Öntanuló programok a gyógyítás szolgálatában

Mesterséges intelligencia (artificial intelligence/AI) alapúnak tekinthető minden olyan számítógépes program, amely alkalmassá teszi a számítógépet arra, hogy az orvosi diagnosztikus vagy terápiás döntéshozatalt hatékonyan szimulálja. Gépi tanulásnak („machine learning”) nevezzük a mesterséges intelligencián belül a programok azon csoportját, amelyek statisztikai módszerek és előre definiált mintázatok felhasználásával képesek hatékonyan javítani az eredeti algoritmus pontosságát. Végül pedig, mély tanító neurális hálózat (deep learning, multilayered neural network) a mesterséges intelligencián alapuló számítógépes algoritmusok közül az a legfejlettebb verzió, amely többszintű neurális hálózatokat alkalmaz, és ezáltal az emberi agy működéséhez hasonlóan öntanuló programként működik, tehát a gyakorlatban előforduló példákból (felcímkézett adatokból) folyamatosan tanul és fejlődik (1. ábra) (1).

1. ábra. A bemeneti adatállományok és a mesterséges intelligencia alapú szakértői programok típusai

Az öntanító algoritmus jellemzője – az egyszerű gépi tanulással szemben, amelynek pontossága egy bizonyos határon túl nem növelhető – az, hogy hatékonysága és pontossága a tanításhoz felhasznált jelölt adatmennyiséggel arányosan folyamatosan növelhető. A neurális mély tanító hálózatok tehát olyan matematikai algoritmusok, amelyeket a biológiai ideghálózatokról mintázva terveztek meg mintafelismerési céllal. A neuronoknak megfelelően az algoritmusban lévő számítási modellek is rétegekbe szerveződnek, így az emberi neurális percepcióhoz hasonlóan itt is vannak bemeneti, rejtett és kimeneti neuronok/rétegek. A neuronok/rétegek közötti kapcsolatok folyamatosan súlyozzák a kimeneti értékeket. Ezen működési elvek lehetővé teszik, hogy a mélytanuló neurális hálózatok képesek automatikusan azonosítani a képek vagy a biológiai folyamatok jellemzőit (feature extraction) és a hagyományos gépi tanulással ellentétben emberi beavatkozás nélkül klasszifikációt hajtanak végre.

Ahhoz, hogy az adott orvosi probléma a mélytanuló neurális hálózattal megoldhatóvá váljon, minden esetben szükség van az algoritmus jelölt adatokon (train set) történő, megfelelő mélységű tanítására, amelynek során a jellegzetes diagnosztikus információkat tartalmazó adatokat vagy képeket megmutatjuk az algoritmusnak, majd a program lefuttatása után közöljük vele a helyes eredményt vagy döntést is, ezáltal lehetőséget biztosítva arra, hogy a hibáit visszafelé terjesztve (backpropagation) az algoritmus változtasson a belső súlyokat befolyásoló tényezőkön (változók), és ilyen módon a tanítás során felmerülő saját hibáiból tanuljon. Végül a validálás után a program diagnosztikus hatékonyságát egy előre meghatározott reprezentatív méretű, a tanítási halmaztól független teszthalmazon ellenőrizhetjük (test set), és ezáltal megítélhetjük az ilyen módon létrehozott mesterséges intelligencia alapú orvosszakértői rendszerek hatékonyságát és pontosságát (2. ábra) (2).

2. ábra. A mesterséges intelligencia alapú hagyományos és az öntanító (mély tanulás) algoritmusok összehasonlítása a teljesítmény pontossága szempontjából

Az AI szerepe a gasztroenterológiai betegségek diagnózisában és prognózisában

A mesterséges intelligencián alapuló informatikai szakértői rendszerek alkalmazása segítséget nyújthat a gasztroenterológiai kórképek tünettani azonosításában, illetve a prognózis meghatározásában is azáltal, hogy a klinikai jellemzők, a beteg tünetei, a demográfiás és laborparaméterek és a diagnosztikus kritériumok mint változók közötti összefüggéseket hatékonyan és önállóan képesek azonosítani, függetlenül a bemenő paraméterek számától. Ezzel pont ellentétesek a hagyományos orvosi klasszifikációs rendszereink, ahol a bemenő változók számát az egyszerűség és használhatóság kedvéért igyekszünk minimalizálni és próbálunk csak a legfontosabb tényezőkre koncentrálni.

