С(Ц)ИЕСТА СО МИТКО ВЕТА: Ги автоматизираме анализите на патолозите
Митко Вета е млад научник кој живее и работи во Холандија веќе 11 години. Уште на додипломските и магистерските студии на ЕТФ на УКИМ, работел на анализа на слики и продолжил да истражува во оваа област и на своите докторски студии во Универзитетскиот медицински центар во Утрехт. Тогаш почнува да работи на проект од областа на дигиталната патологија, нешто целосно ново во тоа време. Меѓу неговите ментори е и Макс Фиргевер, еден од пионерите во оваа истражувачка област. На постдокторски Митко заминува во Ајндховен, каде што моментално работи како доцент на Универзитетот.
Анализа на медицински слики со вештачка интелигенција
Дигиталната патологија подразбира ставање на вештачката интелигенција (ВИ) во функција на анализа на медицински слики. Тие слики се всушност фотографии направени со оптички микроскопи на кои има монтирано камера и кои можат да достигнат големина до 100.000 пиксели. Резолуцијата од 25 микрометри на пиксел овозможува да се гледаат хистолошките карактеристики на ткивото. „Мојата потесна специјалност е работа со слики од пациенти што имаат рак на дојка. Целта со тимот уште од почетокот ни беше да ги автоматизираме анализите што патолозите постојано ги прават рачно“, објаснува Митко.
Вештачката интелигенција помага патолошката анализа да се направи пообјективно
А патолозите, кога станува збор за дијагностицирањето на ткиво од рак на дојка, додека го гледаат под микроскоп, во суштина, прават три работи: 1) гледаат колку се големи клетките – здравото ткиво има прилично униформна големина на клетките, а како ракот напредува, така клетките стануваат со различни големини (плеоморфизам); 2) колку клетки се во фаза на митоза, односно колку брзо расте ткивото и 3) колку добро се организирани клетките на ниво на ткиво во поголеми структури – колку повеќе напредува ракот, толку повеќе се губи организацијата. За секоја од овие три работи патолозите даваат оценка од 1 до 3, ги собираат тие оценки, ги делат на 3 и врз основа на тоа туморот добива оценка од 1 до 3. 1 е добра прогноза и се препорачува поконзервативна терапија, додека 3 повлекува поагресивна терапија со поголеми можни несакани ефекти, затоа што пациентот веројатно е под ризик од метастазирање.
Меѓутоа, патологот е човек и ризикот од човечка грешка е многу голем, кажува Митко: „На пример, броењето на митозите на една површина зависи од моменталната состојба и од концентрацијата на патологот и, едноставно, нормално е да има разлика помеѓу точноста во анализата на ткивото на првиот и на последниот пациент во текот на денот“.
Токму тука доаѓа на помош ВИ. Таа помага субјективната анализа да се направи пообјективна. Наместо да се оценуваат од 1 до 3, клетките можат да се сегментираат автоматски и точно да се добие нивната просечна големина, митозите можат автоматски да се детектираат и да се вадат листи на митози кои патолозите ќе треба само да ги рафинираат. „Ние автоматизираме дадена задача на патолозите, со што се намалува времето потребно за нејзино извршување (на пример, од 15 на 1 минута), а во исто време тоа се прави поточно“, вели Митко.
Научни натпревари за научен напредок
Како научник, кој по дефиниција е скептичен, Митко вели дека кога првпат чита резултати во некој труд, и да е објавен во најдоброто научно списание, по дифолт има сомнежи. Особено кога се користени приватни податоци со приватни алгоритми или кога иста група научници по една година објавуваат мала промена на методот објавен претходната година и драматично подобри резултати. „Еден од најголемите проблеми во областа на анализа на медицински слики уште пред 10 години беше во тоа што сите публикации беа со приватни податоци и со приватни алгоритми“, вели Митко и објаснува дека тоа значи дека ако некој сака да почне ново истражување во оваа област, на почеток треба да вложи огромна енергија за да развие алгоритам и да направи публикација. Прво, треба да собере свои податоци и да направи имплементација на својот алгоритам на нив, но и да направи споредба со другите алгоритми за да предложи методолошко подобрување. „И на крај, кога луѓето ќе го направеа сето ова, излегуваше дека репродуцибилноста на резултатите е 0. Е, тоа беше навистина фрустрирачки за мене“, кажува Митко, кој сакал да најде решение за овој „проблем“ во неговата наука.
