ROZDZIAŁ KSIĄŻKI (528-543)
Sztuczna inteligencja w służbie walki z rakiem piersi na podstawie projektu Alcid
Więcej
Ukryj
1 |
Akademia Nauk Stosowanych WSGE im. A. De Gasperi w Józefowie |
SŁOWA KLUCZOWE
STRESZCZENIE
Struktury i działania społeczeństwa cyfrowego z roku na roku obejmują coraz szerzej różne obszary ludzkiej aktywności. Dynamiczny rozwój metod sztucznej inteligencji (AI) dodatkowo przyspieszył te przemiany. Jedną z dyscyplin, która wykorzystuje pojawiające się szanse na innowacyjne dokonania jest medycyna cyfrowa. Obecne jej wykorzystanie wykracza o wiele dalej niż cyfrowe rejestracje, systemy elektronicznego archiwizowania dokumentacji medycznej pacjenta, teleporady, czy monitorowanie stanu zdrowia. AI wykorzystana w diagnostyce może radykalnie odciążyć system ochrony zdrowia oraz zmniejszyć śmiertelność pacjentów onkologicznych, w tym szczególnie chorujących na raka piersi.
Artykuł analizuje zastosowanie AI do analizy obrazów histopatologicznych. Rozważa także, czy zastosowanie zintegrowanego systemu o nazwie „Mamut” opracowanego przez przedsiębiorstwo Alcid Sp. z o.o. w Polsce w latach 2022–2025 w ramach projektu INFOSTRATEG-I/0041/2021 ma szansę przełożyć się zmniejszenie liczby zgonów wśród młodych i w średnim wieku kobiet w Polsce.
Badanie tego zagadnienia zostało dokonane m. in. w oparciu o literaturę tematyczną w zakresie medycyny i statystyki onkologicznej oraz na podstawie raportów z prac badawczych prowadzonych przez tę spółkę, a dotyczących opracowania narzędzia bioinformatycznego automatyzującego diagnozę raka piersi.
Omówienie tematu może stanowić podstawę dla dalszych prac prowadzonych na styku szerokorozumianej ochrony zdrowia, technologii wykorzystywanych w patologii cyfrowej i relacji instytucjonalnej lekarz-system AI-pacjent.
REFERENCJE (16)
1.
Gośliński, J. (2024). Niska zgłaszalność na badania mammograficzne, 28.09., Zwrotnik Raka.pl, Portal Onkologiczny. Dostęp 2.04.2025 z
https://www.zwrotnikraka.pl/ni....
2.
Jędrzejczyk, T., Wrona, A., Owoc, A., Dziatkowiak, H., Kędra, E., Biskup, M. (2019). Inequalities in breast cancer incidence and stage distribution between urban and rural female population in Świętokrzyskie Province, w: Instytut Medycyny Wsi, Annals of Agricultural and Environmental Medicie, nr 1, vol. 26, ss. 159–164. Dostęp 12.02.2025 z
https://www.aaem.pl/Inequaliti....
4.
Litjens, G. i in. (2017). A survey on deep learning in medical image analysis, w: Medical Image Analysis, nr 42, ss. 60–88.
8.
Raport z realizacji projektu INFOSTRATEG-I/0041/2021-00, Faza I (2022) Alcid Sp. z o.o.
9.
Raport z realizacji projektu INFOSTRATEG-I/0041/2021-00, Faza II. (2024) Alcid Sp. z o.o.
10.
Raport z realizacji projektu INFOSTRATEG-I/0041/2021-00, Faza III (2025) Alcid Sp. z o.o.
11.
Rawat, W. i in. (2021). Deep learning for histopathological image analysis: Recent trends and future directions, w: Computers in Biology and Medicine, Nr 128.
12.
Steiner, D. F. i in. (2018). Impact of deep learning assistance on the histopathologic review of lymph nodes for metastatic breast cancer, w: American Journal of Surgical Pathology, Nr 42(12), ss. 1636–1646.
13.
Sung, H. i in. (2021). Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide. CA Cancer J Clin, Nr 71(3), ss. 209–249.
14.
Wang, X. i in. (2019). Breast cancer histopathological image classification using deep neural networks, w: Computers in Biology and Medicine, Nr 123.
15.
WHO (2019). Classification of Breast Tumours, 5th edition. World Health Organization.