Etap I projektu koncentrował się na zbudowaniu fundamentów technologicznych i merytorycznych dla całego rozwiązania. W tym okresie przeprowadzono analizę istniejących metod komputerowej interpretacji obrazów RTG, dokonano przeglądu dostępnych publikacji i rozwiązań z obszaru uczenia maszynowego, a także zidentyfikowano schorzenia i zmiany chorobowe, które mogą stanowić przedmiot skutecznej automatycznej analizy.
Istotnym rezultatem pierwszego etapu było pozyskanie i przygotowanie zbiorów danych obrazowych pochodzących z publicznie dostępnych źródeł oraz ich weryfikacja przy wsparciu ekspertów. Umożliwiło to rozpoczęcie prac nad modelami sztucznej inteligencji wykrywającymi wybrane schorzenia widoczne na zdjęciach RTG klatki piersiowej oraz nad sposobem łączenia wyników z kilku modeli w jeden bardziej użyteczny wynik końcowy.
Równolegle opracowano wzorcowy model opisu obrazu RTG, uwzględniający charakterystyczne cechy wybranych patologii oraz strukturę opisu zgodną z praktyką radiologiczną. Był to jeden z kluczowych efektów etapu I, ponieważ projekt od początku zakładał nie tylko identyfikację zmian na obrazie, ale również przygotowanie podstaw do generowania opisów, które mogą być zrozumiałe i użyteczne dla lekarza.
W pierwszym etapie powstała również wstępna architektura systemu, integrująca różne modele AI oraz mechanizm przeliczania ich wyników. Testy prowadzone w trakcie prac wykazały stopniowy wzrost skuteczności detekcji — od poziomów około 50% w początkowych iteracjach do wyników przekraczających 75%, a miejscami dochodzących do ponad 79%. Oznacza to, że już na etapie budowy podstaw rozwiązania udało się osiągnąć parametry potwierdzające zasadność dalszego rozwoju technologii.
Rezultatem etapu I było więc nie tylko opracowanie koncepcji i zebranie wiedzy, lecz także stworzenie działającej podstawy systemu: zestawu modeli, wstępnych mechanizmów analizy i klasyfikacji oraz wzorcowego modelu opisu. To właśnie ten etap zbudował fundament pod dalsze prace nad prototypem o wyższym poziomie gotowości technologicznej.