Öntanuló programok a gyógyítás szolgálatában

Szerző: Medical Online
Az elmúlt néhány évben a mesterséges intelligencia (AI) alkalmazásával az orvosi szakértői informatikai rendszerekben hihetetlen áttörés mutatkozik az orvostudományban, többek közt a belgyógyászat és a gasztroenterológia területén.

Az AI gyakorlati alkalmazása optimális megoldás lehet az egyre növekvő betegszám mellett fokozódó adminisztratív és orvosi terhelés, valamint a specializált szakemberek hiányának enyhítésére. Emellett az informatikai szakértői rendszerek képesek optimalizálni a diagnosztikus pontosságot és segíteni a terápiás döntéseket, akár kevésbé tapasztalt gasztroenterológusok számára is. 

Mesterséges intelligencia (artificial intelligence/AI) alapúnak tekinthető minden olyan számítógépes program, amely alkalmassá teszi a számítógépet arra, hogy az orvosi diagnosztikus vagy terápiás döntéshozatalt hatékonyan szimulálja. Gépi tanulásnak („machine learning”) nevezzük a mesterséges intelligencián belül a programok azon csoportját, amelyek statisztikai módszerek és előre definiált mintázatok felhasználásával képesek hatékonyan javítani az eredeti algoritmus pontosságát. Végül pedig mély tanító neurális hálózat (deep learning, multilayered neural network) a mesterséges intelligencián alapuló számítógépes algoritmusok közül az a legfejlettebb verzió, amely többszintű neurális hálózatokat alkalmaz, és ezáltal az emberi agy működéséhez hasonlóan öntanuló programként működik, tehát a gyakorlatban előforduló példákból (felcímkézett adatokból) folyamatosan tanul és fejlődik.

Az öntanító algoritmus jellemzője – az egyszerű gépi tanulással szemben, amelynek pontossága egy bizonyos határon túl nem növelhető – az, hogy hatékonysága és pontossága a tanításhoz felhasznált jelölt adatmennyiséggel arányosan folyamatosan növelhető. A neurális mély tanító hálózatok tehát olyan matematikai algoritmusok, amelyeket a biológiai ideghálózatokról mintázva terveztek meg mintafelismerési céllal. A neuronoknak megfelelően az algoritmusban lévő számítási modellek is rétegekbe szerveződnek, így az emberi neurális percepcióhoz hasonlóan itt is vannak bemeneti, rejtett és kimeneti neuronok/rétegek. A neuronok/rétegek közötti kapcsolatok folyamatosan súlyozzák a kimeneti értékeket. Ezen működési elvek lehetővé teszik, hogy a mélytanuló neurális hálózatok képesek automatikusan azonosítani a képek vagy a biológiai folyamatok jellemzőit (feature extraction) és a hagyományos gépi tanulással ellentétben emberi beavatkozás nélkül klasszifikációt hajtanak végre.

Ahhoz, hogy az adott orvosi probléma a mélytanuló neurális hálózattal megoldhatóvá váljon, minden esetben szükség van az algoritmus jelölt adatokon (train set) történő, megfelelő mélységű tanítására, amelynek során a jellegzetes diagnosztikus információkat tartalmazó adatokat vagy képeket megmutatjuk az algoritmusnak, majd a program lefuttatása után közöljük vele a helyes eredményt vagy döntést is, ezáltal lehetőséget biztosítva arra, hogy a hibáit visszafelé terjesztve az algoritmus változtasson a belső súlyokat befolyásoló tényezőkön, és ilyen módon a tanítás során felmerülő saját hibáiból tanuljon. Végül a validálás után a program diagnosztikus hatékonyságát egy előre meghatározott reprezentatív méretű, a tanítási halmaztól független teszthalmazon ellenőrizhetjük, és ezáltal megítélhetjük az ilyen módon létrehozott mesterséges intelligencia alapú orvosszakértői rendszerek hatékonyságát és pontosságát.

Az AI szerepe a gasztroenterológiai betegségek diagnózisában és prognózisában

A mesterséges intelligencián alapuló informatikai szakértői rendszerek alkalmazása segítséget nyújthat a gasztroenterológiai kórképek tünettani azonosításában, illetve a prognózis meghatározásában is azáltal, hogy a klinikai jellemzők, a beteg tünetei, a demográfiás és laborparaméterek és a diagnosztikus kritériumok mint változók közötti összefüggéseket hatékonyan és önállóan képesek azonosítani, függetlenül a bemenő paraméterek számától. Ezzel pont ellentétesek a hagyományos orvosi klasszifikációs rendszereink, ahol a bemenő változók számát az egyszerűség és használhatóság kedvéért igyekszünk minimalizálni, és próbálunk csak a legfontosabb tényezőkre koncentrálni.

Pace és munkatársai retrospektív tanulmányukban, a gastrooesophagealis reflux betegség diagnosztikájában 101 klinikai változó felhasználásával 159 betegnél közel 100 százalékos pontosságot értek el öntanító algoritmus alkalmazásával, amikor az adatokat a 24 órás pH és a gasztroszkópos vizsgálatok eredményeivel hasonlították össze. Egy másik prospektív tanulmány 1751 irritábilis bél szindrómás és funkcionális dyspepsiás betegnél a mesterséges intelligencia alkalmazásával elemezte a betegek kérdőívekben rögzített tüneti jellemzőit és azok halmozódását. Eredményeik azt mutatták, hogy a tünettan alapján a funkcionális hasi kórképekben 11 különálló funkcionális tünetcsoportot lehet azonosítani, és feltételezésük szerint a tünetcsoportok közötti különbségek eltérő patofiziológiai alapokat is jellemezhetnek.

