrste karcinoma, ali i druge abnormalnosti koje se mogu uočiti na CT snimcima. U testiranju na gotovo 40.000 pregleda model je ostvario prosečan AUC od 0,913 za 146 nalaza. To predstavlja meru sposobnosti modela da razlikuje prisustvo i odsustvo određenog nalaza.
OD ISTRAŽIVAČKOG ALATA DO POTENCIJALNE POMOĆI LEKARIMA
Posebno je značajno to što je Alibaba model učinio javno dostupnim. Izvorni kod, dokumentacija i modeli objavljeni su na servisima poput GitHub i Hugging Face. Time istraživači dobijaju mogućnost da proučavaju sistem, ponavljaju eksperimente i razvijaju sopstvene primene. Model je objavljen pod licencom CC BY-NC-SA 4.0.
Istraživački tim Damo Academy ovaj pristup predstavlja kao pokušaj stvaranja svojevrsnog „generaliste“ za medicinsko snimanje. Umesto da bude napravljen samo za jedan organ ili jednu bolest, Damo Radar istovremeno obrađuje veliki broj potencijalnih nalaza na abdominalnim CT snimcima. Autori rada navode da bi sličan način obuke u budućnosti mogao da se proširi i na druge vrste medicinskog snimanja.
MODEL JOŠ NIJE ZAMENA ZA LEKARA
Ipak, činjenica da je model otvorenog koda i da je ostvario visoke rezultate u istraživanju ne znači da je spreman da samostalno postavlja dijagnoze u bolnicama. Autori eksplicitno navode da je RADAR trenutno namenjen istraživačkoj upotrebi i da su potrebna dodatna poboljšanja i prospektivne kliničke studije pre direktne primene u kliničkoj praksi.
Damo Radar zato predstavlja pre svega novi korak u razvoju AI alata za radiologiju: sistem koji pokušava da iz jednog CT pregleda izdvoji veliki broj mogućih abnormalnosti, umesto da se fokusira samo na unapred određenu bolest. Njegovo javno objavljivanje dodatno otvara prostor istraživačima da proveravaju rezultate na drugim podacima i ispituju koliko ovakvi modeli zaista mogu da pomognu lekarima u ranom uočavanju kompleksnih nalaza.