Medikai ir įvairios socialinės reklamos nuolat primena, kad laiku diagnozavus šią ligą galima sėkmingai užkirsti kelią jos vystymuisi. Pasaulio ir Lietuvos mokslininkai nuolat suka galvas, kad vėžio diagnostika būtų efektyvesnė ir spartesnė. Štai Kauno technologijos universiteto (KTU) tyrėjai krūties vėžiui diagnozuoti pabandė pritaikyti dirbtinio intelekto ir matematinius metodus – rezultatai nudžiugino, rašoma pranešime žiniasklaidai.
Pasak technologijos mokslų daktaro Tomo Iešmanto, krūties vėžio diagnostikos bandymams, vykusiems Kauno technologijos universitete, buvo pasirinktas visiškai naujas Lietuvoje ir pasaulyje metodas, kurį maždaug prieš metus pristatė garsus kognityvinės psichologijos ir kompiuterių mokslo ekspertas Geoffrey E. Hintonas iš Toronto universiteto (Kanada).
„Google“ kompanijoje mokslo tyrimus atliekantis ir giliojo mokymosi srities krikštatėviu tituluojamas G. Hintonas sukūrė ir mokslo bendruomenei pristatė vadinamąjį kapsulinį neuroninį tinklą. Panašaus pobūdžio dirbtinių neuronų grupės pasaulyje naudojamos ne tik medicinoje, bet ir finansų valdyme, pramonėje, netgi karyboje.
Pasaulinio lygio išradimai įkvėpė ir lietuvius. KTU podoktorantūros stažuotojui T. Iešmantui kilo idėja jį adaptuoti konkrečiai krūties vėžio diagnostikos problemai. Mokslininkas analizavo medicinines, mikroskopu darytas krūties audinio nuotraukas, kurias pateikė Porto universitetas (Portugalija).
Nuotraukose fiksuoti keturių tipų audiniai: nevėžinis audinys, karcinoma, neinvazinė ir invazinė karcinomos, iš kurių dažniausiai ir atpažįstama klastinga liga.
Jungtinė mokslininkų komanda siekė sudaryti matematinį metodą, kuris leistų automatiškai klasifikuoti krūties audinio nuotraukas į minėtus keturis tipus, maksimaliai eliminuojant klaidų galimybę.
„Metodas buvo patikrintas su šimto pacientų krūties audinio histologinėmis nuotraukomis ir gautas 85 proc. tikslumas“, – preliminarius eksperimento rezultatus apibūdina tyrėjas, pavadindamas juos „daug žadančiais“.
Šios krypties tyrimams vadovauja KTU Matematikos ir gamtos mokslų fakulteto (MGMF) profesorius Robertas Alzbutas.
Proveržį lemia gilusis mokymasis
Paskutiniai pasiekimai dirbtinio intelekto srityje yra glaudžiai susiję su vadinamuoju „giliuoju mokymusi“ (angl. deep learning). T. Iešmantas paaiškina sąvoką: gilusis mokymasis yra technikos ir metodai, kuriuos naudojant kompiuteris išmokomas atpažinti ir interpretuoti vaizdus, suprasti tekstus bei garsus.
„Tai yra žmogaus mokymosi proceso skaitmeninė imitacija, nors ir ne itin tiksli“, – patikslina KTU mokslininkas.
Žmogus mokosi iš pavyzdžių. Tokią eigą stengiamasi imituoti naudojant gilųjį mokymąsi. Kaip pasakoja T. Iešmantas, ši grupė metodų išsiskiria iš kitų metodų tuo, kad yra specialiai sukurti taip, kad be jokios pagalbos patys išmoktų atpažinti, kuo skiriasi skirtingi objektai, vaizdai, garsai ir panašūs elementai.
„Matematika yra didelė giliojo mokymosi dalis. Pastaraisiais metais tarptautinė mokslo bendruomenė ėmėsi bandymų pritaikyti tai vėžio diagnostikai“, – pastebi T. Iešmantas.
