Image Image Image Image Image Image Image Image Image Image
Lapozzon a lap tetejére

Lap tetejére

Mesterséges intelligencia: magyar kutató sikeres rákdiagnosztikai módszere

Mesterséges intelligencia: magyar kutató sikeres rákdiagnosztikai módszere
ELTE
  • 2017. 06. 12.

Az emlődaganat világszerte a leggyakoribb rákos megbetegedés és vezető halálozási ok a nők körében. A DREAM Challenges csoport nemzetközi versenyt hirdetett mammográfiai felvételek minél jobb diagnosztikai kiértékelésére.

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.

A mesterségesintelligencia-szoftver által helyesen megtalált és bekeretezett rákos daganatok röntgenfelvételeken (A kiértékelt képek forrása: Breast Research Group, INESC Porto, Portugal).

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 tett közzé a résztvevők számára. A képek egy részéhez megadták a diagnosztikai eredményeket is, segítségükkel lehetett kalibrálni, tanítani a modelleket. A versenyzők programjait a képek egy másik halmazán tesztelték, melynél 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 a Deep Learning módszerek egyik különleges válfaját alkalmazta.

Ez a módszer más területeken már bizonyította az eredményességét, például az önvezető autóknál, internetes képek címkézésénél. A hónapokig tartott versenyen a világ szinte minden tájáról indult 1226 versenyző közül Ribli Dezső 2. helyezést ért el az általa kidolgozott módszerrel.

A rákos megbetegedések esetén döntő a korai diagnózis, ezért a fejlett országok nagy része szervez szűrőprogramokat. A mammográfiás szűrővizsgálat alkalmával két irányból készítenek nagy felbontású röntgenfelvételeket mindkét mellről. A képeket egy vagy több tapasztalt radiológus értékeli ki, és gyanú esetén további vizsgálatokra rendelik vissza a pácienst. A statisztikák szerint a szűrőprogramok során fedezik föl az emlőrákos esetek majdnem 70%-át, tapinthatónál kisebb tumorok is felfedhetők, és így 18-30%-kal csökkenthetik a halálozást is.

A felvételek értékelése hosszadalmas, monoton, fárasztó, ilyen körülmények között az emberek hajlamosak néha-néha hibázni. Szakirodalmi adatok szerint a rákos esetek 70–90%-át sikerül általában kiszűrni. A tévesen tünet nélkülinek ítélt betegek esetében utólagosan ismételt diagnózis szerint kétharmadánál látható lett volna a daganat. A radiológusok munkájának segítésére régóta fejlesztenek számítógépes diagnosztikai segédeszközöket, de pontosságuk meg sem közelítette az emberét, és meglepő módon egyes publikációk szerint a használatuk nem is javította kimutathatóan a radiológusok diagnosztikai pontosságát.

A múlt 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/nem rákos 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, nemzetközi fejlesztésben vesznek részt, amiből egy még jobb képességű szoftver készül. A kutatók remélik, hogy a kifejlesztett világszínvonalú rendszert sikerül bevezetni a magyar klinikai gyakorlatban is.

A verseny honlapján megjelent rövid interjúban Ribli Dezső elmondta: „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. Ezenkívül 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. Remélem, hogy az itt megkezdett munka bekerül a klinikai gyakorlatba és segít majd életeket menteni.”