Lekarz czy komputer? Człowiek posiadający specjalistyczną wiedzę i doświadczenie czy przewidywalne i samouczące się urządzenie? Kto lepiej zdiagnozuje chorego na raka? może kluczem do sukcesu jest połączenie tych dwóch stron?

Temat obrazowania i analizy obrazów medycznych to artykuł otwierający cykl popularnonaukowych tekstów promujących badania naukowców Politechniki Śląskiej. Jego hasło to: „Zapytaj inżyniera”. No to zapytajmy!

Uczące się systemy informatyczne, które na podstawie zgromadzonych danych i doświadczenia potrafią automatycznie analizować również niepoznane dotąd dane – to już codzienność. Algorytmy wykorzystujące sztuczną inteligencję są pomocne również w medycynie m.in. w radiologii. Stoi za tym analiza obrazów medycznych, którą zajmuje się dr hab. inż. Jakub Nalepa, prof. PŚ.

Do analizy obrazowych danych medycznych możemy wykorzystywać techniki klasycznego i głębokiego uczenia maszynowego (ang. deep learning). Jak one działają? – Na podstawie danych, które mamy (np. obrazów medycznych), które wcześniej zostały przeanalizowane i opisane przez lekarza (lub grupę lekarzy) tworzymy klasyfikator pozwalający na automatyczną analizę nowych obrazów – takich, które dotąd nie były „widziane” przez taki system w czasie jego tworzenia – wyjaśnił Jakub Nalepa.

Innymi słowy, badacze zbierają dane dotyczące np. zmian nowotworowych – jak one wyglądają i jaką mają specyfikę. Na tej podstawie „uczą” algorytm, czego ma szukać. Oczywiście, wszystko to dzieje się we współpracy kilku „światów”: statystyków, programistów, fizyków medycznych i radiologów.

Z kolei samo obrazowanie medyczne (np. z wykorzystaniem rezonansu magnetycznego czy tomografii komputerowej) polega na skanowaniu wybranego obszaru ciała. Analiza pozyskanych obrazów ma pomóc w znalezieniu i w ocenie „podejrzanych” obszarów np. zmian nowotworowych.

Może to zrobić albo człowiek, albo komputer. Kto skuteczniej?

– Przewagą algorytmów jest szybkość ich działania, która pozwala nam na przetworzenie bardzo dużych ilości już istniejących i nowych danych. Dodatkowo możemy wyekstrahować specyficzne cechy obrazów, które nie są łatwe do oceny gołym okiem, a mogą być związane np. z teksturą danego obszaru. Bardzo ważną kwestią jest to, że metody automatycznej analizy danych medycznych pozwalają na zachowanie jej pełnej powtarzalności – w przypadku analizy przeprowadzanej przez człowieka, mimo ogromnego doświadczenia i wiedzy, nie mamy tej pewności – wskazał Jakub Nalepa.

Tutaj algorytm „wygrywa” z człowiekiem. Co jednak z kwestią interpretacji tych wyników i podjęcia decyzji co do diagnozy oraz leczenia?

– Interpretacja wyników i końcowa decyzja zawsze są po stronie lekarza. Nam chodzi o to, by ułatwić pewne rzeczy, odciążyć lekarza od tego, co jest czasochłonne i pewnie niezbyt ekscytujące, by mógł wykorzystać swoją wiedzę tam, gdzie jest ona najbardziej potrzebna. Lekarz dostaje od nas wynik – wyznaczony pewien „podejrzany” obszar i jego charakterystykę i może zająć się tym, co najważniejsze, czyli postawieniem diagnozy i zaplanowaniem leczenia na podstawie wielu, różnorodnych danych opisujących stan pacjenta – podkreślił Jakub Nalepa.