Vidjeti neviđeno sa umjetnom inteligencijom

Umjetna inteligencija (AI) predstavlja, simulaciju ljudske inteligencije u kompjuterima. Kada su AI istraživanja prvi put započela, naučnici su pokušavali da kopiraju ljudsku inteligenciju za specifične zadatke – recimo za igranje neke igre (npr. šah). Da bi pokušali vjerno da simuliraju ljudsku inteligenciju, naučnici su uveli prilično veliki broj pravila koja je računar trebalo da poštuje prilikom obavljanja određenog zadatka. Računar je imao određenu listu mogućih akcija koje je mogao da preduzima i donosio je odluke na osnovu postavljenih pravila.

Mašinsko učenje (eng. Machine learning, ML) se, sa druge strane, odnosi na sposobnost mašine da uči, koristeći velike skupove podataka, umjesto strogo definisanih i kodiranih pravila. Zapravo, ML omogućava kompjuterima da sami uče. Ova vrsta učenja koristi moć savremenih kompjutera, koji lako mogu obraditi velike grupe i velike količine različitih podataka.

Duboko učenje (eng. deep learning) je metoda mašinskog učenja, koja omogućava da se AI istrenira da predvidi odeđene ishode na osnovu podataka koji su joj stavljeni na raspolaganje i kojima je se vremenom snabdbjeva.1

Tehnologija umjetne inteligencije bi mogla revolucionizirati način na koji oftalmolozi  dijagnosticiraju dijabetički makularni edem (DME), komplikaciju dijabetesa koja uzrokuje zadebljanje retine, koji može dovesti do nepovratnog sljepila, u slučaju da se ne liječi.

Najbolji način za sprečavanje DME-a su redoviti pregledi oka, ali procjenjuje se da ih 60 posto osoba s dijabetesom ne dobiva. Tokom tih pregleda se koristi tehnika koja se naziva fotografija očnog dna u boji (eng. colour fundus photography, CFP) kojom se snima dvodimenzionalna slika mrežnice.

Iako CFP pruža vrijedne informacije, zlatni standard za dijagnosticiranje DME-a i utvrđivanje potrebe za liječenjem je optička koherentna tomografija (OCT) koja podrazumijeva trodimenzionalno mjerenje makule, središnjeg dijela retine koji s progresijom DME-a zadebljava. 

Međutim, OCT često nije dostupan u skrining programima zbog troškova i tehničkih ograničenja. Debljina makule od 250 mikrona smatra se graničnom vrijednošću (threshold), dok 400 mikrona predstavlja tačku na kojoj mnogi oftalmolozi preporučuju početak liječenja.

Tim naučnika u Genetechu je odlučio istražiti može li se tehnologijom „deep learning-a“ naučiti računare kako procijeniti debljinu makule na osnovu CFP slika, olakšavajući dijagnostiku DME-a i pacijentima i oftalmolozima. Trenutno, CFP slike tumače stručnjaci koji godinama razvijaju sposobnost mjerenja debljine mrežnice prema karakteristikama koje vide na njenoj površini, ali se i dalje moraju oslanjati na OCT za potvrdu i mjerenje. Tim Genetech-ovih naučnika je želio generirati slične sposobnosti u automatiziranom sistemu. Pomoću tehnologije „deep learning-a“ računar vježba da otkrije obrasce i odnose u skupu podataka koji se koriste u toku vježbe, koristeći stotine slojeva analize, od kojih svaki pokupi različite relevantne karakteristike na slici, bez ikakvog usmjeravanja od strane korisnika. Sistem zatim primjenjuje svoje znanje na nove ulazne podatke istog tipa. 

U Genetechovom istraživanju, računarima je u svrhu obuke dat veliki skup podataka o CFP-u i OCT-u, generiran od učesnika u dva velika klinička ispitivanja DME-a. Sistem dubokog učenja (deep learning-a) je pregledao ukupno 17,997 CFP slika od ~ 700 pacijenata i usporedio ih sa odgovarajućim rezultatima debljine makule dobivenim uz pomoć OCT-a. Najbolji model razvijen pomoću ovog seta za obuku uspio je predvidjeti debljinu makule veću od praga od 250 mikrona s tačnošću od 97 posto, što je impresivan nivo performansa. Sistem deep learnig-a bi mogao čak pouzdano predvidjeti stvarno OCT mjerenje debljine makule na osnovu CFP slike ako je ona dovoljno kvalitetna. Ono što je u ovom istraživanju otkriveno je to da se računar fokusira na iste dijelove slika poput kontura i promjera krvnih sudova, kao što su to i stručnjaci godinama radili.

Potrebne su dodatne potvrde preciznosti ovog istraživanja na drugim skupovima podataka. 

No, pod pretpostavkom da sistem radi dobro, ovaj bi alat mogao imati ogromnu vrijednost za oftalmologe, dok liječe pacijente s dijabetesom i DME-om. Na primjer, kada DME pacijenti počnu s liječenjem, kod mnogih od njih se mora svake četiri sedmice raditi kontrolni OCT, kako bi se osiguralo da je njihovo stanje stabilno, tj. da bolest ne napreduje. Vještačka inteligencija bi mogla omogućiti ljudima da koriste kameru mobitela za nadgledanje tkiva retine (mrežnice) u stvarnom vremenu, što bi ljekarima znatno olakšalo praćenje pacijentovih potreba i terapijskog odgovora. Takva inovacija ne bi samo bila prikladnija za pacijente, već bi ih učinila i mnogo aktivnijim sudionicima u vlastitom liječenju. Oftalmolozima bi mogućnost procjene makularne debljine pomoću CFP-a olakšala identifikaciju najurgentnijih slučajeva i njihovo brzo i odgovarajuće liječenje.

Ono što je bitno naglastiti je to da uspješnost mašinskog učenja, koje uključuje i duboko učenje (deep learning), kao i druge tehnike koje računari koriste za razvoj baza znanja za analizu podataka, ovisi o robusnim, kvalitetnim i reprezentativnim podacima za obuku.

A korištenje ovih podataka za potporu dijagnozi tek je početak- u slikama CFP-a mogu postojati elementi koji će pomoći vještačkoj inteligenciji u personaliziranju liječenja DME-a, predviđanjem kod kojih pacijenata će oboljenje napredovati najbrže ili ko će dobro reagirati na terapiju. Mogli bi se koristiti i drugi izvori podataka koji su povezani s ispitivanjima, uključujući anamnezu bolesti, genomiku i druge podatke. Nadamo se da će ovaj pristup temeljen na podacima proizvesti puno bolje razumijevanje DME-a, dijagnostičkih poboljšanja koja brže donose potrebne tretmane i na kraju očuvati vid oboljelim od dijabetesa.

Literatura:

1. Kako funkcioniše Deep Learning? Access August 2021. Available at:

2. SEEING THE UNSEEN WITH ARTIFICIAL INTELLIGENCE. Access August 2021. Available at:

Tekst preuzet sa:

M-BA-00000349