A mesterséges intelligencia jelentősége az endoszkópiában

Definíció szerint mesterséges intelligencia (artificial intelligence/AI) alapú szoftvernek nevezünk minden olyan számítógépes programot, amely alkalmassá teszi a számítógépet arra, hogy az emberi viselkedést vagy döntéshozatalt szimulálja. Gépi tanulásnak („machine learning”) nevezzük a mesterséges intelligenciát alkalmazó programok azon csoportját, amely statisztikai módszerek felhasználásával, valamint gyakorlással képes hatékonyan javítani az eredeti algoritmus tudását és pontosságát. Végül pedig, a mély tanító neurális hálózat (deep learning, multilayered neural network) a mesterséges intelligencián alapuló számítógépes algoritmusok azon csoportját alkotja, amely a többszintű neurális hálózatokat alkalmazva és az emberi agy működéséhez hasonlóan öntanuló programként működve, példák (felcímkézett adatok) által folyamatosan tanul és fejlődik. Az öntanító algoritmus jellemzője – az egyszerű gépi tanulással szemben, melynek precizitása egy határon túl nem növelhető – az, hogy pontossága a tanításhoz alkalmazott jelölt adatmennyiséggel arányosan folyamatosan növelhető, és ennek értéke ideális esetben közelíthető a száz százalékhoz. A neurális mély tanító hálózatok tehát olyan matematikai algoritmusok, amelyeket a biológiai ideghálózatokat mintázva terveztek meg mintafelismerési céllal. A neuronoknak megfelelően a számítási modellek is rétegekbe vannak szervezve, az egy rétegen belüli neuronok azonos feladatokat látnak el, így az emberi neurális percepcióhoz hasonlóan itt is vannak bemeneti, rejtett, illetve kimeneti neuronok/rétegek. A neuronok/rétegek közötti kapcsolatok súlyozzák a kimeneti értékeket. Ezen működési elvek teszik lehetővé, hogy a mélytanuló neurális hálózatok automatikusan azonosítsák a kép jellemzőit (feature extraction) és klasszifikációt hajtsanak végre emberi beavatkozás nélkül.

Mesterséges intelligencia az endoszkópiában

A vastagbélrák gyakori előfordulása és az ebből adódó magas mortalitás miatt kiemelten fontos jelentőségű a minél pontosabb diagnosztikus és szűrőmódszerek fejlesztése, amelyek a megelőzésben, a korai diagnózisban és a betegek hatékony kezelésében egyaránt segíthetnek. Az elmúlt néhány évben kifejlesztett mesterséges intelligencia (artificial intelligence = AI) alapú mély tanító neurális hálózati elven működő orvosi döntéstámogató számítógépes informatikai rendszerek robbanásszerű elterjedése jelentős segítséget nyújthat a közeljövőben a polipok detektálása és a szövettani jellemzők azonosítása terén is. Ez utóbbi azért fontos, mert miután a polipok felszínét speciális elektronikus kromoendoszkópos eljárással és esetleg optikai nagyítással precízen feltérképezik, szerkezetük hatékonyan elemezhető lesz az AI alapú program segítségével. Ezek a módszerek segíthetnek a nem neoplasztikus (hyperplasia), illetve a neoplasztikus (adenoma) polipok elkülönítésében, valamint a „vedd le és dobd el” stratégia hatékonyabb kivitelezésében (ezáltal elkerülhető lenne a hyperplasztikus polipok felesleges szövettani vizsgálata), amelyet a nemzetközi szakmai szervezetek csak tapasztalt (expert) endoszkópos orvosoknak ajánlanak.

Fotó: 123rf

Napjainkban a nemzetközi szakirodalomban is jelentős számú közlemény számol be arról, hogy a vastagbéltükrözést hogyan tudják támogatni a különböző AI rendszerek. Ezek alapján az AI alapú informatikai rendszerek alkalmazásával csökkenthető például az emberi hibából adódó tévedések, valamint az elnézett polipok száma (1). Ez akár különböző béltisztasági fok esetén is lehetséges (2), ami igen fontos minőségi szempont a vastagbéltükrözés során. Emellett fontos szerepet játszanak a polipelnézési arány csökkentésében, a polipdetektáció javításában és a felismerés pontosításában, a felismert polipok klasszifikációjában (3, 4), valamint a szövettani eredmény előzetes becslésében és a korai malignitás felismerésében is (5).

