Hadüzenet a kőkorszaknak: díjnyertes magyar fejlesztés forradalmasíthatja a mellrákszűrést
Egy magyar egészségügyi techcég nyerte az NHS első alkalommal átadott Artificial Intelligence in Health and Care (Mesterséges Intelligencia az Egészségügyi Gondozásban) díját. A közeljövőben tizenöt brit kórházban és szűrőközpontban vezetik be a Kheiron Medical mélytanuláson alapuló mammográfiai szoftverét, a Miát. Az alapító–vezérigazgató Kecskeméthy Péter radiológiai osztályokon nőtt fel, az ottani „kőkorszaki” állapotok láttán pedig nem tudta hová tenni, hogy miért csak olyan dolgokra használjuk a csúcstechnológiát, mint a legjobb éttermek kiválasztása. Miért van válságban az emlőszűrés világszerte? Miért a mélytanulás a legjobb eszköz megoldani ezt a problémát? Milyen etikai kihívásoknak kell közben megfelelni? Mikor lesz ebből üzlet? Kecskeméthy Péter a honi sajtóban először a Válasz Online-nak beszél díjnyertes fejlesztésükről. Folytatódik Magyarok a világpiacon sorozatunk.
hirdetés
– Rovatunk címe Magyarok a világpiacon, székhelyük azonban Londonban van. Magyar vállalkozás végül is a Kheiron Medical?
– Az alapításkor jelen lévő négy szakemberből három magyar, engem is beleértve, tehát igen. Én vagyok az ügyvezető, 2016 tavaszán én jelentkeztem egy londoni inkubátorprogramba az ötlettel, hogy mesterséges intelligenciát vigyünk a radiológiába. Ott találkoztam holland üzlettársammal, akinek szintén megvolt ehhez a tudása és az érdeklődése. Bevettünk egy magyar srácot az inkubátorból, ő felelt a szoftverfejlesztésért, míg az orvosi hátteret édesanyám, Kárpáti Edit radiológus biztosította. Ma négy városban van irodánk: Londonban, Budapesten, Amszterdamban és San Franciscóban, bár a COVID és a távmunka miatt a földrajzi elhelyezkedésnek most minimális a jelentősége. A négy iroda közül a londoni és a budapesti a legnagyobb, Magyarországon nyolc munkatársunk dolgozik, emellett közel húsz hazai radiológussal működünk együtt.
– Ön nem akart édesanyjához hasonlóan orvosi pályára menni?
– Radiológiai osztályokon töltöttem a gyerekkoromat, de soha nem akartam orvos lenni. Ennek csak az egyik oka volt, hogy az érdeklődésem, a képességeim a műszaki pálya felé vonzottak. Azt is láttam, milyen nehéz az orvosi pálya. Óriási elhivatottság kell hozzá, és nem mindenki alkalmas rá, hogy úgy legyen sikeres az egészségügyben, hogy közben még boldog is. Azt láttam, hogy gyakran nemcsak a betegek szenvednek benne, hanem az orvosok is.
– Különösen igaz ez a radiológiára.
– A radiológia gyakran az alagsorban van, ahol a legkevesebb a fény, és elhanyagolt körülmények vannak. Előfordult velem, hogy egy főorvossal tartottunk egy meetingre, amikor útközben helyre kellett tennie egy páciens vállát, mert elcsúszott egy tócsában. Ami az igazán zavaró, hogy miután innen kilépünk az utcára, elővesszük az okostelefonunkat, és az abszolút csúcstechnológia segít abban, hogy megtaláljuk a legjobb éttermet. Elképesztő a kontraszt.
– Ez csak a magyarországi helyzet, vagy máshol is mostohagyerek a radiológia?
– Olyannyira, hogy az elcsúszós példa egy amerikai kórházban esett meg. Ez általános kép, nyilván van, ahol jobb, van, ahol rosszabb a helyzet.
– A mesterséges intelligenciával kapcsolatban gyakori narratíva, hogy elveszi az emberek munkáját – itt azonban épp az a kihívás, hogy lasszóval kell fogni a szakorvosokat.
– Hatalmas hiány van radiológusból. Egy-két kivétellel még a leggazdagabb, legfejlettebb országokban is 20-30 százalékos szakember-hiány a jellemző, de most, hogy a COVID miatt feltorlódtak a vizsgálatok, ez arányaiban már inkább 50 százalék. Az emlőszűrés területén, ahol mi dolgozunk, pedig még nagyobb. Itt ugyanis akkora a tét, és olyan nehéz felismerni az elváltozást, hogy kötelező a kettős leolvasás, vagyis minden felvételt egymástól függetlenül két orvosnak kell megnéznie, ha pedig ők nem értenek egyet, egy harmadiknak is. És mivel az emlőszűrésben ideális esetben az adott korcsoportban szinte minden nő részt vesz, a szűrési volumen is hatalmas.
