Przyk\u0142ady obecnego wykorzystania metod sztucznej inteligencji w medycynie<\/b><\/h2>\nWykrywanie gru\u017alicy<\/b><\/h3>\n
Diagnostyka wspierana komputerowo (CAD) dzi\u0119ki zastosowaniu konwolucyjnych sieci neuronowych sta\u0142a si\u0119 mo\u017cliwa do prowadzenia na zadowalaj\u0105cym poziomie. Przyk\u0142adem mo\u017ce by\u0107 tutaj wykorzystanie sztucznej inteligencji w wykrywaniu gru\u017alicy. W wykrywaniu tej choroby stosuje si\u0119 tanie oraz powszechnie dost\u0119pne zdj\u0119cia rentgenowskie, jednak tradycyjne stosowanie tej metody jest czasoch\u0142onne i wymaga sporo pracy od lekarza, co jest zw\u0142aszcza problematyczne w krajach, gdzie jest ma\u0142o specjalist\u00f3w i zasob\u00f3w medycznych, a gru\u017alica wyst\u0119puje powszechnie. W tym celu w 2018 roku przeprowadzono badanie maj\u0105ce na celu zastosowanie deep learningu do wykrywania przypadk\u00f3w gru\u017alicy. Na jego potrzeby opracowano zbi\u00f3r danych zawieraj\u0105cy 54221 zdj\u0119cia rentgenowskie zdrowych os\u00f3b i 6768 zdj\u0119\u0107 choruj\u0105cych pacjent\u00f3w. Ka\u017cde ze zdj\u0119\u0107 zosta\u0142o zweryfikowane i opisane przez grup\u0119 radiolog\u00f3w.<\/span><\/p>\n <\/p>\n Stworzona sie\u0107 neuronowa sk\u0142ada\u0142a si\u0119 z 27 warstw, z czego ostatnia by\u0142a podzielona na warstw\u0119 klasyfikacyjn\u0105 na podstawie obrazk\u00f3w oraz warstw\u0119 lokalizuj\u0105c\u0105 zmiany patologiczne. Warstwa lokalizuj\u0105ca zawiera\u0142a modu\u0142 segmentuj\u0105cy p\u0142uca, \u017ceby uniemo\u017cliwi\u0107 sieci wykrywanie zmian poza nimi. W czasie treningu zdj\u0119cia rentgenowskie by\u0142y skalowane i modyfikowane, \u017ceby umo\u017cliwi\u0107 sieci radzenie sobie ze zmianami r\u00f3\u017cnych rozmiar\u00f3w oraz danymi pochodz\u0105cymi z r\u00f3\u017cnych urz\u0105dze\u0144. Trening powt\u00f3rzono trzykrotnie dla r\u00f3\u017cnych zestaw\u00f3w hiperparametr\u00f3w.<\/span><\/p>\n <\/p>\n Weryfikacja zosta\u0142a przeprowadzona za pomoc\u0105 zbior\u00f3w danych pochodz\u0105cych z kilku r\u00f3\u017cnych szpitali. Sprawdzono, czy sie\u0107 radzi sobie lepiej od lekarzy. Dodatkowo przeprowadzono jeszcze badanie, w kt\u00f3rym oceniono wp\u0142yw wspomagania AI na trafno\u015b\u0107 diagnozy. W tym celu zebrano 15 lekarzy o r\u00f3\u017cnym do\u015bwiadczeniu zawodowym i poproszono ich o dokonanie diagnozy na podstawie zdj\u0119\u0107. Test wykonano dwukrotnie \u2013 za drugim razem jednak lekarze posi\u0142kowali si\u0119 wynikami sztucznej inteligencji i mieli mo\u017cliwo\u015b\u0107 na ich podstawie dokona\u0107 zmiany diagnozy.