A programok szenzitivitása és specificitása

A Misawa és munkatársai által végzett vizsgálatban tapasztalt endoszkóposok jelölték be utólag, vastagbéltükrözésről készült videófelvételeken a polipokat tartalmazó képeket (6). Később ezeket a videókat és az orvosok által adott eredményeket (miszerint az adott kép tartalmaz polipot vagy sem) egy számítógépes algoritmus tanítására használták fel. A program tesztelése során azt kellett meghatározni egy 1−100%-ig terjedő skálán, hogy az aktuális képkockán mekkora a polip jelenlétének valószínűsége. Az eredményeik alapján a program 94%-ban találta meg a polipokat (47/50), és az álpozitív arány 60%-os volt (51/85). Az algoritmus segíthet az orvosok hiányzó endoszkópos tapasztalatának kiegészítésében, valamint a vastagbéltükrözés során a valós idejű döntéshozatal támogatásában. Számos, egyéb munkacsoportok által fejlesztett algoritmus is a polipok valós idejű, minél hatékonyabb detekcióját célozza. Az eredmények az AI programot felépítő algoritmus típusától függnek, különböző tanulmányokban 70%−100% közötti szenzitivitásról és specificitásról is beszámoltak a közelmúltban. A tanulmányokban használt számítógépes módszereken túl azonban az endoszkópos technikák is különbözőek voltak, így mindenképp további vizsgálatok lesznek szükségesek ezek összehasonlítására. Az eddigi eredmények mindenesetre ígéretesek. A vastagbélpolipok detektálását támogató, CE minősített és a piacon már elérhető informatikai rendszerek közül a Fujifilm CAD-EYE (7) és a Medtronic GI Genius elnevezésű programok képesek az adott endoszkópos processzorral összekapcsolva, valós időben, hangjelzés mellett, az endoszkópos monitor élő képén bekeretezni az általuk azonosított polipgyanús területeket, amelyeket az endoszkópos orvos ezután könnyedén azonosíthat és szükség szerint el is távolíthat. Ezen AI rendszereket úgy látták el paraméterekkel, hogy szenzitivitásuk kifejezetten magas, 95−99% közötti legyen. Ennek viszont relatíve alacsony, 50−70% körüli specificitásuk az ára, azaz a fejlesztés jelenlegi stádiumában még relatíve sok a téves riasztás, cserében viszont a programot használó endoszkópos szakember minden látható polipot azonosítani tud.

Szövettani eredmények előrejelzése

Az endoszkópos ellátás, illetve az egyéb kezelési formák mielőbbi meghatározása szempontjából igen hatékony módszer lehet az eltávolításra kerülő polipból származó majdani szövettani eredmény előrejelzése. A saját munkacsoportunk által kifejlesztett PolypBrain alapja egy olyan, szövettanilag azonosított Fujifilm BLI (Blue Light Imaging, a hemoglobin abszorpciós csúcsán megvilágított) elektronikus kromoendoszkópos, ötvenszeres optikai nagyítással készített állóképekből álló, több mint 2000 polipot és 20 000 állóképet tartalmazó adatbázison tanított AI alapú számítógépes algoritmus, amely nagy pontossággal képes elkülöníteni hiperplasztikus és adenomatózus szövettani típusokat. A Fujifilm CAD-EYE rendszere (1. ábra), valamint a saját munkacsoportunk által fejlesztett PolypBrain (2. ábra) arra is képes, hogy a polip felszínét elemezve analizálja és klasszifikálja a polip típusát, azaz nagy biztonsággal különítse el a neoplasztikus (adenoma) és nem neoplasztikus (hyperplasia) szövettani jellemzőjű polipokat, és ezáltal megjósolja a polipectomiát követő szövettani eredményt (8, 9). A rendelkezésre álló adatok alapján mindkét algoritmus pontossága 90−95% feletti, szemben az expert fokozattal rendelkező endoszkópos szakorvosok 85−92%-os átlagos maximális teljesítményével (10). Ennek azért van kiemelkedő jelentősége, mivel az 5−10 mm alatti kis hiperplasztikus polipokat a nemzetközi irányelvekben rögzített „resect and discard” (vágd le és dobd el) stratégia alapján nem kellene feltétlenül szövettani vizsgálatnak is alávetni (amennyiben biztosított a 90% feletti pontosság), így a szűrő kolonoszkópia költségei jelentősen csökkenthetők lennének.

1. ábra A Fujifilm mesterséges intelligencia alapú polipdetektáló és polipanalizáló rendszere. A bal oldalon a négyzetek egy lapos colon polip helyzetét jelölik, míg a jobb oldalon a sárga színnel jelzett terület neoplasztikus jellegre (adenoma) utal

2. ábra A munkacsoportunk által 2018-ban kifejlesztett mesterséges intelligencia alapú polipanalizáló informatikai rendszer (PolypBrain). A bal oldalon a kék négyzetek egy nem neoplasztikus (szövettanilag hyperplasia) polipot jelölnek, míg a jobb oldalon piros színnel jelezve egy neoplasztikus jellegű polip (szövettanilag villosus adenoma LGD) látható. A program a diagnózis mellett annak százalékos valószínűségét is megadja.