Pace és mtsai retrospektív tanulmányukban, a gastrooesophagealis reflux betegség diagnosztikájában 101 klinikai változó felhasználásával 159 betegnél közel 100 százalékos pontosságot értek el öntanító algoritmus alkalmazásával, amikor az adatokat a 24 órás pH és a gasztroszkópos vizsgálatok eredményeivel hasonlították össze (3). Egy másik prospektív tanulmány 1751 irritábilis bél szindrómás és funkcionális dyspepsiás betegnél a mesterséges intelligencia alkalmazásával elemezte a betegek kérdőívekben rögzített tüneti jellemzőit és azok halmozódását. Eredményeik azt mutatták, hogy a tünettan alapján a funkcionális hasi kórképekben 11 különálló funkcionális tünetcsoportot lehet azonosítani, és feltételezésük szerint a tünetcsoportok közötti különbségek eltérő patofiziológiai alapokat is jellemezhetnek (4).

Photo by Markus Winkler on Unsplash

Az akut hasnyálmirigy-gyulladásnál alkalmazható hagyományos korai prognosztikus klasszifikációs rendszerek a súlyos akut nekrotizáló pancreatitis és a halálozás előrejelzésében általánosságban nem megbízhatóak, illetve alacsony pontosságúak. Ennek kiküszöbölésére Pofahl és mtsai mesterséges intelligencián alapuló orvosi döntéshozó rendszert alkottak meg, amelyben a Ranson-kritériumok és az APACHE II kritériumok kombinációját alkalmazták az ápolási idő és hasnyálmirigy-gyulladás súlyosságának előrejelzéséhez. Eredményeik szerint, amelyeket 156 akut pancreatitises beteg 71 klinikai változójának felhasználásával kialakított mesterséges intelligencián alapuló algoritmus tanításával kaptak, az öntanító algoritmus 70%-os érzékenységet mutatott az egy hétnél hosszabb hospitalizáció és a súlyos pancreatitis előrejelzésében (5). Hasonlóan jól használható az eljárás a tápcsatornai vérző betegek prognosztikájában is. Nem varix eredetű felső tápcsatornai vérzés halálozásának előrejelzésében a mesterséges intelligencián alapuló program szignifikánsan pontosabb volt, mint a hagyományos Rockall score rendszer, mind szenzitivitás (84% vs. 71%), mind pedig a specificitás (96% vs. 52%) tekintetében. Ezt a szakértői rendszert 2380, felső tápcsatornai vérző beteg 68 különféle klinikai változójának összesített adathalmazán tanították, beleértve az endoszkópos jeleket is (6). Egy másik mesterséges intelligenciával foglalkozó tanulmányban Peng és mtsai 569 colitis ulcerosa és 332 Crohn-betegség miatt gondozott betegük közel 7 éves utánkövetésének klinikai adatait használták fel a tanítási modellhez, és eredményeik alapján a gyulladásos bélbetegség kiújulásának időpontját, annak gyakoriságát és súlyosságát nagy pontossággal tudták előre jelezni (7).

A mesterséges intelligencián alapuló szakértői programok alkalmazása a tápcsatornai onkológia területén is egyre nagyobb teret hódít. Ichimasa és mtsai retrospektív vizsgálatukban 45 különböző klinikopatológiai faktort analizáltak 690 laparoszkóposan reszekált T1 stádiumú vastagbéldaganatos betegnél az esetleges lokoregionális nyirokcsomó-metasztázisok jelenlétének előrejelzésére, amelynek pontossága (69%) meghaladta a hagyományos klasszifikációs rendszerek hatékonyságát, 100%-os szenzitivitás és 66%-os specificitás mellett (8). Yang és mtsai retrospektív tanulmányukban a klinikopatológiai adatok mellett 23 immunológiai szöveti markert is vizsgáltak mesterséges intelligencia modellel 483 nyelőcsőlaphám-daganat miatt sikeres műtéti reszekción átesett betegüknél. Az általuk készített szakértői program a távoli nyirokcsomó-metasztázis előfordulási esélyét nagy pontossággal (specificitás: 97%, PPV: 95,6%, pontosság: 79%) tudta előre jelezni (9). 

