Pontosabb és gyorsabb diagnosztika, célzott gyógyszerkutatás. Ez csak két szempont a sok közül, ami a kutatók szeme előtt lebegett, amikor – lokális kihívásokkal szembesülve – a mesterséges intelligenciát is segítségül hívták globális kutatásaik során.

A diagnosztikai képi és szöveges leletek kutatását lehetővé tevő, mesterséges intelligencia (MI) alapú megoldást hoztak létre a Debreceni Egyetem (DE) kutatói és a GE HealthCare szakemberei. A nemrégiben lezárult, közel 1,5 milliárd forint összköltségvetésű, kétéves projektben magyar nyelvű, természetes nyelvfeldolgozó algoritmusokkal dolgoztak. A projektet a Nemzeti Kutatási, Fejlesztési és Innovációs Alap mintegy 800 millió forinttal támogatta. A részletekről Ferenczi Lehel, a GE HealthCare adat és analitikai igazgatója és Hajdu András, a DE Informatikai Kar dékánja nyilatkozott lapunknak.

Ferenczi Lehel: Az együttműködés fő célja az volt, hogy a betegeknek személyre szabott terápiát tudjunk adni, ráadásul úgy, hogy a jövőben már a kohorszok (betegcsoportok) alapján, az adott típusú klinikai problémához célzottan keressük az adatokat. Ahhoz, hogy a kutatást el tudjuk végezni, a diagnosztikai képi és szöveges leletek egységesítésére, továbbá újonnan fejlesztett, magyar nyelvű természetes nyelvfeldolgozó algoritmusra volt szükség. Az adatok strukturált összegyűjtése által lehetőség nyílik analitikára és kohorszok rendezésére. Mindez újabb kutatási területek felé nyitja meg az utat.

Hajdu András: Egyetemünk egyik fontos hozzáadott értéke a projekthez annak megvalósítása volt, hogy a rendszer valóban tudjon kapcsolódni a magyarországi klinikai rendszerekhez. Ennek érdekében kialakítottuk a megfelelő interfészeket, miközben hangsúlyt fektettünk az adatvédelemre.

Kizárólag anonimizált adatokkal dolgoztunk, lokálisan egy zárt rendszerben megvalósult a két rendszer összekapcsolása. A másik komoly kihívást az jelentette, hogy magyar nyelvű, szabad szöveges leletekből nyerjük ki a releváns információt. A projekt alapvetően a daganatos elváltozásokra koncentrált. Száznegyven leírót (elemet) sikerült összegyűjteni, kezdve a legegyszerűbb adatoktól (például a beteg azonosítója, anamnézis, diagnózis) egészen addig, mint például a tumor mérete. A szöveges leletekből aztán egy strukturált adatbázis készült, amely tartalmazza a releváns klinikai adatokat, a betegséggel, valamint a gyógyszerekkel kapcsolatos információkat. Fontos előrelépés, hogy mindez magyar nyelvű – ilyen szolgáltatás, ilyen szinten, magyar nyelven eddig nem volt elérhető.

További érdekessége a projektnek, hogy az orvosi képekhez metaadatokat társítottunk. Ezek segítségével kohorszokat lehet összeállítani. Egy adott típusú daganatos elváltozáshoz például életkor, lakhely, a betegség előrehaladottsága, az eddigi gyógyszeres kezelés stb. szerint lehet betegcsoportokat létrehozni. A jövőben egy gyógyszerkutatáshoz például meg lehet határozni páciensek egy csoportját, akiknél indokolt egyfajta gyógyszer használata, hatásának követése.

ComputerTrends: A projektben a nulláról indult a munka, vagy vannak már hasonló megoldások, együttműködések a GE HealthCare nemzetközi hálózatában?

FL: A GE HealthCare-nek van egy nemzetközi célokra fejlesztett digitális platform megoldása, amely szabványos felületeken csatlakozik az általános kórházi rendszerekhez. A Debreceni Egyetemmel való együttműködésnek az volt a kihívása, hogy miként tudunk egy helyi kórházi informatikai rendszerhez csatlakozni, és egységes adatformátumot generálni, ezáltal a DE-t és Magyarországot hogyan tudjuk minél hatékonyabban bekapcsolni a globális tudományos körforgásba.

HA: Tudjuk, hogy vannak hasonló megoldások a világban, de az is egyértelmű, hogy az angol nyelvű automatizált adatfeldolgozás sokkal előrehaladottabb állapotban van, mint például a magyar nyelvű.

A cél, hogy felzárkózzunk, és ezzel a projekttel javíthatunk a helyzetünkön. A másik fontos szempont a hazai klinikai adatvagyon strukturált, célzott feldolgozása, hiszen arra törekszünk, hogy a magyar emberek magas színvonalú egészségügyi ellátásban részesüljenek az ehhez hasonló innovatív megoldásokon keresztül.

