Sikert hozott egy magyar kutató rákdiagnosztikai szoftvere

Egy radiológus hagyományos módszerrel elemzi, az egyik legmodernebb funkcionális képalkotó eljárás, a pozitronemissziós tomográfia (PET) képeit.
Fotó: Profimedia

A DREAM Challenges csoport nemzetközi versenyt hirdetett mammográfiai felvételek minél jobb diagnosztikai kiértékelésére. 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, 1226 versenyző közül 2. helyezést ért el az általa kidolgozott módszerrel.

A rákos megbetegedések esetén ontos a korai diagnózis, ezért a fejlett országok nagy része szervez szűrőprogramokat. A mammográfiás szűrővizsgálat során két irányból készítenek nagy felbontású röntgenfelvételeket mindkét mellről. A képeket egy vagy több tapasztalt radiológus értékeli ki, és a gyanús eseteket további vizsgálatokra rendelik vissza. A statisztikák szerint a szűrőprogramok során emelik ki az emlőrákos esetek közel 70 százalékát, a tapinthatónál kisebb tumorok is felfedezhetőek, és így 18-30 százalékkal 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 százalékát 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.

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, ami nagyon fontos, fáradhatatlanok. Várható, hogy ezek a módszerek az orvosi képalkotó diagnosztikában is sikeresen alkalmazhatóak lesznek.

A mesterséges intelligencia szoftver által helyesen megtalált és bekeretezett rákos daganatok a röntgenfelvételeken.
A kiértékelt képek forrása: Breast Research Group, INESC Porto, Portugal

Bár a versenyben a program feladata csupán annyi volt, hogy különítsék el 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.sz 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.”