Mesterséges intelligenciával a pontosabb rákdiagnosztikáért

A versenyben részt vevő több mint 1200 kutató közül Ribli Dezső, az ELTE TTK Komplex Rendszerek Fizikája Tanszék doktorandusza második helyezést ért el. A Deep Learning eljáráson alapuló módszer pontossága összemérhető az emberi teljesítménnyel.

Az amerikai Nemzeti Rákkutató Intézet és Joe Biden volt alelnök által indított Cancer Moonshot kezdeményezés keretében szervezett The Digital Mammography DREAM Challenge 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 az ELTE TTK 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 az úgynevezett Deep Learning módszerek egyik speciális válfaját alkalmazta.

Ez a módszer más területeken már bizonyította az eredményességét, például az önvezető autóknál vagy internetes képek címkézésénél. 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 statisztikák szerint itt emelik ki az emlőrákos esetek majdnem 70%-át. Így a tapinthatónál kisebb tumorokat is felfedezik, ezért 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.

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 lenne a célja, hogy felhívja az orvosok figyelmét a gyanús területekre.

A Semmelweis Egyetem III. számú 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, egy nemzetközi fejlesztésben vesznek részt, amiből egy még jobb képességű szoftver készül. A kutatók remélik, hogy a kifejlesztett világszínvonalú rendszert sikerül bevezetni a magyar klinikai gyakorlatba is.

A verseny honlapján megjelent rövid interjúban Ribli Dezső elmondta: „úgy gondolom, hogy a Deep Learning nagy jövő előtt áll az orvosi képalkotó diagnosztikai elemzésekben. 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.”