Moimi głównymi obszarami pracy naukowej jest przetwarzanie obrazów medycznych oraz obrazowanie nowotworów. W analizie obrazów medycznych moja praca dotyczy zastosowania sztucznej inteligencji w klasyfikacji i segmentacji obrazów, wizualizacji 3D, druku 3D w diagnostyce oraz planowaniu leczenia chirurgicznego nowotworów, przede wszystkim raka piersi i wątroby.

Sztuczna inteligencja w obrazowaniu raka piersi

Od roku 2020 zajmuję się zastosowaniem sztucznej inteligencji w obrazowaniu raka piersi. W grupie naukowej pracowałem ze wszystkimi standardowymi modalnościami obrazowania piersi (mammografia, tomosynteza, ultrasonografia, rezonans magnetyczny). Prowadziłem projekt klasyfikacji raka piersi w badaniach MRI z zastosowaniem konwolucyjnych sieci neuronowych. Wyniki tego projektu po raz pierwszy zostały opublikowane jako pre-print na serwisie medRxiv w lutym 2022.

Wraz z innymi członkami grupy naukowej z NYU wygraliśmy Digital Breast Tomosynthesis Lesion Detection Challenge (międzynarodowy konkurs detekcji raka piersi w badaniach tomosyntezy), organizowany przez stowarzyszenia naukowe SPIE, AAPM oraz Narodowy Instytut Raka USA (NCI) a także Duke University. Praca podsumowująca nasze wyniki ukazała się w Nature Machine Intelligence. Na stronie NYU znajduje się dokładniejszy opis konkursu (jęz. ang.). Opublikowaliśmy także krótki film omawiający zwycięskie rozwiązanie (jęz. ang.), przedstawione przez lidera projektu, Jungkyu Park.

Moja praca dotyczy wdrażania wyników badań do praktyki klinicznej, opracowywania wyników pod względem istotności statystycznej versus istotności klinicznej, integracji z systemami klinicznymi, przepływem pracy klinicznej, oddziaływaniem na społeczeństwo. Blisko współpracuję z radiologami - ekspertami w obrazowaniu piersi - w tym z prof. Lindą Moy, Laurą Heacock i Beatriu Reig.

Zarządzałem zbiorami danych zawierającymi ponad milion badań piersi oraz danymi klinicznymi do opracowywania systemów sztucznej inteligencji.

W sierpniu 2021 opublikowaliśmy meta-repozytorium, które łączy międzynarodowe zbiory danych mammograficznych z modelami sztucznej inteligencji do detekcji raka piersi. Kod jest dostępny publicznie na platformie GitHub.

Druk 3D w chirurgii wątroby

W trakcie studiów oraz doktoratu pracowałem z zespołem chirurgów w Szpitalu Uniwersyteckim w Krakowie, gdzie opracowałem metodę druku 3D modeli anatomicznych wątroby. Modele 3D były zastosowane przez chirurgów do planowania zabiegów laparoskopowych resekcji raka wątroby. Metoda jest nadal najtańszym na świecie sposobem druku 3D pełnowymiarowych modeli anatomicznych wątroby i została zastosowana przez naukowców w różnych krajach. Moje badania potwierdziły dokładność tej metody, a następnie pilotażowe badanie prospektywne pokazało, że u co czwartego pacjenta zastosowanie modeli 3D wątroby pozwala na dokładniejsze zaplanowanie zabiegów chirurgicznych.

Moja metoda druku 3D modeli wątroby była opisywana w wielu polskich i zagranicznych mediach:

Edukacja

Regularnie przygotowuję ogólnodostępne materiały edukacyjne, między innymi kurs oprogramowania 3D Slicer na platformie YouTube [3D Slicer to oprogramowanie open-source służące do przetwarzania obrazów medycznych]. Materiały te zostały obejrzane ponad 50,000 razy. Wyszkoliłem kilkadziesiąt osób z całego świata do korzystania z oprogramowania 3D Slicer, w szczególności do segmentacji struktur anatomicznych. Często występuję jako prelegent, prowadzę wykłady, warsztaty, sesje konferencyjne dotyczące obrazowania medycznego, nowych technologii w medycynie itp. Podczas mojego stażu podoktorskiego nadzorowałem pracę trzech magistrantów kierunków informatycznych Uniwersytetu Harvarda i New York University.