Cystická fibróza (CF) je závažné dedičné multiorgánové ochorenie, ktorého progresia sa okrem iného prejavuje aj špecifickými štrukturálnymi zmenami v pľúcnom tkanive. Cieľom tohto projektu je vývoj a implementácia pokročilého asistenčného systému, ktorý využíva metódy strojového učenia na automatizovanú detekciu a sledovanie vývoja patologických zmien v CT obrazových dátach u pacientov s CF. V rámci realizácie projektu bola úspešne vyvinutá anotačná aplikácia na zber dát potrebných na trénovanie modelu a k nej komplementárna aplikácia pre rádiológov na vyhodnocovanie rozsahu postihnutia pľúc a progresie CF. Do tohto rozhrania bol integrovaný modul umelej inteligencie (AI) slúžiaci na predbežnú analýzu. Lekár tak má možnosť vykonať hodnotenie kompletne manuálne, alebo využije AI modul na prvotnú detekciu s možnosťou následnej manuálnej korekcie zistených zmien. Systém je zameraný na detekciu kľúčových klinických nálezov a štruktúr, medzi ktoré patria: atelektáza, bronchiektázia (patologické rozšírenie priedušiek), hlienové zátky (obštrukcie v dýchacích cestách) a zhrubnutie stien bronchov. Ostatné patológie nie sú v tomto systéme hodnotené a na účely tejto analýzy sa klasifikujú ako zdravé tkanivo. Systém, založený na princípe skórovacieho systému PRAGMA-CF, zároveň zohľadňuje hierarchiu závažnosti jednotlivých patológií.

Cystic fibrosis (CF) is a severe hereditary multiorgan disease whose progression also manifests as specific structural changes in lung tissue. The aim of this project is to develop and implement an advanced assistive software tool that utilizes machine learning methods for the automated detection and monitoring of pathological changes in the CT imaging data of CF patients. During the project’s realization, an annotation application for collecting and labeling the data necessary for model training was successfully developed, alongside a complementary application for radiologists to evaluate pathological changes in lungs and CF progression. An artificial intelligence (AI) module designed for preliminary analysis was integrated into this interface. This provides physicians with the flexibility to perform evaluations entirely manually or to utilize the AI module for initial detection, allowing for subsequent manual correction of the identified changes. The system focuses on detecting key clinical findings and structures, including atelectasis, bronchiectasis (pathological widening of the bronchi), mucus plugging (airway obstruction), and bronchial wall thickening. Other pathologies are not evaluated in this system and are classified as healthy tissue for the purposes of this analysis. Additionally, the system, based on the PRAGMA-CF scoring system, accounts for the hierarchy of severity of individual pathologies.