LarvixON

LarvixON AI – diagnostyka toksyczności osocza z wykorzystaniem analizy behawioralnej larw

Technologiczne:

• Wysoka precyzja: Osiągnięcie wysokiej czułości i specyficzności klasyfikacji toksycznych substancji
• Czas przetwarzania: Zapewnienie inferencji modelu i analizy wideo w czasie rzeczywistym (techniczny czas działania < 5 min w ramach 20-minutowego okna)

Biznesowe i kliniczne:

• Wdrożenie nowatorskiej, szybkiej metody diagnostycznej do wykrywania ksenobiotyków.
• Skrócenie całkowitego czasu interwencji medycznej (od pobrania próbki do diagnozy)
• Poprawa skuteczności leczenia pacjentów w stanach zagrożenia życia

Rezultaty:

1. Opracowanie algorytmów uczenia maszynowego, zdolnych do rozpoznawania subtelnych zmian w motoryce larw Galleria mellonella wywołanych ksenobiotykami (trenowanie modeli klasyfikacyjnych na danych ruchowych).
2. Opracowanie aplikacji diagnostycznej integrującej cały pipeline:
   • Wczytanie danych wideo (ruchu larw)
   • Analiza i predykcja (uruchomienie modeli SI)
   • Prezentacja wyniku użytkownikowi (personelowi medycznemu)

Kluczowe wskaźniki (KPI)

• Czas analizy: nieprzekraczający 20 minut
• Dokładność: osiągnięcie wysokiej czułości i specyficzności predykcji (> 90% pewności dla prawdziwego ksenobiotyku)

Testy użytkowników przez członków Uniwersytetu Medycznego i kadry medycznej.

Personel medyczny potrzebuje nowego systemu do szybkiego wykrywania substancji psychoaktywnych w organizmie pacjenta. Obecnie dostępne rozwiązania są zazwyczaj ograniczone do wykrywania konkretnych ksenobiotyków, trudno je rozszerzać o nowe substancje, a sam proces analizy trwa długo. Projektowany system nie zastępuje standardowych metod diagnostycznych, lecz ma pełnić rolę szybkiego, wstępnego wsparcia w sytuacji zagrożenia życia - dostarczając możliwych wskazań co do substancji obecnych w organizmie.

Inspiracją do projektu była sytuacja, w której do szpitala trafił młody pacjent po spożyciu dużej ilości napojów energetycznych. Brakowało narzędzia, które pozwoliłoby szybko zawęzić listę potencjalnych substancji, zwłaszcza gdy pacjent jest nieprzytomny lub nie chce udzielić informacji.

Proponowanym rozwiązaniem jest analiza behawioralna organizmów modelowych - w tym projekcie larw Galleria mellonella - które reagują w charakterystyczny sposób na różne substancje.

Celem projektu jest stworzenie kompletnej aplikacji dla personelu medycznego, obejmującej:

1. Intuicyjny interfejs umożliwiający przesłanie nagrania larwy do analizy.
2. Backend z pełną logiką biznesową oraz zintegrowaną bazą danych.
3. Moduł uczenia maszynowego, który na podstawie nagrania zwróci listę najbardziej prawdopodobnych substancji.

Zakładamy łączny czas analizy poniżej 20 minut (nagranie + przetworzenie przez model) oraz wysoką pewność wyników (powyżej 90%).

Główne artefakty:

• Frontend: wieloplatformowy interfejs użytkownika stworzony w technologii Flutter
• Backend: Serwer aplikacji w języku Python (Django + Django REST API) odpowiedzialny za logikę oraz komunikację
• Moduł uczenia maszynowego: modele klasyfikacyjne (oparte m.in. o PyTorch, scikit-learn) wytrenowane do analizy wzorców ruchowych larw
• Symulacja: symulator stworzony w technologii Unity umożliwiający generowanie syntetycznych danych treningowych (do wczesnej weryfikacji)
• Serwis pacjentów: zgodny ze standardem FHIR serwer symulujący zewnętrzny serwis, udostępniający dane pacjentów
• Strona z dokumentacją: prosta, statyczna strona z dokumentacją projektu

Narzędzia wspierające i infrastruktura

• Roboflow: Adnotacja danych wideo
• GitHub: Kontrola wersji, zarządzanie projektem oraz procesy CI/CD
• WCSS: trenowanie modeli
• Microsoft Azure: Hosting backendu aplikacji
• GitHub Pages: Hosting części frontendowej i strony z dokumentacją

Charakterystyka i funkcjonalność:

• Cel działania: Wykrywanie obecności ksenobiotyków w oparciu o analizę wideo.
• Proces: System przyjmuje nagranie ruchu larw po ekspozycji na osocze, przetwarza je przy użyciu modeli SI i zwraca predykcję w czasie rzeczywistym

Użytkownicy końcowi to przede wszystkim personel medyczny.

Odniosą oni korzyści poprzez:

• Skrócenie czasu analizy do niecałych 20 min - usprawni proces diagnostyczny i umożliwi podjęcie decyzji terapeutycznych, gdzie każda minuta jest na wagę życia
• Zmniejszenie obciążenia pracą - krótszy proces analizy = możliwość przeprowadzenia większej ilości analiz lub innych badań, dodatkowo aplikacja jest prosta w obsłudze i może być obsługiwana nie tylko przez lekarza, a również przez laborantów czy pielęgniarki

Oczywiście szybsza diagnostyka to korzyści dla pacjentów. Zyskają oni poprzez:

• Szybsze wdrożenie leczenia w stanach zatrucia
• Zwiększone szanse przeżycia i lepsze rokowanie

Korzyści dla lekarzy i pacjentów to też zyski dla szpitali. Szpitale skorzystają między innymi na:

• Automatyzacji diagnostyki toksykologicznej
• Odciążeniu kadry medycznej
• Lepszej przepustowość oddziałów ratunkowych

Repozytoria

• - https://github.com/LarvixON-ZPI/larvixon-simulation - symulacja larw w Unity, umożliwiająca wczesną weryfikację modelu, kiedy dane jeszcze nie były dostępne
• - https://github.com/LarvixON-ZPI/larvixon-model - model ML, którego zadaniem jest identyfikacja substancji podanej larwom
• - https://github.com/LarvixON-ZPI/larvixon-backend - backend aplikacji, umożliwiający komunikację między interfejsem użytkownika a modelem
• - https://github.com/LarvixON-ZPI/larvixon-frontend - lekki i intuicyjny interfejs umożliwiający obsługę systemu
• - https://github.com/LarvixON-ZPI/larvixon-documentation - strona z dokumentacją
• - https://github.com/LarvixON-ZPI/larvixon-patients-service - serwis udostępniający syntetyczne dane pacjentów zgodne ze standardem FHIR