Improving stomach examinations with Artificial Intelligence: A deep learning approach for assisted gastroscopy
Public support
Provider
Ministry of Education, Youth and Sports
Programme
—
Call for proposals
SMSM2024LU002
Main participants
Univerzita Karlova / Matematicko-fyzikální fakulta
Contest type
VS - Public tender
Contract ID
MSMT-10081/2024-14
Alternative language
Project name in Czech
Nové metody pro vyšetření žaludku pomocí umělé inteligence: Využití hlubokého učení pro asistovanou gastroskopii
Annotation in Czech
Hluboké učení umožňuje zásadní pokrok v mnoha úlohách v oblasti zpracování obrazu, jazyka, ale i dalších. Umělá inteligence (AI) založená na hlubokém učení neustále přináší nové špičkové výsledky a v některých úlohách se vyrovnává nebo dokonce překonává lidské schopnosti. Tyto úspěchy ovlivňují mnoho oblastí, včetně lékařských aplikací. Speciální oblastí lékařských aplikací je gastroenterologie. Algoritmy strojového učení se již v gastroenterologii používají při intervencích. Gastroskopie je běžně prováděný lékařský zákrok, který je zásadní pro diagnostiku a léčbu mnoha gastroenterologických onemocnění. Navzdory své rozšířenosti čelí gastroskopie významným výzvám: od identifikace široké škály nálezů až po potřebu rozsáhlých lékařských znalostí a zkušeností. Zejména u lékařských začátečníků může složitost požadovaných diagnóz vést k chybám a potenciálně nesprávným léčebným postupům. Navrhovaný projekt si klade za cíl zlepšit přesnost gastroskopie tím, že lékařským profesionálům poskytne pokročilé technologie umělé inteligence jako podpůrný prostředek pro jejich rozhodování. Projekt kombinuje algoritmy hlubokého učení s rozsáhlou lékařskou odborností čerpanou z předchozích gastroskopických vyšetření (snímků a zpráv) k provádění analýzy obrazu během vyšetření. Projekt efektivně propojí textová data s odpovídajícími snímky z gastroskopie. Systému rozpoznávání a extrakce informací z textu automaticky identifikuje relevantní informace z nestrukturovaného textu a spojuje je s přidruženými snímky. Úkolem je zajistit vysokou přesnost mapování, aby byla zachována integrita klinických dat a poskytla základ pro přesné trénování predikčního modelu. Výsledkem této práce bude komplexní, přehledná databáze, kterou lze využít jak pro trénování modelu AI, tak pro následné studie a analýzy.
Scientific branches
R&D category
IF - RDI infrastructure
OECD FORD - main branch
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
OECD FORD - secondary branch
—
OECD FORD - another secondary branch
—
CEP - equivalent branches <br>(according to the <a href="http://www.vyzkum.cz/storage/att/E6EF7938F0E854BAE520AC119FB22E8D/Prevodnik_oboru_Frascati.pdf">converter</a>)
AF - Documentation, librarianship, work with information<br>BC - Theory and management systems<br>BD - Information theory<br>IN - Informatics
Solution timeline
Realization period - beginning
Jul 1, 2024
Realization period - end
Dec 31, 2026
Project status
B - Running multi-year project
Latest support payment
Feb 12, 2025
Data delivery to CEP
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data delivery code
CEP25-MSM-LU-R
Data delivery date
Mar 4, 2025
Finance
Total approved costs
5,347 thou. CZK
Public financial support
5,347 thou. CZK
Other public sources
0 thou. CZK
Non public and foreign sources
0 thou. CZK