<\/span><\/p>\n Wp\u0142yw wspomagania AI na trafno\u015b\u0107 diagnozy<\/span><\/i><\/p>\n Okaza\u0142o si\u0119, \u017ce sie\u0107 jest znacznie skuteczniejsza od lekarzy. Dodatkowo na podstawie powy\u017cszej tabeli ilustruj\u0105cej wyniki testu mo\u017cna stwierdzi\u0107, \u017ce zastosowanie sieci neuronowej znacz\u0105co poprawi\u0142o skuteczno\u015b\u0107 radiolog\u00f3w we wskazywaniu zmian patologicznych. Stwierdzono r\u00f3wnie\u017c, \u017ce mo\u017cliwo\u015b\u0107 wskazania miejsca wyst\u0119powania zmian gru\u017aliczych, cho\u0107 maj\u0105ca mniejsze znaczenie ni\u017c sama klasyfikacja stanu zdrowia pacjenta, przydaje si\u0119 do uwiarygodnienia zwracanych wynik\u00f3w \u2013 lekarze niekoniecznie ufaj\u0105 oprogramowaniu b\u0119d\u0105cemu z ich perspektywy czarn\u0105 skrzynk\u0105, ale dodatkowa informacja o umiejscowieniu zmian pomaga im podj\u0105\u0107 w\u0142a\u015bciw\u0105 decyzj\u0119 co do kierowania si\u0119 otrzymanymi wynikami.<\/span><\/p>\n Innym interesuj\u0105cym przypadkiem jest u\u017cycie AI w celu rozpoznania wirusowego zapalenia p\u0142uc powsta\u0142ego w wyniku zaka\u017cenia SARS-CoV-2 (NCP \u2013 Novel Coronavirus Pneumonia). Jest to o tyle istotne zagadnienie, \u017ce pacjenci w zaawansowanym stadium choroby odznaczaj\u0105 si\u0119 stosunkowo wysokim stopniem \u015bmiertelno\u015bci, a we wczesnych stadiach mog\u0105 pojawia\u0107 si\u0119 k\u0142opoty z odr\u00f3\u017cnieniem choroby od cho\u0107by zapalenia p\u0142uc wywo\u0142anego sezonow\u0105 gryp\u0105.<\/span><\/p>\n Stworzona sie\u0107 neuronowa zosta\u0142a wytrenowana przy u\u017cyciu 4695 zdj\u0119\u0107 pacjent\u00f3w z zapaleniem p\u0142uc wywo\u0142anym zar\u00f3wno przez koronawirusa jak i inne przyczyny. Podobnie jak w przypadku badania nad diagnoz\u0105 gru\u017alicy, mo\u017cna wyr\u00f3\u017cni\u0107 tutaj dwa elementy: model mapuj\u0105cy zmiany patologiczne w p\u0142ucach oraz klasyfikator podejmuj\u0105cy decyzj\u0119, czy i z jakim typem zapalenia p\u0142uc ma do czynienia. Dodatkowo dane pacjent\u00f3w z COVID-19 w po\u0142\u0105czeniu z danymi dotycz\u0105cymi p\u0142uc zosta\u0142y u\u017cyte w ocenie czynnik\u00f3w ryzyka.<\/span><\/p>\n Schemat badania maj\u0105cego na celu zdiagnozowanie pacjent\u00f3w z NCP<\/span><\/i><\/p>\n Poni\u017csze zdj\u0119cia obrazuj\u0105 przyk\u0142adowe wyniki modelu mapuj\u0105cego zmiany patologiczne. Wida\u0107, \u017ce AI zwr\u00f3ci\u0142o wyniki niemal identyczne z r\u0119cznym opisem wykonanym przez cz\u0142owieka.<\/span><\/p>\n Wyniki mapowania zmian patologicznych w p\u0142ucach<\/span><\/i><\/p>\n Modu\u0142 diagnostyczny (klasyfikator) zosta\u0142 wytrenowany z u\u017cyciem 40 880 zdj\u0119\u0107 pochodz\u0105cych od 83 pacjent\u00f3w choruj\u0105cych na NCP, 91 z innymi rodzajami zapalenia p\u0142uc i 86 zdrowych os\u00f3b. Bazuj\u0105c na wynikach modelu mapuj\u0105cego uda\u0142o si\u0119 osi\u0105gn\u0105\u0107 czu\u0142o\u015b\u0107 na poziomie 94.93% i swoisto\u015b\u0107 wynosz\u0105c\u0105 91.13%. Wyniki otrzymane dla danych pochodz\u0105cych z czterech r\u00f3\u017cnych region\u00f3w, zar\u00f3wno dotkni\u0119tych epidemi\u0105 (Yichang i Wuhan) jak i niedotkni\u0119tych (Hefei, Guangzhou) by\u0142y bardzo zbli\u017cone do tych uzyskanych w trakcie walidacji wewn\u0119trznej.