Naukowcy z Weill Cornell Medicine, Cornell’s Ithaca Campus i Cornell Tech opracowali zaawansowany system oparty na sztucznej inteligencji, który umożliwia szczegółową analizę zmian w obrazach medycznych i naukowych wykonywanych na przestrzeni czasu. Nowa technologia, nazwana LILAC (Learning-based Inference of Longitudinal imAge Changes), wyróżnia się wysoką czułością i elastycznością, co czyni ją przydatną w szerokim zakresie zastosowań klinicznych oraz naukowych.
LILAC wykorzystuje metodę uczenia maszynowego do analizy obrazów o charakterze czasowym, czyli takich, które przedstawiają ewolucję określonych obiektów lub procesów na przestrzeni określonego okresu. W przeprowadzonych eksperymentach system ten został wykorzystany do analizy rozwijających się zarodków IVF, gojących się ran oraz starzejących się mózgów. Dzięki swojej precyzji i unikalnemu podejściu LILAC jest w stanie wykryć nawet subtelne różnice między obrazami z różnych momentów, a także przewidywać powiązane wyniki, takie jak zdolności poznawcze pacjentów na podstawie skanów mózgu.
Jednym z głównych atutów LILAC jest jego zdolność do automatycznego dostosowywania analizy obrazu. Tradycyjnie metody badania obrazów wykonywanych w czasie wymagają skomplikowanego, wieloetapowego przetwarzania, które uwzględnia między innymi różnice w kącie widzenia, wielkości badanych struktur czy artefaktach. LILAC eliminuje konieczność ręcznej obróbki danych, automatycznie korygując i uwzględniając różnice, co przyspiesza i ułatwia proces analizy.
W eksperymentalnych testach LILAC wykazał imponującą skuteczność. W jednym z badań system został nauczony rozpoznawać rozwijające się zarodki IVF na podstawie setek serii mikroskopowych zdjęć. Kiedy skonfrontowano go z nowym zestawem danych, oprogramowanie było w stanie z niemal 99% dokładnością określić, które z par obrazów zostały wykonane wcześniej. Błąd wystąpił jedynie w nielicznych przypadkach, gdy między obrazami były bardzo krótkie odstępy czasowe.
Kolejne testy potwierdziły wysoką skuteczność LILAC w analizie innych scenariuszy. Oprogramowanie z ogromną precyzją analizowało proces gojenia się ran, poprawnie przewidując różnice w tempie regeneracji między tkanką leczoną eksperymentalnym preparatem a tą, która nie otrzymała interwencji. Podobne wyniki uzyskano podczas analizy skanów mózgów starszych osób, gdzie algorytm był w stanie przewidywać ich zdolności poznawcze na podstawie obrazów MRI.
Elastyczność tego narzędzia otwiera drogę do nowych odkryć naukowych oraz może przyczynić się do poprawy diagnozy i monitorowania pacjentów w przyszłości. W szczególności może być ono niezwykle przydatne tam, gdzie wiedza na temat analizowanego procesu jest ograniczona lub gdzie występują duże różnice indywidualne pomiędzy pacjentami.
Obecnie naukowcy skupiają się na kolejnych etapach testowania systemu w rzeczywistych warunkach klinicznych. Kolejnym krokiem ma być wykorzystanie LILAC do analizy obrazów MRI pacjentów z rakiem prostaty, aby przewidzieć ich reakcję na zastosowane terapie. Jeśli wyniki okażą się równie obiecujące, jak w dotychczasowych badaniach, technologia ta może stać się przełomowym narzędziem w medycynie precyzyjnej, skutecznie wspierając lekarzy w podejmowaniu decyzji diagnostycznych i terapeutycznych.