A laparoszkópos cholecystectomia során előforduló véletlen epeútsérülések leggyakoribb oka a nem megfelelő koncentráció és esetenként a nem megfelelő sebészi gyakorlat a Calot's háromszög képleteinek kipreparálása és azonosítása kapcsán. Tokoyasu és mtsai ezért digitálisan rögzítették 200 beteg műtéti videóját, majd közel 2000 műtéti képet szakértőkkel egyenként annotálva (anatómiát digitálisan azonosítva) sikerült egy olyan mesterséges intelligencia alapú rendszert létrehozniuk, amely a műtét alatt valós időben nagy pontossággal volt képes azonosítani az egyes anatómiai határokat, és ezeket a szakértői rendszer különböző színű négyzetekkel keretezett be a monitoron, ezzel segítve a műtét sikeres kivitelezését (10). 

Összefoglalás

A mesterséges intelligencia alapú orvosszakértői rendszerek alkalmazása a gasztroenterológia területén paradigmaváltáshoz vezethet, hiszen olyan új fejlődési lehetőségeket nyitott meg a gyakorlati medicina előtt, amelyek nemcsak a gyorsabb és pontosabb diagnózist és a hatékony rizikóbecslést segítik, hanem meghatározó szerepük lehet a közeljövőben a betegek optimális személyre szabott kezelésében is.

IRODALOM:

1. Bishop B. CM. Pattern recognition and machine learning. J Electron Imaging. 2006;16:140−155.
2. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44−56.
3. Pace F, Buscema M, Dominici P, Intraligi M, Baldi F, Cestari R, Passaretti S, Bianchi Porro G, Grossi E. Artificial neural networks are able to recognize gastro-oesophageal reflux disease patients solely on the basis of clinical data. Eur J Gastroenterol Hepatol. 2005;17:605−610. 
4. Melidis C, Denham SL, Hyland ME. A test of the adaptive network explanation of functional disorders using a machine learning analysis of symptoms. Biosystems. 2018 Mar;165:22−30. 
5. Pofahl WE, Walczak SM, Rhone E, Izenberg SD. Use of an artificial neural network to predict length of stay in acute pancreatitis. Am Surg. 1998;64:868−872.
6. Rotondano G, Cipolletta L, Grossi E, Koch M, Intraligi M, Buscema M, Marmo R. Italian Registry on Upper Gastrointestinal Bleeding (Progetto Nazionale Emorragie Digestive). Artificial neural networks accurately predict mortality in patients with nonvariceal upper GI bleeding. Gastrointest Endosc. 2011;73:218-226, 226.e1−226.
7. Peng JC, Ran ZH, Shen J. Seasonal variation in onset and relapse of IBD and a model to predict the frequency of onset, relapse, and severity of IBD based on artificial neural network. Int J Colorectal Dis. 2015;30:1267−1273. 
8. Ichimasa K, Kudo SE, Mori Y, Misawa M, Matsudaira S, Kouyama Y, Baba T, Hidaka E, Wakamura K, Hayashi T, Kudo T, Ishigaki T, Yagawa Y, Nakamura H, Takeda K, Haji A, Hamatani S, Mori K, Ishida F, Miyachi H. Artificial intelligence may help in predicting the need for additional surgery after endoscopic resection of T1 colorectal cancer. Endoscopy. 2018;50:230−240.
9. Yang HX, Feng W, Wei JC, Zeng TS, Li ZD, Zhang LJ, Lin P, Luo RZ, He JH, Fu JH. Support vector machine-based nomogram predicts postoperative distant metastasis for patients with oesophageal squamous cell carcinoma. Br J Cancer. 2013;109:1109−1116.
10. Tatsushi T, Yukio I, Yusuke M. Development of an artificial intelligence system using deep learning to indicate anatomical landmarks during laparoscopic cholecystectomy April 2020. Surgical Endoscopy DOI: 10.1007/s00464-020-07548-x Published Online.