Ismét ELTE-s PhD hallgatók nyerték a rangos nemzetközi adatelemző versenyt

A tuberkulózis az egyik vezető fertőző halálozási ok világszerte. Évente több millióan betegszenek meg aktív TBC-ben anélkül, hogy tudomást szereznének róla. A terjedés megfékezésének elsődleges módszere az esetek azonosítása, ugyanis felnőttek számára nincs hatékony TBC elleni vakcina.

Sajnos a diagnózis késedelme gyakori, különösen a korlátozott erőforrásokkal rendelkező környezetben, és ez ronthatja a betegség kimenetelét, valamint elősegíti annak terjedését. A közelmúltban a globális TBC-ellenőrzést súlyosan befolyásolták a COVID-19 világjárvány egészségügyi rendszerekre gyakorolt hatásai, és a TBC okozta halálozás több mint egy évtizede először növekvő tendenciát mutat.

A genomikai vizsgálatok terén a közelmúltban elért eredmények ellenére az aktív TBC diagnosztizálásának alappillérét továbbra is a mikroszkópos vizsgálat jelenti, amely a mycobacterium tuberculosis légúti köpetben történő azonosításán alapszik. Ehhez olyan képzett szakemberekre van szükség, akik az összes feltételezett esetet pontosan áttekintik, ami vidéki régiókban vagy fejlődő országokban nem feltétlenül áll rendelkezésre rutinszerűen. Az automatizált digitális mikroszkópia egy költséghatékony megoldásként jelent meg ennek  a problémának a kezelésére. Egy olyan automatizált algoritmus, amely megbízhatóan képes azonosítani a mikobaktériumot a TBC-gyanús betegek mintáiban, segíthet abban, hogy gyorsabban és pontosabban diagnosztizálják a betegséget azokban a helyeken, ahol ez jelenleg nehézségekbe ütközik.

A Nightingale Open Science és Wellgen Medical Co., Ltd  által szervezett nemzetközi adatelemző versenyt éppen azzal a céllal hozták létre, hogy elősegítse az olyan algoritmusok kifejlesztését, amelyek képesek azonosítani a bacilusokat a betegmintákban, ezzel segítve az aktív tuberkulózis diagnózisát.

A versenyzőknek saját fejlesztésű algoritmusokkal  kellett elemezni egy olyan adathalmazt, amely több, mint 75.000 mikroszkópos képet tartalmazott Ázsia szerte gyűjtött légúti mintákból és megállapítani, hogy a különböző mikroszkópos képek tartalmaznak-e bacilust vagy sem. A feladat kihívását az jelentette, hogy a pozitív minták jelentősen alulreprezentáltak voltak az adathalmazban (kb. 5%), és az algoritmusnak akár csak egyetlen kis méretű bacilust is pontosan tudnia kellett azonosítani a képeken.

Bedőházi Zsolt és Biricz András az Informatika, valamint Fizika Doktori iskola hallgatói Csabai István fizikus professzor kutatócsoportjában dolgoznak, és előszeretettel mérettetik meg tudásukat nemzetközi versenyeken, ahol már számos siker értek el. A mostani versenyen egy olyan innovatív módszert fejlesztettek, amelyben az UNI-t, egy nemrég megjelent ún. patológiai alapmodellt  használtak fel arra, hogy a képekről tömörített információt nyerjenek ki. Ilyen modelleket nagyon változatos és hatalmas mennyiségű címkézetlen adatbázisokon történő tanítással fejlesztenek ki, ami rendkívül sokoldalúvá és széles körben alkalmazhatóvá teszi őket, ezzel túllépve a jelenlegi mesterséges intelligencia rendszerek azon  hiányosságait, hogy azok gyakran csak azokra a területekre korlátozódnak, amelyekre kifejlesztették őket. Az UNI-t például 20 különböző szövettípusból származó 100 millió digitális patológiai kép felhasználásával fejlesztették ki, kiváló reprezentációs és általánosítás képességeinek köszönhetően azonban tudása nem csak patológiai metszetekből származó képek elemzésére korlátozódik, hanem sokoldalúan alkalmazható más különböző diagnosztikai forgatókönyvekben is, mint például a versenyen előforduló légúti minták mikroszkópos képeinek feldolgozása. Az UNI segítségével a képekből kinyert információt a hallgatók egy újabb lépésben, a legkorszerűbb Transformer alapú modellel vizsgálták tovább, amelyet speciálisan a feladatra finomhangolva fejlesztettek. Ez a megközelítés képes az eredeti kép több kisebb régióját egyszerre venni figyelembe és az eddigi, baktériumok azonosítására alkalmazott megoldásokkal ellentétben nem igényel szakemberek általi jelöléseket a képeken,  hanem ún. önfelügyelt módon képes tanulni és felismerni a képeken található releváns mintázatokat.

A hallgatók által fejlesztett módszer kiemelkedő pontosságot és első díjat eredményezett a versenyen.

Az elért siker az adatokat szolgáltató és intelligens digitális mikroszkópokat fejlesztő taiwani Wellgen Medical Co., Ltd cég érdeklődését is felkeltette. A cég vezetője kifejezve elismerését, a hallgatókkal egyeztetve jelenleg saját privát adathalmazán szeretné tesztelni az új módszert. Zsolt és András elmondták, hogy az ilyen és hasonló éles megmérettetések rendkívül hasznosak és tanulságosak, ugyanis az idő és a felhő alapú platformon zajló munka költségkerete miatt csak nagyon megfontoltan lehet dolgozni. Az idő és a számítási kreditek limitációja mellett a platformon elérhető hardveres számítási kapacitás is korlátozott, ezért a legújabb technológiák és mesterséges intelligencia modellek ismere mellett azok optimalizációjára is kiemelt figyelmet kell fordítani. A hallgatók szerint az ilyen és hasonló versenyekkel nagyon értékes tapasztalatokkal és számtalan tanulsággal lehet gazdagodni.

Zsolt szerint az ilyen és hasonló versenyek tökéletes színterei a szakmai ismeretek és képzelőerő összefonódásának, ami a kreatív ötletek bölcsője. A hallgatók remélik, hogy munkájuk hozzájárul a digitális mikroszkópia technológiai fejlődéséhez, és másokat is inspirál majd.

Forrás:

https://www.ngsci.org/updates/detecting-tuberculosis-using-ai

https://www.ngsci.org/updates/ml-challenge-tb-detection

https://www.ngsci.org/updates/winners-of-the-2024-tuberculosis-detection-challenge