<\/span><\/p>\n <\/p>\n Stworzony model pos\u0142u\u017cy\u0142 r\u00f3wnie\u017c do oceny skuteczno\u015bci metod leczenia. Do badania zakwalifikowano pacjent\u00f3w z pozytywnym testem na obecno\u015b\u0107 koronawirusa oraz brak jakiejkolwiek wcze\u015bniejszej historii leczenia. Pacjentom podawano trzy r\u00f3\u017cne rodzaje lek\u00f3w a nast\u0119pnie por\u00f3wnano rozmiar zmian patologicznych w p\u0142ucach przed rozpocz\u0119ciem i po zako\u0144czeniu leczenia. Poni\u017csze obrazy przedstawiaj\u0105 reprezentatywne wyniki dla pojedynczego pacjenta dla ka\u017cdego z trzech lekarstw. Po lewej stronie umieszczono zdj\u0119cia (bardziej na lewo) oraz odpowiadaj\u0105ce im mapowanie wygenerowane przez sztuczn\u0105 intelignecj\u0119 (bardziej na prawo) przed leczeniem, a po prawej po leczeniu.<\/span><\/p>\n Ocena skuteczno\u015bci metod leczenia<\/span><\/i><\/p>\n Przeprowadzone eksperymenty by\u0142y w stanie udowodni\u0107, \u017ce opracowany system cechowa\u0142 si\u0119 diagnostyk\u0105 o jako\u015bci por\u00f3wnywalnej do diagnoz stawianych przez do\u015bwiadczonych lekarzy, a ponadto m\u00f3g\u0142 on pomaga\u0107 tym mniej do\u015bwiadczonym. Dodatkowo AI by\u0142o w stanie poprawnie mierzy\u0107 skuteczno\u015b\u0107 podj\u0119tego leczenia. Ma to szczeg\u00f3lne znaczenie w kontek\u015bcie pandemii, gdy\u017c dzi\u0119ki podobnym systemom powinno by\u0107 mo\u017cliwe odci\u0105\u017cenie przepracowanego personelu medycznego.<\/span><\/p>\n Podobnych przyk\u0142ad\u00f3w mo\u017cna znale\u017a\u0107 wi\u0119cej. Na uwag\u0119 zas\u0142uguje przypadek z 2016 roku, kiedy Google u\u017cy\u0142o oko\u0142o 130 000 zdj\u0119\u0107 dna oka i przeanalizowa\u0142o je wykorzystuj\u0105c deep learning. Czu\u0142o\u015b\u0107 sieci w detekcji takich chor\u00f3b jak np. jaskra i retinopatia wynosi\u0142a oko\u0142o 98%, co jest por\u00f3wnywalne z wynikami okulisty. W 2018 Google zebra\u0142o zdj\u0119cia dna oka od \u0142\u0105cznie 300 000 pacjent\u00f3w i za pomoc\u0105 sztucznej inteligencji, przy uwzgl\u0119dnieniu dodatkowych czynnik\u00f3w takich jak m.in. wiek, p\u0142e\u0107, ci\u015bnienie, prawdopodobie\u0144stwo wyst\u0105pienia cukrzycy czy palenie papieros\u00f3w by\u0142o w stanie przewidzie\u0107 choroby serca.<\/span><\/p>\n Bardzo cz\u0119sto prognoza leczenia pacjenta zale\u017cy od tego, jak wcze\u015bnie choroba zosta\u0142a zdiagnozowana. Niestety niekt\u00f3re choroby we wczesnych stadiach maj\u0105 niezauwa\u017calne przez pacjenta objawy albo nie maj\u0105 ich w og\u00f3le, i pacjent za p\u00f3\u017ano si\u0119 dowiaduje o chorobie. Ponadto, nie zawsze pacjent ma mo\u017cliwo\u015b\u0107 zwr\u00f3ci\u0107 si\u0119 do lekarza od razu i szybko dosta\u0107 pomoc medyczn\u0105. Jednym z obiecuj\u0105cych kierunk\u00f3w zastosowania Sztucznej Inteligencji w medycynie jest u\u017cycie AI w prediagnostyce.<\/span><\/p>\n Du\u017co chor\u00f3b serca mo\u017ce zosta\u0107 zdiagnozowanych na podstawie krzywej EKG, np. choroba wie\u0144cowa serca, zaburzenia rytmu serca i inne.