Magyarok írták a Nature egyik legolvasottabb közleményét
Az Eötvös Loránd Tudományegyetem (ELTE) Komplex Rendszerek Fizikája Tanszék kutatóinak közleménye a Nature Scientific Reports lapban megjelent 17 ezer cikk közül került a legjobbak közé: a mammográfiai szűréseket forradalmasító eljárást bemutató cikk a múlt év 30. legolvasottabbja lett.
A tudományos közlemény egy innovatív eljárás, az úgynevezett deep-learning (mélytanuló) rendszer alkalmazását mutatja be a mammográfiai diagnosztikában. Az amerikai Nemzeti Rákkutató Intézet és Joe Biden volt alelnök által indított Cancer Moonshot kezdeményezés keretében szervezett The Digital Mammography DREAM Challenge nemzetközi felhívásban a résztvevők mammográfiai felvételek minél jobb diagnosztikai kiértékelésére vállalkoztak: Ribli Dezső több mint 1200 kutató közül második helyezést ért el. A módszer leírása szabad hozzáférésű tudományos publikációként jelent meg a Nature Scientific Reports hasábjain.
A hazai kutatók által kifejlesztett szoftver képes arra, hogy megtalálja a rosszindulatú tumorok 90 százalékát úgy, hogy 10 képre átlagosan csak 3 darab téves jelölést rak. Ez az eredmény óriási jelentőségű lehet a klinikai gyakorlatban, a minél korábbi és pontosabb diagnózis érdekében.
Az emlődaganat gyógyításában és korai diagnózisában kulcsszerepet játszott az 1970-es évek elején a mammográfia megjelenése, amely az egyik legnehezebb és legnagyobb kihívást felvonultató szakág, így a gépi segítség és asszisztálás kérdésköre már korábban is felmerült a szektorban. A szakemberek az 1980-as évek első felétől használnak komputer-asszisztált diagnózisokat (CAD), azonban a mesterséges intelligencia megjelenése új távlatokat nyújtott a diagnosztikában. A cikk szerint az elmúlt 5 évben valódi forradalom zajlott le a számítógépes képfelismerésben, számos esetben a mesterséges intelligencia vívmányait is használják a kutatók. A hagyományos módszerek hibaarányát egy nagyságrenddel csökkentették a mély mesterséges neurális hálózatokon alapuló deep learning rendszerek. Ezek a programok a hétköznapi képeken lévő tárgyak, élőlények felismerésében az emberi teljesítményhez hasonló pontossággal működnek, de nagyságrendekkel gyorsabbak és fáradhatatlanok.
A diagnosztikában a hagyományos képelemző szoftverekben a képet aprólékosan megtervezett, kézzel készített jellemzőkkel próbálták leírni (például elváltozások alakja, mérete), majd egyszerűbb klasszifikációs módszereket alkalmaztak a kinyert jellemzőkön. A deep learning ezzel szemben a nyersképeket sok egymás utáni szűrősorozattal dolgozza fel, a szűrők paramétereit pedig önállóan, kizárólag az adatokból tanulja.
"Az ELTE-s kutatók által kidolgozott képelemző neurális hálózat működését a legegyszerűbben úgy képzelhetjük el, mintha lenne egy nagyon gyors és nagyon szorgalmas asszisztensünk, aki papírlapokba több, különböző méretű és alakú lyukat vágott. Ezeket a lapokat egymás után ráfektetve a mammogramra, csak a lyukon át látható tartományra koncentrálva, minden részletet megvizsgál, amikor végighúzza a lapot a kép minden pontja felett. Azokat a tartományokat, amelyek olyan képi objektumokat tartalmaztak olyan arányban, mint amilyeneket rosszindulatú daganat esetén már korábban látott a tanítóhalmazokban, megcímkézi egy gyanússági pontértékkel. Az így nyert leggyanúsabb képrészletek helyét ezután bejelöli az eredeti képen egy-egy téglalappal. Az alkalmazás során csak a rosszindulatú tumorok jelöléseit mutatja" - olvasható a cikkben.
Amennyiben a módszer a számos soron következő tesztelés során is bizonyít, úgy megoldhatóvá válhat a mammográfiai szűrés olyan kórházakban, ahol a szakemberek jelentősen túl vannak terhelve, és az intézmény erőforráshiánnyal küzd.
A Detecting and classifying lesions in mammograms with Deep Learning címmel megjelent publikációt Ribli Dezső Phd-hallgató (Komplex Rendszerek Fizikája Tanszék), Csabai István egyetemi tanár (Komplex Rendszerek Fizikája Tanszék) és Pollner Péter, az MTA-ELTE Biológiai Fizika Kutatócsoport tudományos főmunkatársa mellett a Semmelweis Egyetem kutatói – Horváth Anna és Unger Zsuzsa – jegyzik.
