hirdetés
2021. május. 07., péntek - Gizella.

Mia forradalmasíthatja a mellrákszűrést

Nagy-Britanniában hamarosan bevezetik a Kheiron Medical mélytanuláson alapuló mammográfiai szoftverét, a Miát. A cég alapító-vezérigazgatója, Kecskeméthy Péter a VálaszOnline-nak beszélt díjnyertes fejlesztésükről.

hirdetés

– A mesterséges intelligenciával kapcsolatban gyakori narratíva, hogy elveszi az emberek munkáját – itt azonban épp az a kihívás, hogy lasszóval kell fogni a szakorvosokat.

– Hatalmas hiány van radiológusból. Egy-két kivétellel még a leggazdagabb, legfejlettebb országokban is 20-30 százalékos szakember-hiány a jellemző, de most, hogy a COVID miatt feltorlódtak a vizsgálatok, ez arányaiban már inkább 50 százalék. Az emlőszűrés területén, ahol mi dolgozunk, pedig még nagyobb. Itt ugyanis akkora a tét, és olyan nehéz felismerni az elváltozást, hogy kötelező a kettős leolvasás, vagyis minden felvételt egymástól függetlenül két orvosnak kell megnéznie, ha pedig ők nem értenek egyet, egy harmadiknak is. És mivel az emlőszűrésben ideális esetben az adott korcsoportban szinte minden nő részt vesz, a szűrési volumen is hatalmas. Egy orvosnak szűrési műszak esetén óránként 100-300 képet kell megnéznie, aminek körülbelül 1 százaléka pozitív. Ez nemcsak repetitív munka, de stresszes is, hiszen ott a kisördög, hogy mi van, ha akár egy pozitív fölött is átsiklott.

– Itt jönnek a képbe önök?

– A mi rendszerünk, a Mia abban tud segíteni, hogy a képeket csak egy radiológusnak kell megnéznie, a másik leolvasó pedig a Mia. Így is két „szempár” lát minden felvételt, de abból csak az egyik emberi, a másik mesterséges intelligencia, amely olyan dolgokat, elváltozásokat is meglát, amit az emberi agy és szem nem képes észrevenni. Ám a folyamat során mindvégig az orvos kezében van a döntés. Az MI olyan neki, mint a könyvelőnek a számítógép. Nem váltja ki, de automatizálja a munka egy részét. Az orvosnak több ideje jut a betegre, bár ez inkább csak távlati cél, a realitás egyelőre az, hogy nagyon leterhelt helyett csak kicsit leterhelt lesz. Mert bár elvben szép a kettős leolvasás, sok helyen egyszerűen nincs hozzá elég orvos. Máshol pedig csak úgy van, hogy kettőről mondjuk három évre nő a szűrési ciklus hossza.

– „Csak” az emlőszűrésben ez a helyzet, vagy általában a radiológiában?

– A legsúlyosabb helyzet az emlőszűrésben van, éppen a kötelező kettős leolvasási protokoll miatt, de azért máshol is is van pár terület, ahol nagy a szűrési volumen és/vagy repetitív a feladat. Ilyen a muszkoszkeletális röntgen, de CT/MR-ben gyakran egy betegnél 2000-3500 képet kell megnézni. Mindegyikre fél másodperce van az orvosnak, és úgy kell felelős véleményt mondania. Van tehát mit csinálni.

– A mesterséges intelligenciát, pontosabban a mélytanulást mintha arra találták volna ki, hogy ebben segítsen. Hogyan működik ez pontosan?

– A gépi tanulás lényege, hogy adatok sokaságán – esetünkben orvosi képek és a hozzájuk tartozó diagnózisok millióin – keresztül egy szoftver megtanul egyre tökéletesebb döntéseket hozni, vizuális anomáliákat felismerni. A mélytanulás ennek egy formája, amely 2013-ban jutott el arra a szintre, hogy bizonyos feladatokat képes volt jobban elvégezni, mint az emberek. A mélytanulási algoritmusok neurális hálókon alapulnak, amelyek az élő idegsejteket utánozzák. De a sok absztrakció és matematikai modellezés miatt valójában kevés közük van ahhoz, ahogy az emberi agy működik. Az embernek van stratégiai érzéke, de nem túl pontos és nem tud egész nap ugyanúgy koncentrálni. A gép igen, és irtó precíz, de nem tud nagyobb összefüggéseket észrevenni. Olyan, mint egy számológép – egy igen erős, vizuális számológép.

A mélytanulásnak van egy óriási előnye. A korábbi módszereknél nekünk, embereknek kellett beprogramozni, hogy a gép milyen információt keressen egy adathalmazban. Ez a módszer már arra képes, hogy magától megtalálja, mely adatoknak lehet információértéke. A radiológiában ez azt jelent, hogy akár olyasmit is észrevesz, amit mi emberek nem is sejtettük, hogy keresni kellene. Nem veszik kárba sok hasznos információ a leletekből, ami különben a semmibe hullana.

– Hol tart most mindennek a gyakorlatba való átültetése?

– Az első modelleket 1–3 hónap alatt létre lehet hozni, ha éjjel-nappal ezen dolgozik az ember. Utána viszont 1–3 évig kell fejleszteni – vagyis betanítani a modelleket jó minőségű klinikai és képanyagokon –, hogy olyan állapotba kerüljön, amikor már hasznosnak tűnhet. Viszont ekkor még nem szabad élesben bevetni. Ki kell próbálni a klinikumban, hogy tényleg működik-e. Itt tartunk most. Nemrég ért véget Nagy-Britanniában a rendszerünk második klinikai tesztje, több mint 250 ezer – természetesen anonim – eset feldolgozásával a brit egészségügyi szolgálattal, az NHS-szel, a neves MI-kutatóközponttal, az Alan Turing Intézettel és több más szakmai szervezettel partnerségben

– Mi lett az eredmény?

– Ugyanannyi rákot tudunk megtalálni a szoftverrel, mint anélkül, viszont kevesebb orvosi munkaórával, és sokkal kevesebb beteget kell visszahívni további vizsgálatokra. Ezek előzetes eredmények, a véglegeset heteken belül publikálja a tőlünk független statisztikai partnerszervezet, ami a klinikai tesztelést értékeli.

A teljes interjút a VálaszOnline közli.

(forrás: VálaszOnline)
hirdetés
Olvasói vélemény: 0,0 / 10
Értékelés:
A cikk értékeléséhez, kérjük először jelentkezzen be!
hirdetés