Clear Sky Science · pl

Wykrywanie choroby sierpowatej w warunkach o niskich zasobach z wykorzystaniem transfer learning i contrastive learning zintegrowanych z XAI

2026-01-24 · Powrót do spisu

Dlaczego inteligentniejsze badania krwi mają znaczenie

Choroba sierpowata to przewlekłe schorzenie krwi, które może powodować silny ból, infekcje i przedwczesną śmierć, zwłaszcza w częściach Afryki i Indii, gdzie zasoby medyczne są ograniczone. Wczesne rozpoznanie może uratować życie, ale tradycyjne testy wymagają wykwalifikowanego personelu, specjalistycznych urządzeń i czasu, których wiele klinik po prostu nie ma. Artykuł bada, jak sztuczna inteligencja (AI) może przekształcić proste obrazy mikroskopowe krwi w szybkie, wiarygodne narzędzia przesiewowe, ułatwiając wykrywanie choroby sierpowatej nawet w warunkach o niskich zasobach.

Bliższe spojrzenie na groźne schorzenie krwi

W chorobie sierpowatej niewielka zmiana w genie hemoglobiny — białka przenoszącego tlen — powoduje, że krwinki czerwone wyginają się w sztywne, sierpowate lub półksiężycowate kształty zamiast zachowywać miękkość i okrągłość. Tak zdeformowane komórki mogą zatkać drobne naczynia krwionośne, blokując przepływ krwi i uszkadzając narządy.

Choroba dotyka miliony ludzi na całym świecie, ze szczególnie wysoką częstością w Afryce subsaharyjskiej i Indiach. Mimo to wiele dzieci nigdy nie jest prawidłowo zdiagnozowanych, częściowo dlatego że ręczne przesiewanie pod mikroskopem jest pracochłonne i męczące — polega na ocenianiu kształtów niezliczonych krwinek czerwonych, często na obrazach niskiej jakości.

Od przeciążonych laboratoriów do wsparcia AI

Tradycyjne metody potwierdzania choroby sierpowatej — takie jak elektroforeza hemoglobiny czy badania genetyczne — są dokładne, ale często kosztowne, wymagające sprzętu i czasochłonne. W przeciwieństwie do nich wiele klinik już dysponuje podstawowymi mikroskopami, a nowoczesne aparaty potrafią rejestrować obrazy rozmazów krwi o wysokiej rozdzielczości. Autorzy budują na tej rzeczywistości: zamiast zmieniać sposób pobierania krwi, zmieniają sposób analizy obrazów. Wprowadzają zdigitalizowane obrazy rozmazów do modeli AI, które już nauczyły się rozpoznawać wzorce na milionach codziennych zdjęć, a następnie dopasowują te modele, by odróżniały normalne krwinki czerwone od sierpowatych. To ponowne wykorzystanie uprzedniej wiedzy, zwane transfer learning, jest kluczowe, gdy do treningu dostępnych jest tylko kilka setek obrazów medycznych.

Uczenie maszyn rozróżniania subtelnych kształtów

Nie wszystkie metody treningu AI są równe, zwłaszcza gdy danych jest mało. Badacze porównują trzy popularne sieci rozpoznawania obrazów — ResNet-50, DenseNet-121 i EfficientNet-B0 — oraz trzy sposoby ich trenowania. Dwie metody traktują problem jako proste pytanie tak/nie (sierpowate czy nie) i próbują poprawić surową dokładność klasyfikacji. Trzecia, zwana triplet loss, uczy sieć organizować obrazy w „przestrzeni kształtów”, gdzie obrazy komórek sierpowatych grupują się razem i oddalają od obrazów komórek normalnych. To skoncentrowane na kontrastach podejście treningowe przekształca model w specjalistę w wykrywaniu małych różnic kształtu, co dokładnie ma znaczenie w mikroskopii choroby sierpowatej.

Uczynienie procesu decyzyjnego widocznym

Lekarze i pracownicy laboratoriów muszą ufać wszelkim zautomatyzowanym systemom wpływającym na opiekę nad pacjentem. Aby otworzyć „czarną skrzynkę” AI, autorzy stosują metodę wyjaśnialnej AI nazwaną Grad-CAM, która nakłada mapę cieplną na oryginalny obraz mikroskopowy, pokazując, które obszary najbardziej wpłynęły na decyzję.

Dla dobrze wytrenowanych modeli mapy te rozświetlają się wokół charakterystycznych, zakrzywionych krwinek sierpowatych, a nie wokół przypadkowych plam czy artefaktów tła. Zespół testuje także prosty klasyfikator k-najbliższych sąsiadów w nauczonej „przestrzeni kształtów”, potwierdzając, że wewnętrzne cechy sieci rzeczywiście nadają się do separacji komórek sierpowatych od normalnych. Zarówno na zbalansowanych, jak i niezbalansowanych zestawach danych — podobnych do rzeczywistych warunków klinicznych — połączenie transfer learning i triplet loss konsekwentnie przewyższa bardziej konwencjonalne schematy treningowe.

Od badań do rzeczywistych klinik

W badaniu stwierdzono, że inteligentne ponowne wykorzystanie istniejących sieci rozpoznawania obrazów, w połączeniu z treningiem opartym na triplet loss i wizualnymi wyjaśnieniami, może dostarczyć dokładne i przejrzyste wykrywanie choroby sierpowatej na podstawie stosunkowo niewielu obrazów. Innymi słowy, standardowy mikroskop wraz z aparatem i laptopem mógłby pomóc klinikom pierwszego kontaktu szybko wskazywać pacjentów, którzy prawdopodobnie mają chorobę sierpowatą, nawet bez zaawansowanych testów laboratoryjnych. Choć przed szerokim wdrożeniem potrzebne będą większe i bardziej zróżnicowane zbiory danych, praca ta pokazuje wyraźną drogę ku niskokosztowemu, wspieranemu przez AI przesiewowi, który może zasadniczo wpłynąć na regiony, gdzie choroba sierpowata jest powszechna, a zasoby diagnostyczne ograniczone.

Cytowanie: Patel, J., Muralikrishna, H., Chadaga, K. et al. Sickle cell disease detection in low-resource conditions using transfer-learning and contrastive-learning coupled with XAI. Sci Rep 16, 6104 (2026). https://doi.org/10.1038/s41598-026-35831-9

Słowa kluczowe: choroba sierpowata, obrazowanie medyczne, głębokie uczenie, diagnostyka w warunkach niskich zasobów, wyjaśnialna sztuczna inteligencja