Kontakt
Kontakt

CASE STUDIES

Klasyczne metody analityczne zamiast AI - precyzyjna segmentacja struktur oka

Realizacja:

2023 – 2025

Branża:

MedTech / Okulistyka / Diagnostyka Obrazowa (Digital Health)

Profil działalności klienta:

Producent zaawansowanego sprzętu diagnostycznego dla okulistyki oraz dostawca oprogramowania medycznego klasy Enterprise dla klinik, szpitali i instytutów badawczych zajmujących się zaawansowanymi terapiami wzroku.

Realizacja:
Branża:
Profil działalności klienta:

2023 – 2025

MedTech / Okulistyka / Diagnostyka Obrazowa (Digital Health)

Producent zaawansowanego sprzętu diagnostycznego dla okulistyki oraz dostawca oprogramowania medycznego klasy Enterprise dla klinik, szpitali i instytutów badawczych zajmujących się zaawansowanymi terapiami wzroku.

??
??
??

Wyzwania

Współczesna okulistyka opiera się na technologii tomografii optycznej (OCT), która pozwala na bezinwazyjne obrazowanie przekrojów siatkówki. Jednak podczas interpretacji tych danych, klient napotykał poważne bariery medyczne, naukowe i technologiczne:

  • Niska precyzja i czasochłonność diagnostyki: Ręczna analiza mikroskopijnych struktur oka takich jak warstwy siatkówki czy naczynia krwionośne była podatna na błędy i była skrajnie czasochłonna dla lekarzy okulistów, co opóźniało proces diagnostyczny.
  • Wąskie gardło w terapiach lekowo-genowych: monitorowanie tych terapii wymagało absolutnie powtarzalnej, mikronowej precyzji w czasie. Tradycyjne metody nie pozwalały na bezbłędne, ilościowe śledzenie zmian w strukturze oka pacjenta przed i po podaniu leku.
  • Nowoczesne schorzenia wzroku oraz niszowe terapie cierpią na brak wystarczającej liczby unikalnych skanów OCT. Uniemożliwiało to poprawne wyszkolenie modeli Deep Learning.
  • Problem "czarnej skrzynki" AI w medycynie: algorytmy sztucznej inteligencji są niedeterministyczne – ten sam model może dać różne wyniki przy minimalnej zmianie szumu w obrazie, co w certyfikacji wyrobów medycznych (MDR) oraz krytycznych decyzjach lekarskich budziło opór i brak zaufania ze strony personelu medycznego.

Rozwiązanie

  • Poddanie surowych skanów OCT wieloetapowej filtracji cyfrowej (m.in. zaawansowane filtry anizotropowe, redukcja szumów plamkowych typu speckle noise oraz wyrównywanie histogramów). Proces ten maksymalizuje kontrast między poszczególnymi warstwami oka bez zniekształcania ich rzeczywistych granic fizycznych.
  • Opracowanie systemu wykorzystującego metody matematyczne, w tym geometrię różniczkową, do automatycznej segmentacji naczyń krwionośnych oraz wyznaczania granic warstw siatkówki w obrazach 2D i 3D. System umożliwia precyzyjną lokalizację analizowanych struktur, potencjalnie z dokładnością na poziomie pojedynczego piksela.
  • Brak modeli AI nie wymaga kosztownych rozwiązań sprzętowych. Całość została zamknięta w wydajnym module API, umożliwiającym natychmiastową integrację z istniejącym oprogramowaniem medycznym klienta.

Co zyskał klient

Lekarze zyskali narzędzie o najwyższej precyzji analitycznej

Umożliwiło to pewne i wczesne wykrywanie zmian chorobowych siatkówki oraz precyzyjne prowadzenie pacjentów w programach lekowych.

Skrócenie czasu analizy skomplikowanych struktur przestrzennych oka

Zwiększyło to przepustowość gabinetów okulistycznych.

Niezależność od ograniczeń AI

Klient ograniczył problem braku danych treningowych i otrzymał rozwiązanie działające z tą samą, perfekcyjną skutecznością.

Przewidywalność, powtarzalność i audytowalność

Ułatwia to przejście rygorystycznych procedur certyfikacji medycznej oraz gwarantuje pełną transparentność działania.