Podczas studiów stworzyła aplikację do diagnozowania znamion skórnych, teraz pracuje z głębokimi sieciami neuronowymi. Czy sztuczną inteligencję można wykorzystać w diagnostyce i profilaktyce? O przyszłości współczesnej medycyny rozmawialiśmy z Agnieszką Mikołajczyk, doktorantką z Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej.
tak, widać, że już teraz jest to wielkie wsparcie technologiczne
64%
tak, ale AI nigdy nie zastąpi pracy lekarza
25%
nie, kwestie leczenia powinniśmy zostawić specjalistom, a nie komputerom
7%
Czy sztuczna inteligencja może usprawnić pracę dermatologów pod kątem wykrywalności nowotworów skóry?Agnieszka Mikołajczyk: Tematyką wykorzystania AI (ang. artificial intelligence) w kontekście rozpoznawania znamion skórnych zaczęłam zajmować się jeszcze na etapie pracy inżynierskiej. Koncepcja była stosunkowo prosta i opierała się na metodach diagnozowania przez dermatologów. Lekarze, analizując znamię, bazują na kilku wytycznych - sprawdzają między innymi kształt, barwę, strukturę czy obwód. Co ciekawe, "zdrowe" zmiany są zazwyczaj symetryczne i w związku z tym już asymetria może dawać pewne wątpliwości. Wprowadzenie tych zmiennych do odpowiednich narzędzi AI może pozwolić na skuteczne wsparcie procesu diagnostycznego.
Czytaj też:
Aplikacja podpowie, jak dbać o zdrowie, by żyć dłużej
Wsparcie, ale nie zastąpienie medyków? Końcowa diagnoza zawsze jest oparta o wiedzę lekarza i wyniki badania histopatologicznego. Mówimy o narzędziach wspierających, które pomogą wychwycić zmiany patologiczne.
Czy realizowany przez panią projekt miał stanowić bardziej wsparcie dla lekarzy czy również umożliwić diagnostykę z poziomu pacjenta?Zdecydowanie lekarzy, ponieważ program komputerowy zlicza wszystkie parametry na podstawie zdjęć, które z kolei są wykonywane przy pomocy specjalnego dermatoskopu. Parametry zostają przekazane na sieć neuronową, która uczy się odróżniać zmiany patologiczne od tych naturalnych. Kiedyś moim marzeniem było, aby w każdej szkole był taki dermatoskop.
Praca inżynierska była jednak początkiem przygody z AI?Zgadza się, poprzednio opracowany system ekspercki był dopiero początkiem. Tym razem kryteria opracowane przez lekarzy zastąpiła całkowicie sztuczna inteligencja, która bazowała na tak zwanym głębokim uczeniu.
Głębokie uczenie (ang. deep learning) jest podkategorią uczenia maszynowego, które polega na odpowiednim tworzeniu i trenowaniu sieci neuronowych, w taki sposób, by samodzielnie na podstawie dostępnych danych generowały żądane predykcje.
Wykorzystałam konwolucyjne sieci neuronowe - takie sieci składają się z wielu hierarchicznie następujących po sobie warstw filtrów konwolucyjnych/cyfrowych, których parametry są dobierane podczas procesu uczenia. Głębokie sieci neuronowe świetnie spisują się w zadaniach ekstrakcji cech (ang. features), czyli istotnych z punktu widzenia diagnostycznego elementów zdjęcia - a tym samym daje po prostu większe możliwości. Głębokie sieci neuronowe cały czas są zaliczane do najnowocześniejszych technik w tym zagadnieniu i właśnie na takich sieciach pracuję w ramach mojego doktoratu.
Czytaj też:
Sztuczna inteligencja będzie rozpoznawać guzy nerek
Czy trudno jest uczyć sztuczną inteligencję? Na pewno jest to bardzo rozwojowe zadanie. W ostatnim czasie zwróciłam uwagę, że w moim badaniu AI bardzo często klasyfikuje zdjęcia z czarną ramką jako nowotworowe zmiany. Czarne ramki wokół zdjęć - prostokątne lub okrągłe - są typowym artefaktem, wynikającym z rodzaju wykorzystanego dermatoskopu. Oczywiście to, czy zdjęcie jest otoczone ramką, czy nie, dla lekarza nie jest istotne. W związku z tym przeprowadziłam eksperyment - dodałam te ramki do wszystkich zdjęć i sprawdziłam, czy predykcja się zmieni. Okazało się, że w ten sposób około
40 proc. znamion klasyfikowanych jako łagodne stało się zmianami nowotworowymi.
Po głębszej analizie problemu wyszło na jaw, że w analizowanej bazie danych było zdecydowanie więcej znamion łagodnych niż złośliwych, a większość zdjęć znamion łagodnych pochodziła z jednego ośrodka pediatrycznego - tutaj ramek prawie nigdy nie było. Charakterystyczne ramki z kolei pojawiały się często w innych ośrodkach na znamionach nowotworowych ze względu na inne aparaty wykorzystywane w danych szpitalach. Sieć neuronowa łatwo skojarzyła zmienne i zaliczyła drobny artefakt jako wytyczną decydującą o łagodności.
Czy AI i głębokie sieci neuronowe to przyszłość współczesnej medycyny? Czy są jakieś zagrożenia w tym obszarze, czy same korzyści?Sztuczna inteligencja z pewnością wspomoże niejeden obszar medycyny: analiza znamion skórnych, wykrywanie retinopatii cukrzycowej, analiza zdjęć radiologicznych i inne. Ponadto na całym świecie trwają prace nie tylko nad diagnostyką medyczną, ale także w dziedzinie farmaceutyki (projektowanie lekarstw), wspomaganie lekarzy np. w obliczeniu masy kości na podstawie zdjęcia radiologicznego, monitorowanie stanu zdrowia pacjentów, a nawet usprawnienie pracy lekarzy z dokumentacją.
Oczywiście wiążą się z tym pewne zagrożenia, i właśnie dlatego tak ważna jest dziedzina Objaśnialnej AI (ang. Explainable AI). Metody objaśnianej sztucznej inteligencji mają za zadanie między innymi wskazać "proces rozumowania", który krył się za daną diagnozą. Jest to szeroko badany temat przez naukowców na całym świecie.
Portal trojmiasto.pl nie ponosi odpowiedzialności za treść opinii. 
Filmy