Az akut hasnyálmirigy-gyulladásnál alkalmazható hagyományos korai prognosztikus klasszifikációs rendszerek a súlyos akut nekrotizáló pancreatitis és a halálozás előrejelzésében általánosságban nem megbízhatóak, illetve alacsony pontosságúak. Ennek kiküszöbölésére Pofahl és munkatársai mesterséges intelligencián alapuló orvosi döntéshozó rendszert alkottak meg, amelyben a Ranson-kritériumok és az APACHE II kritériumok kombinációját alkalmazták az ápolási idő és hasnyálmirigy-gyulladás súlyosságának előrejelzéséhez. Eredményeik szerint, amelyeket 156 akut pancreatitises beteg 71 klinikai változójának felhasználásával kialakított mesterséges intelligencián alapuló algoritmus tanításával kaptak, az öntanító algoritmus 70%-os érzékenységet mutatott az egy hétnél hosszabb hospitalizáció és a súlyos pancreatitis előrejelzésében (5). Hasonlóan jól használható az eljárás a tápcsatornai vérző betegek prognosztikájában is. Nem varix eredetű felső tápcsatornai vérzés halálozásának előrejelzésében a mesterséges intelligencián alapuló program szignifikánsan pontosabb volt, mint a hagyományos Rockall score rendszer, mind szenzitivitás (84% vs. 71%), mind pedig a specificitás (96% vs. 52%) tekintetében. Ezt a szakértői rendszert 2380, felső tápcsatornai vérző beteg 68 különféle klinikai változójának összesített adathalmazán tanították, beleértve az endoszkópos jeleket is. Egy másik mesterséges intelligenciával foglalkozó tanulmányban Peng és mtsai 569 colitis ulcerosa és 332 Crohn-betegség miatt gondozott betegük közel 7 éves utánkövetésének klinikai adatait használták fel a tanítási modellhez, és eredményeik alapján a gyulladásos bélbetegség kiújulásának időpontját, annak gyakoriságát és súlyosságát nagy pontossággal tudták előre jelezni.

A mesterséges intelligencián alapuló szakértői programok alkalmazása a tápcsatornai onkológia területén is egyre nagyobb teret hódít. Ichimasa és mtsai retrospektív vizsgálatukban 45 különböző klinikopatológiai faktort analizáltak 690 laparoszkóposan reszekált T1 stádiumú vastagbéldaganatos betegnél az esetleges lokoregionális nyirokcsomó-metasztázisok jelenlétének előrejelzésére, amelynek pontossága (69%) meghaladta a hagyományos klasszifikációs rendszerek hatékonyságát, 100%-os szenzitivitás és 66%-os specificitás mellett. Yang és mtsai retrospektív tanulmányukban a klinikopatológiai adatok mellett 23 immunológiai szöveti markert is vizsgáltak mesterséges intelligencia modellel 483 nyelőcsőlaphám-daganat miatt sikeres műtéti reszekción átesett betegüknél. Az általuk készített szakértői program a távoli nyirokcsomó-metasztázis előfordulási esélyét nagy pontossággal (specificitás: 97%, PPV: 95,6%, pontosság: 79%) tudta előre jelezni.

A laparoszkópos cholecystectomia során előforduló véletlen epeútsérülések leggyakoribb oka a nem megfelelő koncentráció és esetenként a nem megfelelő sebészi gyakorlat a Calot's háromszög képleteinek kipreparálása és azonosítása kapcsán. Tokoyasu és mtsai ezért digitálisan rögzítették 200 beteg műtéti videóját, majd közel 2000 műtéti képet szakértőkkel egyenként annotálva (anatómiát digitálisan azonosítva) sikerült egy olyan mesterséges intelligencia alapú rendszert létrehozniuk, amely a műtét alatt valós időben nagy pontossággal volt képes azonosítani az egyes anatómiai határokat, és ezeket a szakértői rendszer különböző színű négyzetekkel keretezett be a monitoron, ezzel segítve a műtét sikeres kivitelezését.

Összefoglalás

A mesterséges intelligencia alapú orvosszakértői rendszerek alkalmazása a gasztroenterológia területén paradigmaváltáshoz vezethet, hiszen olyan új fejlődési lehetőségeket nyitott meg a gyakorlati medicina előtt, amelyek nemcsak a gyorsabb és pontosabb diagnózist és a hatékony rizikóbecslést segítik, hanem meghatározó szerepük lehet a közeljövőben a betegek optimális személyre szabott kezelésében is.

Forrás: medicalonline.hu

Ez a cikk több mint egy éve került publikálásra.
A cikkben szereplő információk a megjelenéskor pontosak voltak, de mára elavultak lehetnek.

Olvasna még a témában?

A nyitólapról ajánljuk

Friss cikkeink

Hírlevél

Feliratkozom a Szimpatika hírlevelekre, ezzel elfogadom az Adatkezelési Tájékoztatóban olvasható feltételeket, és hozzájárulok, hogy a szimpatika.hu a megadott e-mail címemre hírlevelet küldjön, valamint saját és partnerei üzleti ajánlataival felkeressen.

Az űrlap kitöltése, az adatok megadása önkéntes.

A hírlevélküldő szolgáltatás nem támogatja a freemail.hu-s és citromail.hu-s címeket, ilyen címek megadása esetén hibák léphetnek fel!
Kérjük, használjon más e-mail szolgáltatót (pl: gmail.com)!