Mesterséges intelligenciával a pontosabb rákdiagnosztikáért
Az amerikai Nemzeti Rákkutató Intézet és Joe Biden volt alelnök által indított Cancer Moonshot kezdeményezés keretében szervezett The Digital Mammography DREAM Challenges nemzetközi felhívásban röntgenfelvételeket tettek közzé a résztvevők számára. A képek egy részéhez megadták a diagnosztikai eredményeket is, ezek segítségével lehetett kalibrálni, tanítani a modelleket. A versenyzők programjait a képek egy másik halmazán tesztelték, melyeknél csak a szervezők ismerték a diagnózist.
Ribli Dezső a Komplex Rendszerek Fizikája Tanszéken, Csabai István professzor témavezetésével végzi PhD-tanulmányait, melynek témája gépi tanulási módszerek fejlesztése és alkalmazása tudományos adatelemzési problémákban.
A fiatal magyar kutató a deep learning módszerek speciális válfaját alkalmazta.
Ez a módszer más területeken már bizonyította az eredményességét, például az önvezető autóknál vagy internetes képek címkézésénél. Ribli Dezső a több hónapos, több lépcsős versenyen a világ szinte minden tájáról indult mintegy 1226 versenyző közül 2. helyezést ért el az általa kidolgozott módszerrel.
A rákos megbetegedések esetén kritikus a korai diagnózis, ezért a fejlett országok nagy része szervez szűrőprogramokat. A mammográfiás szűrővizsgálat során két irányból készítenek nagyfelbontású röntgenfelvételeket mindkét mellről. A képeket egy vagy több tapasztalt radiológus értékeli ki, és a gyanús eseteket további vizsgálatokra rendelik vissza. A statisztikák szerint a szűrőprogramok során emelik ki az emlőrákos esetek majdnem 70%-át, tapinthatónál kisebb tumorok is felfedezésre kerülhetnek, és így 18–30%-kal csökkenthetik a halálozást is.
A felvételek kiértékelése hosszadalmas, monoton, fárasztó, ilyen körülmények között az emberek hajlamosak néha-néha hibázni. Különböző szakirodalmi adatok szerint a rákos esetek 70–90%-át sikerül általában kiszűrni. A tévesen tünetmentesnek ítélt betegek esetében utólagosan ismételt diagnózis szerint kétharmadánál látható lett volna a daganat. A radiológusok munkájának segítésére régóta fejlesztenek számítógépes diagnosztikai segédeszközöket, de ezek pontossága meg sem közelítette az emberét, és meglepő módon egyes publikációk szerint a használatuk nem is javította kimutathatóan a radiológusok pontosságát.
Az elmúlt években a mesterséges neuronhálózatokon alapuló technológiák forradalmasították a gépi képfelismerést.
Ezek a programok a hétköznapi képeken lévő tárgyak, élőlények felismerésében az emberi teljesítményhez hasonló pontossággal működnek, de nagyságrendekkel gyorsabbak és fáradhatatlanok. Várható, hogy ezek a módszerek az orvosi képalkotó diagnosztikában is sikeresen alkalmazhatóak lesznek.
A mesterséges intelligencia szoftver által helyesen megtalált és bekeretezett rákos daganatok röntgenfelvételeken (A kiértékelt képek forrása: Breast Research Group, INESC Porto, Portugal)
Bár a versenyben csak azt a feladatot tűzték ki, hogy osztályozzák az egyes képeket rákos/nemrákos kategóriákba, a magyar versenyző megoldása ezen felül pontosan lokalizálta is a daganatokat. Ez a gyakorlati hasznosításához elengedhetetlen, ugyanis a gépi módszereknek az a célja, hogy felhívják az orvosok figyelmét a gyanús területekre.
A Semmelweis Egyetem III.sz. Belgyógyászati Klinika és a Radiológiai Klinika szakmai támogatásával kifejlesztett módszer pontosság és megbízhatóság szempontjából összemérhető egy átlagos radiológus teljesítményével. A verseny folytatásaként a kiemelt helyezést elért versenyzők, köztük Ribli Dezső, nemzetközi fejlesztésben vesznek részt, melyből egy még jobb képességű szoftver készül. A kutatók remélik, hogy a kifejlesztett világszínvonalú rendszert sikerül bevezetni a magyar klinikai gyakorlatba is.
"Úgy gondolom, hogy a Deep Learning nagy jövő előtt áll az orvosi képalkotó diagnosztikai elemzésekben" – mondta el a verseny honlapján megjelent rövid interjúban Ribli Dezső. "A kihívásban elérhetővé tett nagyméretű szűrési adathalmaz kitűnő lehetőséget adott a modellem tesztelésére és finomhangolására. Ezen kívül remek alkalmat biztosított arra, hogy egyenlő küzdelemben mérjem össze a módszeremet másokéval. Arra számítok, hogy a verseny jó eredményei felhívják a figyelmet a Deep Learning lehetőségeire a mammogramok kiértékelésében. Végezetül remélem, hogy az itt megkezdett munka bekerül a klinikai gyakorlatba és segít majd életeket menteni.”