Adathalmazok segítenek megérteni a komplex jelenségeket

Az elmúlt két évtizedben a tudományok szinte minden területét gyökeresen átalakította a technológiai robbanás. A nagykapacitású műszerek több diszciplínában is olyan méréseket, észleléseket tettek lehetővé, melyek jelentősen pontosították a világról alkotott képünket és számos új alkalmazásnak teremtették meg az alapját. Csabai professzor akadémiai székfoglaló előadásában saját pályáján keresztül mutatta be az adat-intenzív kutatási megközelítés kialakulását és fejlődését az elmúlt három évtizedben, valamint a felgyorsult számítógépes technológia és sok adat nyújtotta lehetőségeket és kihívásokat.

Csabai István székfoglaló előadása. Fotó: MTA

Akadémiai székfoglalója kapcsán Csabai Istvánnal kutatói pályájának eddigi mérföldköveiről beszélgettünk. 

KINYÍLIK AZ UNIVERZUM FEKETE DOBOZA

Csabai István kutatásait egy nagy égboltfelmérési projektben kezdte, ami az univerzum első, háromdimenziós térképét alkotta meg. Itt lehetősége volt az elsők közt megismerni a "big data" forradalom hatását. A sok adat kezelése új megközelítéseket igényel egyebek mellett gépi tanulási módszerek használatát. A professzor és kutatótársai nemrég a Nature Astronomy folyóiratban közölt tanulmányukban egy mesterséges intelligenciától ellesett módszert mutatnak be, amely minden eddiginél jobban képes kozmológiai paramétereket becsülni gravitációs lencsézést ábrázoló térképekből.

"Sok-sok távoli galaxis megfigyelésével térképet készítettünk, amelyből nagyon sokat megtudhatunk az univerzum történetéről"

- jegyzi meg a professzor. Bizonyos információkat azonban nehéz kinyerni ebből a térképből, az anyagsűrűségre vagy a korai sűrűség fluktuációk mértékére vonatkozóan, ezek hosszú és bonyolult fizikai folyamatokon keresztül befolyásolják a lencsézést ábrázoló térképeket.

A sötét anyag háromdimenziós eloszlásának egy részlete. Fotó: Hubble, COSMOS

MESTERSÉGES INTELLIGENCIÁVAL A PONTOSABB RÁKDIAGNÓZISÉRT

A gépi tanulás nem csak a csillagászati adatok elemzésekor hasznos. A rákos megbetegedések esetén kritikus a korai diagnózis, ezért Csabai István és doktorandusza, Ribli Dezső a deep learning egy speciális válfaját alkalmazta, a radiológusok munkáját segítve a diagnózis felállításának érdekében. Az elmúlt években a mesterséges neuronhálózatokon alapuló technológiák forradalmasították a gépi képfelismerést.

"Módszerünk a pontosság és megbízhatóság szempontjából összemérhető egy átlagos radiológus teljesítményével"

- mondta a professzor. A kutatók remélik, hogy a kifejlesztett világszínvonalú rendszert sikerül bevezetni a magyar klinikai gyakorlatba is.

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

Csabai professzornak és kutatótársainak mammográfiai szűréseket forradalmasító eljárást bemutató cikke a tavalyi év egyik legolvasottabbja lett: 17 000 cikk közül a 30. legnépszerűbb. „A Nature Scientific Reports lapban bemutatott módszerünk képes arra, hogy

megtalálja a rosszindulatú tumorok túlnyomó többségét

úgy, hogy nagyon kevés téves jelölést tesz a képekre, amit a radiológusok gyorsan ki tudnak szűrni" - teszi hozzá Csabai István. A kutatók által alkalmazott mesterséges neuronhálózat modell paramétereit saját maga, önállóan, kizárólag a kapott adatokból tanulja meg. Nagyon fontos viszont kellően nagy, jó minőségű tanító halmazon beállítani a rendszert, ehhez szorosan együttműködést alakítottak ki hazai orvosokkal és folyamatban van a módszer kiterjesztése más orvosi képfelvételek kiértékelésére is.

