A Nature legolvasottabb cikkei között az ELTE fizikusainak közleménye
Az amerikai Nemzeti Rákkutató Intézet és Joe Biden volt alelnök által indított Cancer Moonshot kezdeményezés keretében szervezett The Digital Mammography DREAM Challenge nemzetközi felhívásban a résztvevők mammográfiai felvételek minél jobb diagnosztikai kiértékelésére vállalkoztak: Ribli Dezső több mint 1200 kutató közül második helyezést ért el. A módszer leírása szabad hozzáférésű tudományos publikációként jelent meg a Nature Scientific Reports hasábjain - olvasható az ELTE honlapján.
A hazai kutatók által kifejlesztett szoftver képes arra, hogy megtalálja a rosszindulatú tumorok 90 százalékát úgy, hogy 10 képre átlagosan csak 3 darab téves jelölést rak. Ez az eredmény óriási jelentőségű lehet a klinikai gyakorlatban, a minél korábbi és pontosabb diagnózis érdekében.
Mint írják, az emlődaganat világszerte a leggyakoribb rákos megbetegedés és vezető halálozási ok a nők körében. Gyógyításában és korai diagnózisában kulcsszerepet játszott az 1970-es évek elején a mammográfia megjelenése, amely az egyik legnehezebb és legnagyobb kihívást felvonultató szakág, így a gépi segítség és asszisztálás kérdésköre már korábban is felmerült a szektorban. A szakemberek az 1980-as évek első felétől használnak komputer-asszisztált diagnózisokat (CAD), azonban a mesterséges intelligencia megjelenése új távlatokat nyújtott a diagnosztikában.
A cikk szerint az elmúlt 5 évben valódi forradalom zajlott le a számítógépes képfelismerésben, számos esetben a mesterséges intelligencia vívmányait is használják a kutatók. A hagyományos módszerek hibaarányát egy nagyságrenddel csökkentették a mély mesterséges neurális hálózatokon alapuló deep learning rendszerek. Ezek a programok a hétköznapi képeken lévő tárgyak, élőlények felismerésében az emberi teljesítményhez hasonló pontossággal működnek, de nagyságrendekkel gyorsabbak és fáradhatatlanok.
A diagnosztikában a hagyományos képelemző szoftverekben a képet aprólékosan megtervezett, kézzel készített jellemzőkkel próbálták leírni (például elváltozások alakja, mérete), majd egyszerűbb klasszifikációs módszereket alkalmaztak a kinyert jellemzőkön. A deep learning ezzel szemben a nyersképeket sok egymás utáni szűrősorozattal dolgozza fel, a szűrők paramétereit pedig önállóan, kizárólag az adatokból tanulja.
"Az ELTE-s kutatók által kidolgozott képelemző neurális hálózat működését a legegyszerűbben úgy képzelhetjük el, mintha lenne egy nagyon gyors és nagyon szorgalmas asszisztensünk, aki papírlapokba több, különböző méretű és alakú lyukat vágott. Ezeket a lapokat egymás után ráfektetve a mammogramra, csak a lyukon át látható tartományra koncentrálva, minden részletet megvizsgál, amikor végighúzza a lapot a kép minden pontja felett. Azokat a tartományokat, amelyek olyan képi objektumokat tartalmaztak olyan arányban, mint amilyeneket rosszindulatú daganat esetén már korábban látott a tanítóhalmazokban, megcímkézi egy gyanússági pontértékkel. Az így nyert leggyanúsabb képrészletek helyét ezután bejelöli az eredeti képen egy-egy téglalappal. Az alkalmazás során csak a rosszindulatú tumorok jelöléseit mutatja" - olvasható a cikkben.
Amennyiben a módszer a számos soron következő tesztelés során is bizonyít, úgy megoldhatóvá válhat a mammográfiai szűrés olyan kórházakban, ahol a szakemberek jelentősen túl vannak terhelve, és az intézmény erőforráshiánnyal küzd.
A Detecting and classifying lesions in mammograms with Deep Learning címmel megjelent publikációt Ribli Dezső Phd-hallgató (Komplex Rendszerek Fizikája Tanszék), Csabai István egyetemi tanár (Komplex Rendszerek Fizikája Tanszék) és Pollner Péter, az MTA-ELTE Biológiai Fizika Kutatócsoport tudományos főmunkatársa mellett a Semmelweis Egyetem kutatói - Horváth Anna és Unger Zsuzsa - jegyzi.
MTI