<\/span><\/p>\n Kombinacja okresowo\u015bci i cech charakterystycznych sygna\u0142u jest najlepiej analizowana za pomoc\u0105 algorytmu uczenia g\u0142\u0119bokiego Conv-LSTM. Conv oznacza sie\u0107 konwolucyjn\u0105 i wykonuje ekstrakcj\u0119 cech. LSTM oznacza Long-Short-Term Memory i jest przeznaczona dla wychwytywania d\u0142ugoterminowych zale\u017cno\u015bci czasowych sygna\u0142u EKG.<\/span><\/p>\n Sygna\u0142y EKG mo\u017cna uzyska\u0107 z urz\u0105dze\u0144 noszonych na ciele, co u\u0142atwia automatyzacj\u0119 i mo\u017ce pom\u00f3c osobom z chorobami podstawowymi w szybkim poszukiwaniu pomocy medycznej.\u00a0<\/span><\/p>\n W 2020 roku zesp\u00f3\u0142 MIT wywnioskowa\u0142 na podstawie bada\u0144 \u017ce ludzie maj\u0105cy bezobjawowy COVID-19 maj\u0105 inny kaszel ni\u017c ludzie zdrowi. Zesp\u00f3\u0142 u\u017cy\u0142 metod Sztucznej Inteligencji dla wykrywania COVID-19 na podstawie kaszlu. W wyniku algorytm poprawnie zidentyfikowa\u0142 98,5% przypadk\u00f3w kaszlu dla os\u00f3b maj\u0105cych potwierdzony COVID-19, w tym 100% w przypadku bezobjawowego COVID-19. <\/span><\/p>\n Retinopatia cukrzycowa jest chorob\u0105 powoduj\u0105c\u0105 pogorszenie wzroku i na ostatnich stadiach \u015blepot\u0119. Jest jedn\u0105 z g\u0142\u00f3wnych przyczyn \u015blepoty i cz\u0119sto wyst\u0119puje u os\u00f3b choruj\u0105cych na cukrzyc\u0119 bezobjawowo na pierwszych stadiach.\u00a0\u00a0<\/span><\/p>\n Uczenie g\u0142\u0119bokie mo\u017ce pom\u00f3c we wczesnej diagnostyce, badaj\u0105c zdj\u0119cia CFP (color fundus photographs) pacjent\u00f3w i klasyfikuj\u0105c je na choruj\u0105cych na retinopati\u0119, niechoruj\u0105cych, w zale\u017cno\u015bci od stadium choroby u pacjenta.<\/span><\/p>\n Rozpowszechnienie si\u0119 u\u017cycia metod Sztucznej Inteligencji w diagnostyce chor\u00f3b otwiera wiele mo\u017cliwo\u015bci, ale wi\u0105\u017ce si\u0119 te\u017c z pewnymi zagro\u017ceniami. Przede wszystkim s\u0105 to zagro\u017cenia zwi\u0105zane z prywatno\u015bci\u0105 danych medycznych i danych pacjent\u00f3w. Sztuczna Inteligencja umo\u017cliwia zidentyfikowanie os\u00f3b poprzez uczenie si\u0119 codziennych wzorc\u00f3w na podstawie danych zebranych na smartfonach, smartwatchach, a nast\u0119pnie skorelowanie ich z danymi demograficznymi. Mo\u017cliwe \u017ce na podstawie tak zdobytych informacji by\u0142aby w stanie przyporz\u0105dkowa\u0107 pacjent\u00f3w do informacji medycznych wykorzystywanych w systemach CAD. Oprogramowanie medyczne musi zawiera\u0107 informacje na temat rodzaju danych wykorzystywanych do trenowania modelu lub wszelkich niedoci\u0105gni\u0119\u0107 modelu, oraz na temat udost\u0119pniania danych innym firmom.<\/p>\n Poniewa\u017c gdy chodzi o Sztuczn\u0105 Inteligencj\u0119 wiarygodno\u015b\u0107 danych wyj\u015bciowych zale\u017cy od jako\u015bci danych wprowadzanych, dane podatne na b\u0142\u0119dy mog\u0105 prowadzi\u0107 do b\u0142\u0119dnego podejmowania decyzji medycznych, co ostatecznie mo\u017ce wp\u0142yn\u0105\u0107 na zdrowie pacjent\u00f3w.