Komplex jelenségek megértése adatintenzív módszerekkel

Csabai István kezdetben csillagászati kutatásokban ért el komoly sikereket, de a közelmúltban számos tanulmányt jelentetett meg rákgenetikai elemzésekről és a mesterséges intelligencia szerepéről a tumordiagnosztikában. Mindemellett kiemelten fontosnak tartja a tehetséges kutatójelöltek képzését is.

Az elmúlt két évtizedben a tudomány szinte minden területét gyökeresen átalakította a technológiai robbanás. A nagykapacitású műszerek több diszciplínában is olyan méréseket, észleléseket tettek lehetővé, melyek jelentősen pontosították a világról alkotott képünket, és számos új alkalmazásnak teremtették meg az alapját. Csabai professzor akadémiai székfoglaló előadásában saját pályáján keresztül mutatta be az adatintenzív kutatási megközelítés kialakulását és fejlődését az elmúlt három évtizedben, valamint a felgyorsult számítógépes technológia és a "big data" nyújtotta lehetőségeket és kihívásokat.

Csabai István székfoglaló előadása (Fotó: MTA)

Csabai István kutatásait egy nagy égboltfelmérési projektben kezdte, amely az univerzum első, háromdimenziós térképét alkotta meg. Itt lehetősége volt az elsők közt megismerni a "big data" forradalom hatását. A sok adat kezelése új megközelítéseket igényel, egyebek mellett gépi tanulási módszerek használatát. A professzor és kutatótársai a Nature Astronomy folyóiratban közölt tanulmányukban egy mesterséges intelligenciától ellesett módszert mutatnak be, amely minden eddiginél jobban képes kozmológiai paramétereket becsülni gravitációs lencsézést ábrázoló térképekből.

„Sok-sok távoli galaxis megfigyelésével térképet készítettünk, amelyből nagyon sokat megtudhatunk az univerzum történetéről” – jegyzi meg a professzor. Bizonyos információkat azonban nehéz kinyerni ebből a térképből, az anyagsűrűségre vagy a korai sűrűségfluktuációk mértékére vonatkozóan, ezek hosszú és bonyolult fizikai folyamatokon keresztül befolyásolják a lencsézést ábrázoló térképeket.

A sötét anyag háromdimenziós eloszlásának egy részlete (Fotó: Hubble, COSMOS)

A gépi tanulás nem csak a csillagászati adatok elemzésekor hasznos. A rákos megbetegedések esetén kritikus a korai diagnózis, ezért Csabai István és doktorandusza, Ribli Dezső a deep learning egy speciális válfaját alkalmazta a diagnózis felállításhoz.

„Módszerünk a pontosság és megbízhatóság szempontjából összemérhető egy átlagos radiológus teljesítményével” – mondta a professzor. A kutatók remélik, hogy a kifejlesztett világszínvonalú rendszert sikerül bevezetni a magyar klinikai gyakorlatba is.

Csabai professzornak és kutatótársai mammográfiai szűréseket forradalmasító eljárást bemutató cikke a tavalyi év egyik legolvasottabbja lett, 17 ezer cikk közül a 30. legnépszerűbb. „A Nature Scientific Reports lapban bemutatott módszerünk képes arra, hogy megtalálja a rosszindulatú tumorok túlnyomó többségét úgy, hogy nagyon kevés téves jelölést tesz a képekre, amelyeket a radiológusok gyorsan ki tudnak szűrni” – teszi hozzá Csabai István.

A kutatók által alkalmazott mesterséges neuronhálózat-modell paramétereit saját maga, önállóan, kizárólag a kapott adatokból tanulja meg. Nagyon fontos viszont kellően nagy, jó minőségű tanító halmazon beállítani a rendszert, ehhez szoros együttműködést alakítottak ki hazai orvosokkal, és folyamatban van a módszer kiterjesztése más orvosi képfelvételek kiértékelésére is.

A mesterséges intelligencia szoftver által megtalált (bekeretezett) rákos daganatok röntgenfelvételeken (A kiértékelt képek forrása: Breast Research Group, INESC Porto, Portugal)

Csabai professzor hangsúlyozza, hogy az eredményekben nagy szerepük van a diákjainak, PhD-hallgatóinak. Kutatócsoportjába ezért évek óta igyekszik a legtehetségesebb kutatójelölteket bevonni, akik számos kimagasló sikert értek el. Egyikük Pataki Bálint Ármin, aki megnyerte a Dream Challenges nemzetközi gépi tanulási versenyt. A résztvevőknek állapotos nőktől vett vérmintákból származó génexpressziós adatok alapján kellett minél pontosabban meghatározniuk, hogy a kismama a terhesség hányadik hetében jár, illetve várhatók-e komplikációk.

A professzor két fizika mesterszakos hallgatója, Biricz András és Olar Alex ötletes megoldása és dizájnja a második helyet jelentette a Hack #LikeABosch fejlesztő versenyen, ahol olyan gépi látásra épülő platformot hoztak létre, amely egy kamerával felszerelt jármű mozgóképein beazonosítja az objektumokat, meghatározza, majd élő videón megjeleníti jellegüket, távolságukat.

További kimagasló eredmény, hogy Ribli Dezső, az ELTE TTK Komplex Rendszerek Fizikája Tanszék doktorandusza magyar tudomány kategóriában Junior Prima Díjat vehetett át tavaly decemberben. Csabai István témavezetésével folytatott PhD-munkája során a legmodernebb gépi tanulási algoritmusok tudományos hasznosításával foglalkozott, és interdiszciplináris orvos-biológiai és kozmológiai kutatásokban ért el nemzetközi visszhangot kiváltó eredményeket.

Csabai professzor diákjaival részt vesz rákgenetikai kutatásokban is. Az egyik, amerikai kutatókkal közös tanulmányukban azt vizsgálták, hogy a tumorsejtek bizonyos DNS-régiók megtöbbszörözésével miként képesek gyorsabb szaporodást elérni. A Cell folyóiratban publikált mechanizmus fontos szerepet játszik előrehaladott prosztatadaganatokban, illetve a gyógyszeres kezelésekkel szembeni ellenállképesség kialakulásában.

Az ELTE TTK Komplex Rendszerek Fizikája Tanszék egyetemi tanára elmondta: noha meggyőződése, hogy a tiszta alapkutatások a társadalom hosszú távú fejlődését alapozzák meg, mindig törekednek arra, hogy az alapkutatások mellett olyan eredményeket is létrehozzanak, amelyek már rövid távon is hasznosulnak a társadalom számára. A rákgenetikai és orvosi képdiagnosztikai kutatások mellett a közelmúltban indult részvételükkel egy európai támogatású nemzetközi program, melyben az újonnan felbukkanó járványok megelőzésére dolgoznak ki adatintenzív megközelítésű monitorozó rendszert.

Forrás: ELTE TTK
Borítókép: MTA