Dr inż. Teresa Mroczek

Adiunkt i zastępca kierownika w Katedrze Sztucznej Inteligencji Wyższej Szkoły Informatyki i Zarządzania w Rzeszowie. Prowadzi badania w dziedzinie drążenia danych, odkrywania wiedzy w bazach danych, inteligentnej analizy eksploracyjnej danych, uczenia maszynowego oraz systemów ekspertowych. Jej dorobek naukowy obejmuje ponad 60 oryginalnych prac naukowych, w tym: artykuły w czasopismach, monografiach, materiałach konferencyjnych o zasięgu krajowym i międzynarodowym. Prywatnie miłośniczka sportów wytrzymałościowych oraz thrillerów psychologicznych.

Dr inż. Łukasz Piątek

Adiunkt w Katedrze Sztucznej Inteligencji. Doktor nauk technicznych (Politechnika Gdańska, Wydział Elektroniki, Telekomunikacji i Informatyki), magister informatyki (Politechnika Rzeszowska, Wydział Elektryczny). Prowadzi badania w zakresie przetwarzania i analizy obrazów biomedycznych oraz sztucznej inteligencji.

Według portalu WorldLifeExpectancy prawie 100 tys. ludzi na świecie umiera każdego roku z powodu nowotworów skóry, większość z tej liczby z powodu czerniaka złośliwego. Czerniak charakteryzuje się szybkim wzrostem, łatwym tworzeniem przerzutów oraz powoduje dużą śmiertelność chorych, jeżeli nie zostanie wcześnie zdiagnozowany. Wcześnie czyli już na etapie wizyty u lekarza rodzinnego. Dlatego opracowaliśmy specjalizowane algorytmy do automatycznego rozpoznawania raka skóry na podstawie obrazów mikroskopii oraz zobrazowań z tomografu multifotonowego.

Naszym długoterminowym celem jest dedykowany system – DigiSkinDia – który umożliwi obiektywną i dokładną diagnostykę. Znamiona melanocytowe są różnorodne, przy czym różnorodność ta dotyczy między innymi: kształtu, rozmiaru, kolorów oraz struktur zróżnicowania powierzchni wewnątrz znamienia.

Zatem aby móc automatycznie rozpoznawać obrazy potrzebna była duża baza wiedzy na której system będzie się mógł uczyć. Udało się stworzyć repozytorium zawierające 745 obrazów. Każdy z obrazów został poddany dogłębnej analizie poprzez ocenę z zastosowaniem cech opisanych przez 4 różne strategie melanocytowe, w połączeniu z dodatkową (własną) oceną lekarza (dr n. med. Agnieszkę Bożek – specjalistę domenowego z zakresu dermatologii).

Wykonana przez specjalistę analiza przyczyniła się do stworzenia odrębnych dla każdej z wymienionych strategii baz danych. Tymi danymi „nakarmiliśmy” nasz inteligentny, wielostrategiczny moduł i okazało się, że jego skuteczność jest powyżej 90%.

Jednak mając na uwadze, że czerniak to bardzo progresywna choroba należało dokładnie przyjrzeć się jej elementom składowym i przeanalizować cechy uwzględniane w strategiach melanocytowych, a mianowicie: obszar, strukturę, symetrię oraz kolor. W ten sposób stosując:

• zaawansowane modele głębokiego uczenia maszynowego (ang. deep learning) opracowaliśmy skuteczne metody ekstrakcji obszaru znamienia (otoczonego zdrową skórą) oraz ekstrakcji struktur zróżnicowania powierzchni zaobserwowanych w analizowanym znamieniu;
• algorytm FSAa (ang. Find Symmetry Axis for the a –angle) detektowaliśmy potencjalne osie symetrii kształtu znamienia;
• procedurę oceny występowania (lub braku) wybranych barw ekstrahowaliśmy kolory obecne w znamieniu.

Prezentowana poniżej grafika przedstawia wynik detekcji obszaru znamienia (a, c) z wykorzystaniem modelu sieci U-Net (c, e) (oryginalna maska znamienia zaznaczona przez lekarza-dermatologa na (b)).

Badania były finansowane były przez Narodowe Centrum Badań i Rozwoju na podstawie grantu o nr. WPN-3/3/2019/DigiSkinDia zatytułowanego “Zastosowanie technik cyfrowych do automatycznego rozpoznawania raka skóry” i realizowane w ramach polsko-niemieckiego konsorcjum w składzie: Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie, Info-Projekt IT Sp. z o.o., Uniwersytet Warmińsko-Mazurski w Olsztynie, Technische Universität Ilmenau oraz JenLab GmbH.

W kolejnym etapie planowana jest konsolidacja wypracowanych rozwiązań w celu stworzenia dedykowanej aplikacji DigiSkinDia, służącej do analizy zmian melanocytowych, aplikacja znalazłaby zastosowanie w gabinetach lekarzy pierwszego kontaktu oraz w badaniach przesiewowych do wykrywania czerniaka we wczesnym stadium rozwoju. Przed wdrożeniem konieczna będzie jej certyfikacja, gdyż zgodnie z nowymi przepisami unijnymi (z tego roku) jest ona obecnie w obszarze Bio-Med / Medtech wymagana.