<\/p>\n Innym zagro\u017ceniem jest to \u017ce dane wej\u015bciowe mog\u0105 nie zawiera\u0107 wystarczaj\u0105cej ilo\u015bci rzadko wyst\u0119puj\u0105cych objaw\u00f3w i przypadk\u00f3w, co mo\u017ce zwi\u0119ksza\u0107 ryzyko nietrafionej diagnozy.. Na przyk\u0142ad, algorytm wykrywaj\u0105cy raka sk\u00f3ry u\u017cywaj\u0105cy metod Sztucznej Inteligencji mo\u017ce by\u0107 szkolony tylko na pacjentach z jasn\u0105 karnacj\u0105. W zwi\u0105zku z tym wyniki testowania pr\u00f3bek dla, na przyk\u0142ad, Afroamerykan\u00f3w mog\u0105 by\u0107 niedok\u0142adne.<\/p>\n Om\u00f3wione przyk\u0142ady i koncepcje ilustruj\u0105, \u017ce ju\u017c teraz sztuczna inteligencja bardzo dobrze radzi sobie z problemem wykrywania r\u00f3\u017cnych chor\u00f3b, identyfikowania zmian w organizmie przez nie wywo\u0142anymi, a nawet znajdowania prawid\u0142owo\u015bci mi\u0119dzy czynnikami ryzyka a pojawieniem si\u0119 danego schorzenia. Niestety, zastosowanie tych osi\u0105gni\u0119\u0107 w medycynie na szerok\u0105 skal\u0119 wymaga zmierzenia si\u0119 z wieloma problemami. Jednym z nich jest kwestia samej jako\u015bci zdj\u0119\u0107 oraz ujednolicenia zbior\u00f3w danych pochodz\u0105cych z r\u00f3\u017cnej jako\u015bci urz\u0105dze\u0144 z wielu plac\u00f3wek medycznych. Etykietowanie i adnotowanie odpowiednio du\u017cych zbior\u00f3w r\u00f3wnie\u017c mo\u017ce by\u0107 problematyczne. Dodatkowo wci\u0105\u017c brakuje test\u00f3w przeprowadzanych na szerok\u0105 skal\u0119 oraz oceny wystawionej na bazie praktycznego zastosowania. Opr\u00f3cz tego w medycynie bardzo du\u017cego znaczenia nabiera \u201eproblem czarnej skrzynki\u201d spotykany w uczeniu maszynowym. Dotyka on bowiem kwestii zaufania do sztucznej inteligencji oraz wiarygodno\u015bci wskazanych wynik\u00f3w. Opieranie si\u0119 w ca\u0142o\u015bci na programach komputerowych przy diagnozie lub doborze leczenia dla niekt\u00f3rych pacjent\u00f3w mo\u017ce mie\u0107 potencjalnie katastrofalne konsekwencje \u2013 wynik mo\u017ce znacz\u0105co odbiega\u0107 od rzeczywisto\u015bci i doprowadzi\u0107 do dalszego uszczerbku na zdrowiu lub utraty \u017cycia, ale zarazem b\u0142\u0105d mo\u017ce by\u0107 na tyle oczywisty \u017ce \u017caden lekarz osobi\u015bcie badaj\u0105cy pacjenta nie pope\u0142ni\u0142by go, gdyby diagnostyka dokonywana by\u0142a w tradycyjny spos\u00f3b. Wydaje si\u0119, \u017ce oddanie diagnostyki w pe\u0142ni w r\u0119ce komputera w medycynie b\u0119dzie wymaga\u0142o przede wszystkim rozwi\u0105zania wspomnianego problemu czarnej skrzynki, jednak i bez tego obecne narz\u0119dzia i metody mog\u0105 osi\u0105gn\u0105\u0107 wiele. Stanowi\u0105 one doskona\u0142\u0105 pomoc dla lekarzy o ma\u0142ym do\u015bwiadczeniu zawodowym, znacznie poprawiaj\u0105c trafno\u015b\u0107 formu\u0142owanych przez nich opinii i podejmowanych decyzji a tak\u017ce mog\u0105 s\u0142u\u017cy\u0107 jako narz\u0119dzie konsultacyjne nawet dla najlepszych specjalist\u00f3w. By\u0107 mo\u017ce omawiane technologie da\u0142oby si\u0119 te\u017c wdro\u017cy\u0107 w tych obszarach, gdzie potencjalne b\u0142\u0119dy nie stanowi\u0142yby zbyt du\u017cego zagro\u017cenia dla pacjent\u00f3w i mo\u017cna by je \u0142atwo skorygowa\u0107 na p\u00f3\u017aniejszych etapach procedur medycznych.