Pavyzdžiui, plaučių vėžio diagnozavimui kompiuteris mokomas aptikti smulkius pakitimus plaučiuose. Taip pat tokiu būdu limfmazgiuose aptinkamos metastazės, pasitelkus gilųjį mokymąsi, lokalizuojami smegenų augliai, nagrinėjami odos pakitimai.
Vadinamasis giliojo mokymosi metodų taikymas medicinoje sujungia dvi T. Iešmanto mėgstamas sritis – matematiką ir biologiją.
„Tad man buvo natūralu šias sritis susieti savo darbuose. Taip ir gimė mintis imtis matematikos taikymų vėžio diagnostikoje. Krūties vėžys yra vienas dažniausiai diagnozuojamų vėžio tipų moterims, tad bus puiku, jei mano tyrimai prisidės prie efektyvesnės diagnostikos ir tikslesnio audinių pakitimų įvertinimo“.
Ar gali kompiuteris savarankiškai atpažinti vėžį?
KTU mokslininko teigimu, medicinos praktikoje vėžys neretai nustatomas pasikliaujant vizualine informacija. Paprastai tariant, medicinos diagnostikos profesionalai analizuoja įtarimų keliančio audinio nuotraukas ir vertina, ar yra pakitimų.
Nuotraukos gali būti įvairaus tipo – darytos mikroskopu, gautis kompiuterinės tomografijos būdu ir panašiai.
„Tokių skaitmeninių vaizdų analizė ir tikslus įvertinimas reikalauja daug laiko. Dėl greito žmogaus darbo tempo sunku išvengti klaidų, o šios esant vėžiui gali turėti labai rimtų pasekmių“, – pastebi T. Iešmantas.
„Todėl matematinių metodų taikymo tokių vaizdų analizėje tikslas yra pagelbėti specialistams, kad būtų padaryta kuo mažiau klaidų, o audinio pakitimai būtų įvertinti kuo tiksliau,“ – matematikos vaidmenį apibrėžia tyrėjas, paaiškindamas, kad tokiu būdu vyksta dalinis vėžio diagnostikos proceso automatizavimas.
Paklaustas, ar gali būti, kad ateityje vėžį nustatys pats kompiuteris be žmogaus pagalbos, T. Iešmantas pabrėžia, kad kol kas tai tik vizija, tačiau link jos einama.
„Jau yra pavyzdžių, kai giliojo mokymosi metodai taikomi ir klinikinėje veikloje, o ne vien tik moksliniuose vėžio tyrimuose, tačiau kažin, ar šie metodai visiškai eliminuos žmogų iš diagnostikos proceso. Bent jau ne artimiausiu metu“, – pabrėžia T. Iešmantas, neabejojantis, kad giliojo mokymosi metodų taikymas netruks paplisti klinikinėje veikloje bent iš dalies automatizuojant ir pagerinant tam tikrų vėžio tipų diagnostiką.
Krūties vėžys – vienas dažniausių susirgimų Lietuvoje
Lietuvos vėžio registro duomenimis, iš visų 2012 m. moterims diagnozuotų piktybinių navikų atvejų, net 18 proc. sudarė krūties vėžys, aplenkdamas kitų tipų – skrandžio, žarnyno, gimdos, kiaušidžių – vėžį.
Didžiausią dalį sergančiųjų krūties vėžiu sudaro 30-54 metų amžiaus grupei priklausančios moterys – šioje amžiaus grupėje sergamumas siekia net 27 proc.
Didesnę riziką susirgti šio tipo vėžiu turi vyresnio amžiaus moterys, ypač po menopauzės, kai organizme vyksta įvairūs hormonų pokyčiai. Tarp rizikos veiksnių susirgti šia liga įvardijamas vėlyvas gimdymas, artimų giminaičių sirgimas šia liga, negimdinis nėštumas, ilgesnis nei 10 metų konraceptikų vartojimas, nutukimas, netinkama mityba.
Medikai atkreipia dėmesį, kad krūtų vėžiu serga ir vyrai. Lietuvoje per metus vidutiniškai užfiksuojami maždaug 1-2 tokie ligos atvejai 100 tūkst. gyventojų.
