Počítačové vidění a strojové učení v medicíně. Nahradí lékaře?

Strojové učení je velmi živá oblast v lékařském zobrazování. Tým docentky Eleny Šikudové z Matematicko-fyzikální fakulty vyvíjí metody, které usnadní lékařům diagnostiku glaukomu nebo některých patologií rohovky. Věnují se i metodě pro včasné odhalení zhoršení kognitivních funkcí u pacientů s podezřením na Alzheimerovu chorobu.

Můžete přiblížit podstatu vašeho výzkumu?

V medicíně existují různé typy obrázků. My se soustřeďujeme pouze na obrázky z kamery, nezkoumáme MRI, CT nebo rentgenové snímky. Zaměřujeme se například na analýzu obrazů očního pozadí pomocí konvolučních neuronových sítí. Konkrétně se věnujeme segmentaci terče zrakového nervu a diagnostice glaukomu. Kromě toho jsme ve spolupráci s Fakultní nemocnicí Královské Vinohrady vyvinuli aplikaci, která automaticky vyhodnocuje přítomnost a rozsah patologické neovaskularizace rohovky na základě snímků. Lékaři mohou snímky prohlížet, porovnávat a vyhodnocovat v jednoduchém uživatelském rozhraní.

Stanovuje v některých případech počítač diagnózu?

Ne. Propojení našeho výzkumu s medicínou je náročnější v tom, že všechny metody musí projít schvalovacím procesem, není to tak, že něco naprogramujeme a lékař to začne používat. Například když lékař vyšetří oko oftalmoskopem, může udělat snímky, které pak dále analyzuje. Vidí žíly a cévy, oční nerv, ale vidí i různé defekty, z nichž lze zjistit, jestli člověk trpí určitou chorobou, nebo ne. Náš výzkum se zaměřuje na přípravu těchto dat pro další analýzu. Snažíme se identifikovat cévy a následně použít metodu, která cévy odstraní, takže výsledek, tedy stanovení hranic oblastí, podle kterých následně lékař diagnostikuje případný defekt, je mnohem přesnější. Je to ale pouze pomocná metoda. Počítač nestanovuje diagnózu, to stále dělá lékař.

Jaký je při výzkumu a ve fázi strojového učení poměr spolupráce vás jako informatiků a lékařů?

Někdy není přímá spolupráce s lékaři nutná, protože databází, se kterými můžeme jako informatici pracovat a jsou na internetu volně k dispozici, existuje spoustu. Obsahují dostatečné množství popsaných snímků, v tomto případě konkrétně zdravého a nemocného oka, na kterých můžeme stroje trénovat.

Kolik obrázků musíte stroji dát, aby se metodu naučil?

Záleží na metodě. Některé metody tolik obrázků nepotřebují, protože je do nich zapojena nějaká přidaná myšlenka, součástí je lidský rozhodovací proces. U jedné z našich metod, kde jsme postupovali metodou hlubokého učení, jsme potřebovali tisíce obrázků.

Jak poznáte, že se stroj metodu naučil? Že už se na něj můžete spolehnout?

Na to jsou právě užitečné databáze, kde je na obrázcích určeno například to, co je nebo není céva. S touto databází, očekávanou hodnotou, se různými metrikami porovnávají výstupy ze strojového učení. Čím je výstup blíž očekávané hodnotě, tím je metoda líp naučená.

Jak dlouho proces učení trvá?

U hlubokých sítí to můžou být i dny, než se je stroj naučí. Ale vymyslet celou metodu, natrénovat, udělat všechny experimenty, je práce tak na půl roku nebo i víc.

 Jaké jsou největší výzvy a překážky, které musíte překonávat?

Je důležité, jak kvalitní jsou obrázky, s nimiž pracujeme, a jak kvalitní jsou anotace, tedy popis základních vstupních dat. Pokud jsou tato data chybná, stroj se naučí metodu špatně. Dostat správné anotace je zásadní, přitom požadovat po lékaři, aby vám detailně a přesně popsal tisíce obrázků, je komplikované. Proto se většinou soustřeďujeme na obrázky z databází, které jsou volně k dispozici na internetu.

V jakých oblastech medicíny je největší potenciál využití metod strojového učení?

V podstatě u všech zobrazovacích metod – CT, MRI a podobně. Ale metody lze využít i jinde. S jedním naším Ph. D. studentem jsme se nedávno začali věnovat včasnému odhalení a sledování procesu zhoršování kognitivních funkcí pomocí Rey-Osterriethovy komplexní figury, co je zásadní pro účinnou intervenci a léčbu Alzheimerovy choroby. Tento test vyžaduje, aby pacienti reprodukovali složitý geometrický obrazec. Zkoumáme možnosti automatizovaného vyhodnocení kvality reprodukce obrazce u pacientů.

Pacient má za úkol překreslit po třech a po třiceti minutách zpaměti obrázek, který si předtím po určenou dobu prohlížel. Následně se vyhodnocuje variabilita těchto obrázků a podle dosaženého skóre lékař určí riziko možného rozvoje Alzheimerovy choroby.

Momentálně jsme ve fázi, kdy se na základě analýzy snažíme vygenerovat syntetická data, abychom měli více obrázků pro trénování. Následně pak procesem strojového učení budeme počítače trénovat na vyhodnocování reálných obrázků, klasifikaci a přiřazení skóre. Odhaduju, že vývoj této metody bude trvat ještě zhruba rok.

Jak vidíte budoucnost vašeho oboru? Budou se podobné metody v medicíně používat rutinně?

Doufám, že ano, ve smyslu, že budou doktorům pomáhat. Ne že lékaře zcela nahradí. Detekce nemocí je opravdu velký pomocník zejména v oblastech, kde není dostatek odborníků, kde je velký problém najít někoho, kdo by zanalyzoval data. Pokud bude k dispozici automatická metoda, která ze získaných dat vyhodnotí, kdo je zdravý a kdo už být nemusí, i to pomůže. Lékař se nemusí dívat na všechno, podívá se podrobněji pouze na podezřelé případy. Takže podle mě toto je směr, odlehčit lékařům. Stejně tak u celonárodních screeningů, kde se vyhodnocují obrovské objemy dat, anebo v rozvojových zemích, kde není dostatek specialistů a data k vyhodnocení se odesílají jinam.

Podařilo se vám něco z výstupů vašeho výzkumu komercializovat, patentovat?

Zatím ne. Děláme v podstatě základní výzkum. Jsou firmy, které mají právníky, finance, zástupy programátorů. Já mám dva studenty. Možná bychom jim své výstupy mohli nabídnout k dalšímu komerčnímu využití. Já osobně si do toho jít netroufám.