<\/p>\n Sztuczna Inteligencja (Artificial Intelligence – AI) to obecnie jedna z najszybciej rozwijaj\u0105cych si\u0119 dziedzin w IT. Technologie Sztucznej Inteligencji s\u0105 coraz bardziej rozpowszechnione w biznesie i spo\u0142ecze\u0144stwie i zaczynaj\u0105 by\u0107 stosowane w opiece zdrowotnej, zw\u0142aszcza do zada\u0144 zwi\u0105zanych z diagnostyk\u0105 i zaleceniami terapeutycznymi, zaanga\u017cowaniem i przestrzeganiem zalece\u0144 przez pacjent\u00f3w oraz czynno\u015bciami administracyjnymi. W tym artykule […]<\/p>\n","protected":false},"author":40,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[1],"tags":[15,104,103,102,105,20],"class_list":["post-762","post","type-post","status-publish","format-standard","hentry","category-uncategorized","tag-ai","tag-automatyczna-diagnostyka","tag-cad","tag-medycyna","tag-oprogramowanie-medyczne","tag-sztuczna-inteligencja"],"jetpack_featured_media_url":"","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/762","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/users\/40"}],"replies":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/comments?post=762"}],"version-history":[{"count":14,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/762\/revisions"}],"predecessor-version":[{"id":821,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/762\/revisions\/821"}],"wp:attachment":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/media?parent=762"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/categories?post=762"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/tags?post=762"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"\"](\"http:\/\/architeles.pl\/ethics\/wp-content\/uploads\/2022\/04\/image3-1.png\")
<\/p>\nAI w diagnozie i ocenie skuteczno\u015bci leczenia SARS-CoV-2<\/b><\/h3>\n
![\"\"](\"http:\/\/architeles.pl\/ethics\/wp-content\/uploads\/2022\/04\/image2-1.png\")
<\/p>\n![\"\"](\"http:\/\/architeles.pl\/ethics\/wp-content\/uploads\/2022\/04\/image1-1.png\")
<\/p>\n![\"\"](\"http:\/\/architeles.pl\/ethics\/wp-content\/uploads\/2022\/04\/image4-1.png\")
<\/p>\nDiagnoza i prognoza na podstawie zdj\u0119\u0107 dna oka<\/b><\/h3>\n
Prediagnostyka<\/strong><\/h2>\n
Choroby serca<\/strong><\/h3>\n
Kaszel<\/strong><\/h3>\n
Retinopatia cukrzycowa<\/strong><\/h3>\n
Zagro\u017cenia<\/strong><\/h2>\n
Podsumowanie<\/strong><\/h2>\n
Bibliografia<\/h3>\n
\n
\nClinically Applicable AI System for Accurate Diagnosis, Quantitative Measurements, and Prognosis of COVID-19 Pneumonia Using Computed Tomography, Cell, Volume 181, Issue 6, 2020, Pages 1423-1433.e11, ISSN 0092-8674,
\nhttps:\/\/doi.org\/10.1016\/j.cell.2020.04.045.
\n(https:\/\/www.sciencedirect.com\/science\/article\/pii\/S0092867420305511)<\/li>\n
\nhttps:\/\/blogs.oracle.com\/japac\/post\/how-ai-can-help-with-early-detection-of-diseases<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"