CT: Hányan vettek részt a kutatásban?

HA: A Debreceni Egyetem részéről a teljes csapat úgy tíz főből állt. Voltak, akik a mesterséges intelligenciával foglalkoztak, mások az adatbázisok eléréséhez szükséges felületek kialakításán dolgoztak.

FL: A projekten több mint 50 munkatársunk dolgozott az infrastruktúra-illesztésen, az adatbázis interfészeken, a mesterséges intelligencia alapú adatfeldolgozó megoldásokon, illetve a betegcsoport lekérdező rendszer létrehozásán.

CT: A Debreceni Egyetemen kik és pontosan mire fogják használni a projekt, illetve a közös kutatások eredményeit?

HA: Az ilyen projektek esetén a hasznosításról alapvetően az ipari fél dönt. A GE HealthCare-nek van tapasztalata, hogy miként lehet a eredményeket piaci szempontból hasznosítani. Mi itt az egyetemen elsősorban a kutatási oldalt tartjuk szem előtt, a szövegelemzésen alapuló vizsgálatokat, a képfeldolgozást szeretnénk tovább vinni, bővíteni, javítani, a magyar nyelvre fókuszálva.

FL: A projekt során létrejött mesterséges intelligencia alapú alkalmazás megoldást kínálhat az egészségügy átfogó kihívásaira. A személyreszabott medicina megvalósítása érdekében, az új mesterséges intelligencia stratégiánk mentén olyan megoldásokon, termékeken dolgozunk, amelyek a digitális újításokkal hosszú távon teremtenek valódi értéket az egészségügyi szakemberek számára.

A DE-vel már vannak konkrét együttműködési területek, például az onkológia, azon belül a sugárterápia területén, de folyamatosan keressük a további lehetőségeket.

A GE HealthCare Magyarországon, illetve Európa-szerte több nemzetközi projektben vesz részt.

Ezek általában kutatási projektek, egyfajta európai partnerségi keretrendszerben. Ilyen például egy új, az Alzheimer-kór korai detektálására irányuló európai kutatás.

CT: Tegyük fel, hogy a GE HealthCare és a DE közös kutatási eredményei iránt más hazai klinika is érdeklődik. Adaptálhatóak az eredmények, vagy teljesen új projektben kell gondolkozni?

FL: Ez a projekt lezárult, de az itt kidolgozott módszertant alkalmazni lehet más intézménynél is, de teljesen mások lehetnek a kapcsolódási megoldások. Egy az egyben nem biztos, hogy át lehet venni az eredményeket, de a tapasztalatokat, módszereket igen.

CT: A projekt lezárult. Mi a következő lépés?

FL: A projekt valódi értékét a DE-n létrejött strukturált adatbázis jelenti: össze tudtuk gyűjteni a klinikai információt, amelyek a jövőben strukturáltan állnak rendelkezésre. Úgynevezett multimodális adatokról, tehát az orvosok által kiértékelt képi és nem képi adatok együtteséről van szó. További lépés, hogy ezen adatok feldolgozását, az orvosi munkát mesterséges intelligenciával segítsük. A későbbiekben döntési algoritmusokat vagy prediktív analitikát lehet fejleszteni, a multimodális adatokat össze lehet vetni a betegek életútjával, és mindezekkel fel lehet gyorsítani, célzottabbá tenni a betegellátást. A GE HealthCare lehetőséget kínál arra, hogy a DE-n létrejött adatbázisról egy nemzetközileg is értékelhető adat-érték indexet adjon, és ezáltal lehetőséget nyisson az egyetem számára akár nemzetközi együttműködésekre. A GE HealthCare számára a valódi érték, hogy Magyarországon, magyar egyetemmel, magyar adatokkal tudtunk dolgozni, és népes helyi mérnöki csapatunk, lokális kihívásokkal szembesülve, lehetőséget teremtett a DE számára, hogy be tudjon kapcsolódni a globális kutatás-fejlesztésbe.

HA: A klinikai adatokból, akár a szövegből, akár a képekből még rengeteg információt lehet kinyerni. Olyan finomságokig el lehetne menni, mint például a tumor pontos elhelyezkedése, jellemzői.

Ha a teljes magyarországi egészségügyet nézzük, hatalmas adatvagyon áll rendelkezésre, aminek nagy részéhez jelenleg még nincs meg a hozzáférés. Itt különféle jogi kérdések is felvetődnek, hogy csak egyet, a GDPR-t említsem. A jogi szabályozást tekintve is nagy a restancia, mi itt, egyetemi kutatóként és informatikusként egyszerűbben látjuk ezeket a dolgokat. Jó lenne, ha az adatokhoz minél hamarabb és minél szélesebb körben hozzá lehetne férni. A folyamatokat a megfelelő adatvédelmi törvényekkel, ipari szempontok figyelembevételével fel lehetne gyorsítani.

Forrás: ComputerTrends