Egymillió dolláros támogatást kapott egy IBD-diagnosztikai AI-projekt

Nehéz pontosan követni a gyulladást

Az Amii Fellow és Canada CIFAR AI Chair Ross Mitchell, valamint a University of Alberta csapata 2026. szeptember 23-án számolt be a támogatásról. A pénzt a Canadian Institutes of Health Research, vagyis a CIHR biztosítja öt évre az „Interdisciplinary AI development for clinical translation of intestinal tract segmentation in inflammatory bowel disease” nevű projekthez.

A gyulladásos bélbetegségek jelentős hatással lehetnek az érintettek életére, diagnosztizálásuk és nyomon követésük pedig nehéz. A súlyos tünetek is lehetnek nehezen leírhatók, és több más bélrendszeri állapottal átfedést mutathatnak. A betegség előrehaladását CT-vizsgálattal lehet követni, ez azonban lassú és tökéletlen folyamat.

A gyulladás egy része kimaradhat a felvételekről a béltartalom okozta takarás és a bélrendszer hossza miatt. Egy felnőtt bélrendszere 4,5 és 6 méter közötti hosszúságú lehet, és még akkor is nehéz lehet az eltéréseket szabad szemmel felismerni, ha a CT kimutatja azokat.

Több mint 20 ezer felvételen tanítják a modellt

A kutatók első lépésként egy olyan AI-modellt építenek és ellenőriznek, amely automatikusan megkeresi a bélrendszer határait a gyulladásos bélbetegségben szenvedők CT-felvételein. Ezt a folyamatot szegmentációnak nevezik.

Mitchell végső célja olyan orvosi jelzők, úgynevezett biomarkerek azonosítása, amelyekkel az orvosok számszerűen követhetnék a betegség alakulását. Jelenleg szerinte nincs ilyen kvantitatív biomarker. Egy ilyen rendszer például megmutathatná, hogy a bél 20 százaléka volt érintett egy korábbi időpontban, később pedig már 25 százaléka, ami segíthetne a kezelés módosításában.

A csapat 11 208 speciális hasi CT-felvételhez fér hozzá 105 Alberta tartománybeli kórházból. Ezek egy több mint 70 ezer Albertában élő, gyulladásos bélbetegségben szenvedő pácienstől származó adatállomány részét képezik. Nyilvános adatbázisok felvételeivel együtt több mint 20 ezer képet használnak, ami az Amii szerint a bélrendszeri szegmentációhoz összeállított legnagyobb ilyen adathalmaz.

A valós kórházi felvételek minősége is számít

Mitchell szerint az adatállomány értékét nem pusztán a mérete adja. A nyilvános, bélrendszeri képeket tartalmazó tanítóadatok nagy része klinikai vizsgálatokból származik. Ezek rendszerint jó minőségű, gondosan beállított felvételek egészséges belekről.

A gyulladt bélrendszer azonban eltér az egészségestől, a kórházakban és képalkotó laborokban készült vizsgálatok pedig gyakran gyorsabbak és kevésbé tiszták. A kutatók ezért olyan képeken is tanítják a modellt, amelyek közelebb állnak ahhoz, amit a radiológusok egy IBD-ben szenvedő páciens vizsgálatakor látnak.

A projektben számítástechnikai, radiológiai, járványtani és gasztroenterológiai szakértők dolgoznak együtt. Mitchell szerint az első pályázati körben elfogadott támogatás a CIHR-pályázatoknál ritkaság, mivel ezek gyakran két vagy három év alatt több fordulót igényelnek. A projekt a több mint 315 pályázat közül támogatott 39 Alberta tartománybeli kezdeményezés egyike.

Biztonságos adatkezelés és klinikai fókusz

Az eszközt a University of Alberta Sensitive Data Research Environment nevű, magas biztonságú számítási platformján fejlesztik. A rendszer érzékeny és bizalmas adatokkal, köztük több tízezer ember orvosi képeivel végzett nagy teljesítményű számításokra készült.

Mitchell szerint Alberta különleges helyzetben van, mert egyszerre rendelkezik a szükséges számítási környezettel és az egész tartományra kiterjedő, egységes egészségügyi rendszerből származó adatokkal. A kutató úgy fogalmazott: „Nem tudok senki másról a világon, aki ezt jelenleg meg tudná valósítani. Lehet, hogy megvan a számítógépük, de nincs adatuk. Lehet, hogy van adatuk, de nincs biztonságos környezetük egy nagy modell tanításához. Nekünk mindkettő megvan.”

A fejlesztők szerint a gyakorlati orvosi haszonhoz az AI-szakértelem önmagában nem elég. A radiológusok és gasztroenterológusok bevonása azért fontos, hogy a rendszer valódi betegeknél és a mindennapi munkában is használható legyen. A támogatás célja az eszköz felépítése és hatékonyságának validálása, így a projekt eredményei a későbbi klinikai alkalmazás lehetőségét vizsgálják.