Következtetések

Összességében tehát az öntanító mesterséges intelligencia alapú, orvosi döntéshozatalt támogató rendszereknek az endoszkópia – és különösen a kolonoszkópia – területén történő alkalmazásával jelentősen javítható a vizsgálat diagnosztikus és terápiás összértéke, és segítségükkel minimalizálhatók az endoszkópiát végző orvosok közötti (szaktudásból és tapasztalatból adódó) különbségek, valamint csökkenthető a magasan képzett szakemberek hiányának hatása az egészségügyben.

IRODALOM:

1. Hassan C, Eelbode T, Bisschops R. Equivalence between low adenoma detection and high miss rates: Is AI the ultimate response? Endosc Int Open. 2019 Nov; 7(11):E1355–E1356. doi: 10.1055/a-0900-3935.
2. Becq A, Chandnani M, Bharadwaj S, Baran B, Ernest-Suarez K, Gabr M, Glissen-Brown J, Sawhney M, Pleskow DK, Berzin TM. Effectiveness of a Deep-learning Polyp Detection System in Prospectively Collected Colonoscopy Videos With Variable Bowel Preparation Quality. J Clin Gastroenterol. 2019 Nov 26. doi: 10.1097/MCG.0000000000001272.
3. Mori Y, Kudo SE, Misawa M, Saito Y, Ikematsu H, Hotta K, Ohtsuka K, Urushibara F, Kataoka S, Ogawa Y, Maeda Y, Takeda K, Nakamura H, Ichimasa K, Kudo T, Hayashi T, Wakamura K, Ishida F, Inoue H, Itoh H, Oda M, Mori K. Real-time use of artificial intelligence in identification of diminutive polyps during colonoscopy: a prospective study. Ann Intern Med 2018;169:357−366. doi: 10.7326/M18-0249.
4. Misawa M, Kudo S, Mori Y, Cho T, Kataoka S, Yamauchi A, Ogawa Y, Maeda Y, Takeda K, Ichimasa K, Nakamura H, Yagawa Y, Toyoshima N, Ogata N, Kudo T, Hisayuki T, Hayashi T, Wakamura K, Baba T, Ishida F, Itoh H, Roth H, Oda M, Mori K. Artificial intelligence-assisted polyp detection for colonoscopy: initial experience gastroenterology 2018;154:2027−2029.e3. doi: 10.1053/j.gastro.2018.04.003.
5. Mori Y, Kudo SE, Chiu PWY, Singh R, Misawa M, Wakamura K, Kudo T, Hayashi T, Katagiri A, Miyachi H, Ishida F, Maeda Y, Inoue H, Nimura Y, Oda M, Mori K. Impact of an automated system for endocytoscopic diagnosis of small colorectal lesions: an international web-based study. Endoscopy 2016;48:1110−1118. doi: 10.1055/s-0042-113609.
6. Misawa M, Kudo SE, Mori Y, Nakamura H, Kataoka S, Maeda Y, Kudo T, Hayashi T, Wakamura K, Miyachi H, Katagiri A, Baba T, Ishida F, Inoue H, Nimura Y, Mori K. Characterization of colorectal lesions using a computer-aided diagnostic system for narrow-band imaging endocytoscopy. Gastroenterology 2016;150:1531−1532.e3. doi: 10.1053/j.gastro.2016.04.004.
7. Urban G, Tripathi P, Alkayali T, et al. Deep learning localizes and identifies polyps in real time with 96% accuracy in screening colonoscopy. Gastroenterology 2018;155:1069−1078.
8. Guizard N, Hamidi Ghalehjegh S, Henkel M, et al. Artificial intelligence for real-time multiple polyp detection with identification, tracking, and optical biopsy during colonoscopy. Gastroenterology 2019;156.6:S-48–S-49.
9. Madácsy L, Szalai M, Finta Á, Zsobrák K, Oczella L, Hritz I, Lovász BD, Dubravcsik Z. Comparison of the precision of optical differentiation betweem neoplastic and non-neoplastic subcentrimetric polyp histology by endoscopic experts and artificial intelligence deep learning neural network (PolypBrain) Endoscopy 2020;52(S 01):S50.
10. Szalai M, Zsobrák K, Lovász BD, Oczella L, Dubravcsik Z, Madácsy L. Application of deep learning neural network for histological prediction of colon polyp images with BLI zoom technology. Endoscopy 2019;51(04):S5