LarvixON

System LarvixON AI – szybka diagnostyka toksyczności osocza z wykorzystaniem analizy behawioralnej larw i algorytmów uczenia maszynowego

Członkowie: Krzysztof, Mikołaj, Martyna oraz Patryk

Opiekun: Natalia Piórkowska

Cele projektu

Cele biznesowe (technologiczne/kliniczne): Wdrożenie nowatorskiej, szybkiej metody diagnostycznej do wykrywania ksenobiotyków. Poprawa skuteczności leczenia pacjentów w stanach zagrożenia życia. Skrócenie czasu interwencji medycznej poprzez szybką diagnostykę. Osiągnięcie wysokiej czułości i specyficzności klasyfikacji toksycznych substancji.

Zadania (Rezultaty): Opracowanie algorytmów uczenia maszynowego: Zdolnych do rozpoznawania subtelnych zmian w motoryce larw Galleria mellonella wywołanych ksenobiotykami (trenowanie modeli klasyfikacyjnych na danych ruchowych). Opracowanie aplikacji diagnostycznej: Aplikacja integrująca cały pipeline: Wczytanie danych wideo (ruchu larw). Analiza i predykcja (uruchomienie modeli SI). Prezentacja wyniku użytkownikowi (lekarzowi/laborantowi). Stworzenie interfejsu graficznego (Frontend): Lekki i intuicyjny interfejs umożliwiający obsługę systemu. Metryki i weryfikacja: Kluczowe wskaźniki (KPI): Czas analizy: nieprzekraczający 20 minut. Dokładność: osiągnięcie wysokiej czułości i specyficzności predykcji. Weryfikacja (Plany testowe): Całość systemu zostanie przetestowana pod kątem: Wydajności (obliczeniowej). Dokładności predykcji (porównanie z metodami referencyjnymi - domniemane). Użyteczności klinicznej (ocena interfejsu i procesu przez użytkowników końcowych).

Opis projektu

Kontekst: Projekt dotyczy dziedziny diagnostyki medycznej, w szczególności toksykologii klinicznej i medycyny ratunkowej. Obecne wyzwanie dotyczy szybkiego wykrywania obecności ksenobiotyków (toksycznych substancji, takich jak leki, narkotyki, toksyny czy patogeny) w osoczu pacjentów, co jest kluczowe w stanach zagrożenia życia. W projekcie proponuje się nowatorską metodę diagnostyczną polegającą na wykorzystaniu larw Galleria mellonella jako biowskaźnika. Próbki osocza pacjentów podawane są larwom, a następnie system oparty na sztucznej inteligencji analizuje wzorce ruchowe larw, aby zidentyfikować charakterystyczne reakcje na obecność toksyn. Problemy użytkowników: Obecny czas oczekiwania na wyniki toksykologiczne jest barierą w skutecznym leczeniu (problemem jest czas analizy, który obecnie zajmuje około godziny). Ograniczenia istniejących rozwiązań: Szybkości: Obecne metody diagnostyczne mogą zajmować nawet godzinę, więc ograniczenie czasu do mniej niż 20 min może potencjalnie uratować życie wielu pacjentów. Wymóg specjalistycznego sprzętu: Obecne metody toksykologiczne wymagają dostępu do zaawansowanej aparatury diagnostycznej, co ogranicza możliwość ich zastosowania w warunkach przedszpitalnych lub na oddziałach ratunkowych

Przykłady problemów: Głównym problemem jest brak zautomatyzowanego i szybkiego systemu diagnostycznego do wykrywania ksenobiotyków, co opóźnia wdrożenie odpowiedniego leczenia w stanach zagrożenia życia.

Artefakty

Końcowe produkty: System diagnostyczny oparty na ML: Kompletne rozwiązanie do wykrywania ksenobiotyków, obejmujące algorytmy i aplikację. Algorytmy uczenia maszynowego: Wytrenowane modele (klasyfikacyjne, oparte m.in. o PyTorch, scikit-learn) zdolne do analizy wzorców ruchowych larw. Aplikacja diagnostyczna: System webowy składający się z: Frontend: Interfejs użytkownika napisany w Flutter. Backend: Serwer aplikacyjny (napisany w Pythonie przy użyciu Django i Django REST API), który komunikuje się z frontendem przez API i wykonuje analizy. Symulacja do generacji danych: Z racji późnego dostępu do realnych danych i potrzeby wczesnej weryfikacji modelu, wygenerowane zostały dane treningowe. Strona z dokumentacją: prosta, statyczna strona internetowa zawierająca dokumentację projektu Narzędzia wspierające (wykorzystane w projekcie / stanowiące część infrastruktury): Roboflow: Użyte do anotacji danych wideo (oznaczania larw), co było niezbędne na początkowych etapach projektu do trenowania modeli detekcji i analizy ruchu. GitHub: Wykorzystany do kontroli wersji kodu, project management i do CI/CD Charakterystyka: Funkcjonalność: System przyjmuje dane wideo (przedstawiające ruch larw Galleria mellonella po ekspozycji na osocze), przetwarza je, analizuje przy użyciu modeli SI i zwraca wynik (predykcję obecności ksenobiotyków) w czasie rzeczywistym. Środowisko wdrożeniowe/obliczeniowe: Wrocławskiego Centrum Sieciowo-Superkomputerowego (WCSS): Intensywne zadania obliczeniowe (analiza wideo, trenowanie modeli) Microsoft Azure - wykorzystany do wdrożenia i utrzymania serwera aplikacji GitHub Pages - wykorzystany do wdrożenia części front endowej aplikacji

Odbiorcy

Użytkownicy końcowi: Lekarze i laboranci: Odniosą korzyści dzięki dostępowi do prostego interfejsu graficznego, który umożliwia szybkie przeprowadzenie analizy (w czasie rzeczywistym, poniżej 20 minut). Rozwiązanie to znacząco usprawni proces diagnostyczny, skracając czas oczekiwania na wynik i umożliwiając podjęcie natychmiastowych decyzji terapeutycznych.. Pacjenci: W szczególności osoby w stanach nagłych lub zatrucia. Skrócenie czasu diagnostyki bezpośrednio przełoży się na szybsze wdrożenie leczenia, zwiększając szanse na przeżycie i poprawiając rokowanie. Projekt przyczyni się tym samym do poprawy bezpieczeństwa pacjentów i jakości opieki medycznej.

Organizacje zewnętrzne Szpital: Korzyścią dla placówki jest przyspieszona diagnoza (poniżej 20 minut), co przekłada się na lepszą przepustowość, efektywniejsze zarządzanie przypadkami nagłymi oraz potencjalne zmniejszenie obciążenia lekarzy i personelu laboratoryjnego dzięki automatyzacji procesu diagnostycznego.

Technologie

Mapa drogowa

Repozytoria