Aleksandra Walczybok, absolwentka naszego wydziału, wygrała tegoroczną edycję konkursu CreatiWITy w kategorii praca inżynierska. Zwycięstwo przyniosła jej autorska aplikacja wspomagająca analizę preparatów cytologicznych, zaprojektowana jako wsparcie pracy patomorfologów. Gratulujemy!

Inżynieria danych w medycynie

Podczas studiów I stopnia absolwentka Inżynierii systemów koncentrowała się na inżynierii danych, pracy z modelami oraz uczeniu maszynowym. Z tego powodu wybrała też późniejszy temat pracy inżynierskiej. Naturalnym kierunkiem stały się zastosowania medyczne, gdzie analiza danych może realnie wspierać specjalistów.

Praca inżynierska laureatki pt. „Projekt i implementacja systemu wspomagającego analizę preparatów cytologicznych z wykorzystaniem metod uczenia maszynowego” dotyczy aplikacji analizującej obrazy mikroskopowe komórek pobieranych podczas badań cytologicznych, które odgrywają istotną rolę w profilaktyce oraz wczesnym wykrywaniu zmian nowotworowych i wirusa HPV.

Przetwarzanie realnych danych

Opiekunem pracy jest dr inż. Łukasz Jeleń, którego obszar badań pokrywa się z tematyką pracy. Dzięki tej współpracy studentka uzyskała dostęp do rzeczywistych danych zanonimizowanych – zbiorów zdjęć preparatów cytologicznych, pobranych i udostępnionych przez Zakład Patomorfologii Pomorskiego Uniwersytetu Medycznego w Szczecinie. Jak podkreśla, była to jedna z największych zalet projektu – praca na wymagających przetworzenia realnych danych, a nie na ogólnodostępnych zestawach z Internetu. 

– Celem aplikacji jest wsparcie i usprawnienie pracy patomorfologów. Proces często trwa długo, szczególnie w mniejszych ośrodkach, gdzie nie ma wielu laboratoriów. Aplikacja ma na celu przyśpieszyć ten proces – tłumaczy Aleksandra Walczybok.

Opracowany przez autorkę system wprowadza trzy kategorie: zdrowa, podejrzana o wirus HPV i duże podejrzenie nowotworu.

Wieloetapowa analiza obrazu

Rozwiązanie opiera się na wieloetapowej analizie zdjęcia preparatu, które trafia do aplikacji. Na początku zachodzi detekcja komórek. – Wycinam w zdjęciu dany fragment komórki, a następnie przechodzi ona przez dwie ścieżki – wyjaśnia Aleksandra Walczybok.

Pierwsza ścieżka wykorzystuje sieci konwolucyjne , stosowane głównie do analizy zdjęć. Model klasyfikuje komórkę bezpośrednio na podstawie cech wizualnych. – To działa w podobny sposób jak w klasycznych przykładach rozpoznawania obrazu: czy na zdjęciu znajduje się pies czy kot – tutaj mechanizm jest analogiczny – dodaje.

Druga ścieżka rozpoczyna się od segmentacji, czyli wyznaczenia obszaru komórki i jej jądra. Na tej podstawie system generuje maski, które umożliwiają obliczenie cech morfometrycznych, jak stosunek jądra do cytoplazmy czy obwód komórki. Są to parametry, na które cytolodzy zwracają uwagę w swojej pracy. Wyznaczone cechy morfometryczne stanowią wejście do klasycznych modeli uczenia maszynowego, takich jak Random Forest, który na ich podstawie przewiduje klasę komórki.

– Zależało mi na wykorzystaniu komplementarności modeli. Każdy z nich najlepiej sprawdza się w nieco innych przypadkach i popełnia inne błędy. Dlatego połączyłam obie ścieżki, aby zwiększyć dokładność. Oba modele generują wektory prawdopodobieństw, które następnie łączę w końcową ocenę dla każdej z trzech kategorii – wyjaśnia zwyciężczyni.

Takie podejście pozwala nie tylko określić kategorię komórki, ale również udostępnić patomorfologom dodatkowe informacje o jej parametrach. – W aplikacji są widoczne zdefiniowane cechy morfometryczne, więc specjalista może szybko zobaczyć np. rozmiar jądra lub stosunek jądra do cytoplazmy.

Projekt powstał jako narzędzie wspomagające specjalistów.  – To specjalista musi podjąć ostateczną decyzję na temat klasy komórki. Takie narzędzie ma pomóc – wyjaśnia.

Ważnym elementem pracy są również metody wyjaśnialności SI. W przypadku sieci konwolucyjnych aplikacja wskazuje obszary zdjęcia, które miały największy wpływ na decyzję modelu. Jeśli system koncentruje się na jądrze komórki, wynik uznawany jest za szczególnie wartościowy z perspektywy diagnostycznej. W drugiej ścieżce zastosowano podejście LIME , prezentujące diagram ważności cech morfometrycznych. Te mechanizmy pozwalają ekspertom ocenić, czy predykcja ma uzasadnienie merytoryczne, czy może być efektem przypadkowych zależności. 

– Nie możemy modelowi w 100% zaufać. Dlatego tak ważne jest, aby wyjaśnialność była dostępna – żeby było wiadomo, na jakiej podstawie system podjął decyzję – dodaje absolwentka WIT.

System działa nie tylko na poziomie pojedynczych komórek, ale również przewiduje kategorię dla całego slajdu. Ocena preparatu powstaje na podstawie zbiorczych wyników i prawdopodobieństw przypisanych do komórek, co pozwala lepiej uwzględniać przypadki niejednoznaczne.

Aplikacja umożliwia także archiwizację danych oraz udostępnianie slajdów innym patomorfologom. – Możemy wrócić do wcześniejszych badań pacjenta i sprawdzić, co się zmieniło na przestrzeni czasu. Wspiera również proces konsultacji i budowy bazy wiedzy. 

Projekt nie jest obecnie przeznaczony do powszechnego użytku. Jak zapowiada autorka, planująca kontynuację nauki na WIT na Sztucznej inteligencji, obecnie planuje napisać na ten temat artykuł naukowy.