Mélytanuló megoldások a gyógyításban

2021. február 18. - 12:34 A Debreceni Egyetem Informatikai Karának klinikai gyakorlatban alkalmazható fejlesztéseit ismertették a HU-MATHS-IN kutatócsoport szerdai online partnertalálkozóján. A debreceni kutatók évek óta vizsgálják a mesterséges intelligencia orvostudományi felhasználásának lehetőségeit.

A gyógyításban hasznosítható legkorszerűbb informatikai technológia, a mesterséges intelligencia és a gépi tanulás felhasználásáról volt szó a Debreceni Egyetem, a Széchenyi István Egyetem, valamint további hat hazai egyetem és két kutatóintézet 22 ipari matematikával foglalkozó kutatócsoportját összefogó HU-MATHS-IN szerdai online partnertalálkozóján.

Horváth Zoltán, a HU-MATHS-IN elnöke, a győri Széchenyi István Egyetem professzora az esemény sajtótájékoztatóján elmondta: az együttműködés keretében az elmúlt 3 év alatt 46 projektet vezényeltek le az ipari partnerek széles skálájával. Rendszeresen szerveztek partnertalálkozókat, amelyeken bemutatták a gazdaság szereplőinek a HU-MATHS-IN szervezetét, működését, valamint az ipari matematikai módszerek ipari, kutatás-fejlesztési és innovációs projektekben elért eredményeit és hasznosítási lehetőségeit.

A sajtótájékoztatón Harangi Balázs, a Debreceni Egyetem Informatikai Kar Komputergrafika és Képfeldolgozás Tanszékének adjunktusa beszélt a karon folyó kutatásokról, kifejtette, hogy több tanszék kutatóinak bevonásával évek óta foglalkoznak mélytanuló neurális háló alapú megoldások létrehozásával szöveges (betegvizsgálati) és képi (radiológia, patológia) adatok automatikus elemzése céljából.

- Nagy lendületet adott a kutatásnak a grafikus gyorsítókártyák megjelenése, ugyanis a mélytanuló neurális hálók alkalmazásának előretörésével áthelyeződött a hangsúly a gépi tanulás felé. Míg korábban a szakemberek adták meg a paramétereket az automatikus képosztályozó megoldások fejlesztéséhez, addig a mélytanulás során már az a fontos, hogy megfelelően nagy elemszámú képadatbázis álljon rendelkezésre az egészséges, a beteg és a különböző fokú elváltozásokról. Ha megvan a megfelelő mennyiségű annotált adathalmaz, akkor a neurális hálókat be tudjuk tanítani, hogy miként térképezzék fel és osztályozzák a képeket – magyarázta Harangi Balázs.

A Komputergrafika és Képfeldolgozás Tanszékének adjunktusa kifejtette: többek között bőrgyógyászokkal, citológusokkal, képalkotó diagnosztikai szakemberekkel dolgoznak együtt a különböző anyajegyek, bőrelváltozások, endoszkópos, CT- és citológiai felvételek elemzésén. Az automatikus kiértékelő rendszerrel próbálják a leletek diagnosztikáját pontosabbá tenni.

- A klinikai alkalmazás során az a legfontosabb, hogy a rendszerek minden körülmények között felismerjék a beteg elváltozást, és gyorsabbá, pontosabbá és megbízhatóbbá tegyék a diagnosztikát. A gépi tanulási módszer alapján ugyanis sok esetben a szabad szemmel csak nehezen látható eltéréseket is kimutatja a rendszer – tette hozzá Harangi Balázs.

A szakember megjegyezte, hogy a klinikai gyakorlat mellett például a gyógyszerfejlesztési kutatások során molekulaelemzésnél, valamint az önvezető járművek képérzékelőinél is alkalmazzák ezeket a mélytanulásos módszereket.

A partnertalálkozó keretében Varga Gábor (Microsoft Hungary) – Microsoft Azure szolgáltatások a gépi tanulás szolgálatában, Radványi Mihály (Ulyssys Kft.) – Tüdőrák-diagnosztikai mesterséges intelligencia mellkas CT-felvétel alapján, Szabó Dániel Attila (GE Healthcare) – A GE Healthcare által végzett kutatás-fejlesztési feladatok bemutatása mesterséges intelligenciához kötődően, Emri Miklós (Debreceni Egyetem) – BigData technológiával és mesterséges intelligenciával támogatott klinikai kutatások a Debreceni Egyetemen, Hajdu András (Debreceni Egyetem) – Approximation of theoretical models and application-oriented further evolvement címmel tartott előadást.

Sajtóiroda - TPL