Tehetséges kutatójelöltek a csapatban

Csabai professzor hangsúlyozza, hogy az eredményekben nagy szerepe van a diákjainak, PhD hallgatóinak. Kutatócsoportjába ezért évek óta igyekszik a legtehetségesebb kutatójelölteket bevonzani, akik számos kimagasló sikert értek el. Egyikük Pataki Bálint Ármin, aki megnyerte az egyik Dream Challenges nemzetközi gépi tanulási versenyt. A résztvevőknek terhes nőktől vett vérmintákból származó génexpressziós adatok alapján kellett minél pontosabban meghatározni, hogy a kismama a terhesség hányadik hetében jár, illetve várhatóak-e komplikációk. 

Ezenkívül a professzor két fizika mesterszakos hallgatója, Biricz András és Olar Alex ötletes megoldása és dizájnja a második helyet jelentette a Hack #LikeABosch fejlesztő versenyen, ahol olyan gépi látásra épülő platformot építettek, amely egy kamerával felszerelt jármű mozgóképein beazonosítja az objektumokat és meghatározza azok jellegét, távolságát, majd megjeleníti egy élő videón. 

Kimagasló eredmény, hogy Ribli Dezső, az ELTE TTK Komplex Rendszerek Fizikája Tanszék doktorandusza magyar tudomány kategóriában Junior Prima Díjat vehetett át tavaly decemberben. Dr. Csabai István témavezetésével folytatott PhD munkája során a legmodernebb gépi tanulási algoritmusok tudományos hasznosításával foglalkozott és interdiszciplináris orvos-biológiai és kozmológiai kutatásokban ért el nemzetközi visszhangot kiváltó eredményeket. 

Csabai István akadémiai székfoglaló előadása. Fotó: MTA

Csabai professzor diákjaival részt vesz rák-genetikai kutatásokban is. Az egyik, amerikai kutatókkal közös tanulmányukban azt vizsgálták, hogy  a tumorsejtek bizonyos DNS régiók megtöbbszörözésével miként képesek gyorsabb szaporodást elérni. A Cell folyóiratban publikált mechanizmus fontos szerepet játszik előrehaladott prosztatadaganatokban, illetve a gyógyszeres kezelésekkel szembeni ellenálló képesség kialakulásában. 

 A társadalmilag hasznosítható eredmények 

Csabai professzor elmondta: noha meggyőződése, hogy a tiszta alapkutatások a társadalom hosszú távú fejlődését alapozzák meg, mindig  törekszenek arra, hogy az alapkutatások mellett, olyan eredményeket is létrehozzanak, amik már rövid távon is hasznosulnak a társadalom számára. A rák-genetikai és orvosi képdiagnosztikai kutatások mellett a közelmúltban indult részvételükkel egy európai támogatású nemzetközi program, amiben az újonnan felbukkanó járványok megelőzésére dolgoznak ki adat-intenzív megközelítésű monitorozó rendszert.

Csabai István fő kutatási területe az extragalaktikus asztrofizika, ezen belül elsősorban fotometrikus vöröseltolódások becslése és nagyméretű csillagászati adatbázisok fejlesztése. E mellett több interdiszciplináris témával foglalkozott, mint például a szonolumineszcencia kísérleti vizsgálata illetve komplex kommunikációs hálózatok mérése és elemzése. Újabban rák-genetikai adatok elemzésében is részt vesz, valamint kutatócsoportjával gépi tanulási módszereket fejlesztenek. Számos hazai és külföldi alapkutatási illetve kutatás-fejlesztési projektben vett részt koordinátorként illetve vezető kutatóként: az évek során összesen mintegy 3 évet dolgozott vendégkutatóként a Johns Hopkins Egyetemen, és részt vett a Sloan Digital Sky Survey archívumának tervezésében és megalkotásában. 2000-ben elnyerte a Széchenyi Professzori Ösztöndíjat, 2006-ban pedig az Eötvös Loránd Fizikai Társulat Detre László díját. 2008 óta az MTA doktora, 2009-ben egyetemi tanárrá nevezték ki. 2015-ben Akadémiai Díjban részesült.

Kapcsolódó cikkek

• Learning from Deep Learning
• Weak lensing cosmology with convolutional neural networks on noisy data
• Mesterséges intelligencia segítheti a rákdiagnózist
• Magyar kutatók mesterséges intelligenciától lestek el egy új kutatási módszert
• A számítógépes mélytanulási technológia várható megjelenése a hazai mammográfiában

Borítókép: MTA