Szövetbiopsziás minták elemzésének automatizálása szemkövető rendszerrel
A mintákat felismerő algoritmus mélytanulási folyamatának fontos összetevője a modellt betanító patológusok szemének követése a minták elemzése során.
A Nature Communications folyóiratban július 1-én jelent meg a MedSight AI Research Lab kutatóinak cikke, amelyben a mesterséges intelligencián alapuló képelemző modellek egy új betanítási folyamatát ismertették egy algoritmus létrehozásának folyamata során.
A mesterséges intelligencián alapuló algoritmusok számos területen bizonyulnak egyre használhatóbbnak, és sok egészségügyi szolgáltató álmodik egy olyan digitális asszisztensről, amelyet nem terhel le a fáradtság, kiégés vagy éhség, azaz az emberi tényezők – és amely gyors másodvéleményt tud adni orvosi döntésekhez, beleértve a diagnózisokat, kezelési tervek felvázolását, és akár a receptek felírását is. Napjainkban már rendelkezésre áll az a számítási teljesítmény és a megfelelő AI-szakértelem is ahhoz, hogy ilyen asszisztenseket fejlesszünk. Azonban egy különösen képzett, nagy tapasztalattal rendelkező patológus, radiológus vagy más szakember szakértelmének másolása nem könnyű vagy egyszerű feladat. Különösen azért nem, mert az AI algoritmusok betanításához óriási mennyiségű adatra van szükség a rendkívül pontos modellek létrehozásához. Minél több minőségi adat áll rendelkezésre, egy adott modell annál megbízhatóbban működik.
A patológia területén egy pixel-alapú manuális annotációs módszer alkalmazásával nagy sikert lehet elérni az AI modellek pontos betanításában a szövetbiopsziás képek diagnosztizálásához. Ez a módszer azt követelné meg, hogy egy képzett patológus minden egyes pixelt annotáljon egy szövetbiopsziás képen, kiemelve azokat a területeket, amelyek érdekesek a gépi tanulási modell képzéséhez. Az annotálás terhe a patológusok számára nyilvánvaló, és korlátozza a modellképzéshez létrehozható minőségi adatok mennyiségét, így korlátozva a végső modell diagnosztikai precizitását.
Pontosan ennek a kihívásnak a leküzdését tűzte ki célul egy kutatócsoport a MedSight AI Kutatólaboratórium vezetésével. Egy olyan módszert dolgoztak ki, amely a biopsziás képadatok annotálása során a szemmozgást nyomon követő eszközöket használ, jelentősen csökkentve ezzel a szövetbiopsziás képen található érdekes pixelek manuális annotálásának terhét, időigényét.
“A patológusok szakértelmének minimalizált munkaterheléssel történő megszerzéséhez nyomon követtük a képek elemzése során végzett szemmozgásaikat, ezzel párhuzamosan pedig egy olyan mélytanulási (deep learning) rendszert terveztünk, amely a begyűjtött vizuális mintázatok alapján képes dekódolni azt, hogy a szakember mit néz az adott mintán” – nyilatkozta Xiaoyu Cui, a MedSight AI Kutatólaboratórium munkatársa, a cikk első szerzője.
A Pathology Expertise Acquisition Network (PEAN) névre keresztelt rendszer kifejlesztése során a csapat konkrétan azt feltételezte, hogy a szemmozgás-nyomkövető eszközökkel nyert vizuális adatok betaníthatják az AI modellt arra, hogy mely területek különösen érdekesek a biopsziás képen, így az időigényes pixel-alapú annotáció folyamata jelentősen felgyorsulhat, ami jóval több adatot szolgáltathat a betanításhoz. A cél elérése érdekében a csapat egy egyedi fejlesztésű szoftvert és egy szemmozgás-nyomkövető eszközt használt, amely egyszerre rögzítette a patológusok szemmozgását, az elemzett képek nagyítását és elmozdítását, valamint az egyes mintákhoz tartozó diagnózisokat. Összesen 5881 szövetmintát vizsgáltak, amelyek korábban már diagnosztizált öt különböző típusú bőrelváltozást tartalmaztak.
A PEAN rendszer minden szövetminta egy területén először az úgynevezett „szakértelem értékeket” (expertise values) számítja ki, vagyis a patológus által megtekintett, szakmai érdeklődésére számot tartó területeket szimulálva a szemmozgás-nyomkövető adatok és az azonos szövetbiopsziás képek manuális pixel-annotációs adatai összehasonlításával. Ezekkel a betanításai adatokkal a PEAN modellek meg tudják jósolni minden egyes biopsziás képen, hogy a patológus számára melyik terület számít “gyanúsnak”. Ezzel egyrészt utánozzák a patológusok szemmozgását, szakértelmét (PEAN-I, itt az “I” betű az “imitation”, utánzás szóra utal), majd modelleket képeznek a szövetminták diagnózisának osztályozására (PEAN-C, itt a “C” a classification, vagyis osztályozás műveletét jelenti).
Az eredmények szerint a PEAN-C 96,3%-os pontosságot ért el, vagyis 100 esetre vonatkoztatva ekkor arányban volt képes egy modell megkülönböztetni a pozitív és negatív mintákat a számára betanított minták újbóli osztályozása során, illetve 93,0%-os pontosságot ért el egy olyan mintacsoporton, amely már teljesen új képekből állt, vagyis nem tartalmazott olyan képeket, amelyeket a betanítás során a modell már látott.
“A PEAN nem csupán egy új, mélytanuláson alapuló diagnosztikai rendszer, hanem egy olyan úttörő paradigma, amely forradalmasíthatja az intelligens orvosi kutatás jelenlegi állapotát. Képes kinyerni és kvantifikálni az emberi diagnosztikai szakértelmet, ezáltal leküzdve a mainstream modellek általános hátrányait, mint például a rendkívül magas humánerőforrás-felhasználás” – összegzett Cui.
Írásunk az alábbi közlemények alapján készült:
Scientists train deep-learning models to scrutinize biopsies like a human pathologist
Deep learning quantifies pathologists’ visual patterns for whole slide image diagnosis
Irodalmi hivatkozás:
Tianhang Nan et al, Deep learning quantifies pathologists' visual patterns for whole slide image diagnosis, Nature Communications (2025). DOI: 10.1038/s41467-025-60307-1