Со натпреварите многумина се убедија дека методите на длабоко машинско учење ќе бидат доминантни во областа на анализа на медицински слики
Решението го видел во еден, како што вели, малку „циничен“ пристап, односно, во научен натпревар. Првиот ваков натпревар го организирал во 2012 година, а досега има организирано вкупно четири. „Да речеме, сакаме да решиме некој проблем во анализа на медицински слики, како на пример детекција на митози во хистопатолошки слики од пациенти со рак на дојка. Првиот чекор е да собереме сет податоци што можат да се искористат за да се истренира модел на машинско учење, како на пример слики со обележани локации на митозите. Сетот го објавуваме јавно, на место од каде што други истражувачи можат да го симнат, и ги покануваме со него да развијат свои методи за решавање на проблемот и да ги пратат на евалуација. Евалуацијата се прави на друг сет на податоци што го држиме затворен и до него имаат пристап само организаторите. На тој начин, предизвикот се сведува на натпревар во кој гарантираме дека евалуацијата е независна и фер“, истакнува Митко.
При евалуацијата Митко и неговиот тим детектираат ако некој направи пренагодување (overfitting), што е своевидно наведување на машината да ги „набуба“ податоците за тренирање, а не да научи правила што ќе овозможат добра генерализација на нови податоци. Токму тоа се случило на првиот натпревар, кога при евалуацијата се утврдило дека некои групи истражувачи кои стоеле зад сомнителни трудови во кои со мали промени во моделот доаѓале до огромни промени на перформансите, всушност имале пренагодување на податоците. И така, тие се нашле на дното на листата на успешност на натпреварот. Тие што победиле, пак, биле истражувачи од групата на Јурген Шмитхурмлер што работеле чисто машинско учење, без никакво претходно искуство со анализа на медицински слики. Тие искористиле метод за детекција на сообраќајни знаци, ама, како што вели Митко, „знаеја како да не направат пренагодување, односно како да работат чесно со моделите на машинско учење“.
Токму тогаш, по тој прв натпревар, многумина се убедиле дека овие методи на длабоко машинско учење ќе бидат доминантни во областа на анализа на медицински слики.
Дали ВИ ќе ги замени патолозите?
Иако делува дека вештачката интелигенција е супериорна во брзината и точноста во однос на патолозите, сепак Митко смета дека во наредните 15 години машините тука нема да ги заменат целосно луѓето. Тоа што може да се очекува е ВИ да извршува одредени проблеми подобро од луѓето и да ги заменува во тој дел од нивната работа: „Една од областите што ги работам е детекцијата на метастази од рак на дојка во лимфни жлезди. Резултатите од еден натпревар на оваа тема што ги објавивме покажуваат дека за овој конкретен проблем ВИ нуди супериорни перформанси во однос на патолозите. За ВИ е многу очигледно што е метастаза, а што не, додека кај патолозите може да има грешки заради невнимание. Тоа е еден од првите трудови што покажуваат дека за одредена задача длабокото машинско учење работи подобро од клинички експерти“.
Но, сепак, ни тоа не е едноставно. ВИ ја прави само оваа една задача. Но, ако пациентот има метастаза и под некоја многу мала веројатност и лимфома во исто време, што ќе биде очигледно на слајдовите, патологот ќе го види тоа и ќе рапортира, а системот за ВИ нема, затоа што не е трениран за тоа.
Митко вели дека неговото работење во Одделот за патологија во Утрехт е срдечно прифатено од патолозите и од медицинскиот персонал и дека не ја гледаат ВИ како закана за нивните работни места, затоа што реално не е. Според него, со оглед на тоа што здравствените системи растат под влијание на зголемените здравствени потреби, бројот на патолозите на светско ниво со текот на годините може единствено да расте.
Дискусијата ја водеше Никола Стиков, а во неа учествуваа: Кирил Гаштеовски, Ненад Сврзикапа, Драгана Манасиева, Марјан Попов, Благој Делипетрев, Александар Мелов, Илија Дуковски, Димитар Силјановски, Дејан Порјазовски, Марко Чавдар, Бранислав Геразов, Владимир Кузмановски, Дафинка Срезоска, Богдан Драгански, Весна Бачева, Викторија Димова и Венцеслав Кафеџиски.