Egy orvosnak szűrési műszak esetén óránként 100-300 képet kell megnéznie, aminek körülbelül 1 százaléka pozitív. Ez nemcsak repetitív munka, de stresszes is, hiszen ott a kisördög, hogy mi van, ha akár egy pozitív fölött is átsiklott.
– Itt jönnek a képbe önök?
– A mi rendszerünk, a Mia abban tud segíteni, hogy a képeket csak egy radiológusnak kell megnéznie, a másik leolvasó pedig a Mia. Így is két „szempár” lát minden felvételt, de abból csak az egyik emberi, a másik mesterséges intelligencia, amely olyan dolgokat, elváltozásokat is meglát, amit az emberi agy és szem nem képes észrevenni. Ám a folyamat során mindvégig az orvos kezében van a döntés. Az MI olyan neki, mint a könyvelőnek a számítógép. Nem váltja ki, de automatizálja a munka egy részét. Az orvosnak több ideje jut a betegre, bár ez inkább csak távlati cél, a realitás egyelőre az, hogy nagyon leterhelt helyett csak kicsit leterhelt lesz. Mert bár elvben szép a kettős leolvasás, sok helyen egyszerűen nincs hozzá elég orvos. Máshol pedig csak úgy van, hogy kettőről mondjuk három évre nő a szűrési ciklus hossza.
– „Csak” az emlőszűrésben ez a helyzet, vagy általában a radiológiában?
– A legsúlyosabb helyzet az emlőszűrésben van, éppen a kötelező kettős leolvasási protokoll miatt, de azért máshol is is van pár terület, ahol nagy a szűrési volumen és/vagy repetitív a feladat. Ilyen a muszkoszkeletális röntgen, de CT/MR-ben gyakran egy betegnél 2000-3500 képet kell megnézni. Mindegyikre fél másodperce van az orvosnak, és úgy kell felelős véleményt mondania. Van tehát mit csinálni.
– A mesterséges intelligenciát, pontosabban a mélytanulást mintha arra találták volna ki, hogy ebben segítsen. Hogyan működik ez pontosan?
– A gépi tanulás lényege, hogy adatok sokaságán – esetünkben orvosi képek és a hozzájuk tartozó diagnózisok millióin – keresztül egy szoftver megtanul egyre tökéletesebb döntéseket hozni, vizuális anomáliákat felismerni. A mélytanulás ennek egy formája, amely 2013-ban jutott el arra a szintre, hogy bizonyos feladatokat képes volt jobban elvégezni, mint az emberek.
A mélytanulási algoritmusok neurális hálókon alapulnak, amelyek az élő idegsejteket utánozzák. De a sok absztrakció és matematikai modellezés miatt valójában kevés közük van ahhoz, ahogy az emberi agy működik. Az embernek van stratégiai érzéke, de nem túl pontos és nem tud egész nap ugyanúgy koncentrálni. A gép igen, és irtó precíz, de nem tud nagyobb összefüggéseket észrevenni. Olyan, mint egy számológép – egy igen erős, vizuális számológép.
A mélytanulásnak van egy óriási előnye. A korábbi módszereknél nekünk, embereknek kellett beprogramozni, hogy a gép milyen információt keressen egy adathalmazban. Ez a módszer már arra képes, hogy magától megtalálja, mely adatoknak lehet információértéke. A radiológiában ez azt jelent, hogy akár olyasmit is észrevesz, amit mi emberek nem is sejtettük, hogy keresni kellene. Nem veszik kárba sok hasznos információ a leletekből, ami különben a semmibe hullana.
– Hol tart most mindennek a gyakorlatba való átültetése?
– Az első modelleket 1–3 hónap alatt létre lehet hozni, ha éjjel-nappal ezen dolgozik az ember. Utána viszont 1–3 évig kell fejleszteni – vagyis betanítani a modelleket jó minőségű klinikai és képanyagokon –, hogy olyan állapotba kerüljön, amikor már hasznosnak tűnhet. Viszont ekkor még nem szabad élesben bevetni. Ki kell próbálni a klinikumban, hogy tényleg működik-e. Itt tartunk most. Nemrég ért véget Nagy-Britanniában a rendszerünk második klinikai tesztje, több mint 250 ezer – természetesen anonim – eset feldolgozásával a brit egészségügyi szolgálattal, az NHS-szel, a neves MI-kutatóközponttal, az Alan Turing Intézettel és több más szakmai szervezettel partnerségben
– Mi lett az eredmény?
– Ugyanannyi rákot tudunk megtalálni a szoftverrel, mint anélkül, viszont kevesebb orvosi munkaórával, és sokkal kevesebb beteget kell visszahívni további vizsgálatokra. Ezek előzetes eredmények, a véglegeset heteken belül publikálja a tőlünk független statisztikai partnerszervezet, ami a klinikai tesztelést értékeli.
– Mennyire gyakoriak az ilyen klinikai tesztek mesterséges intelligenciával?
– Szélességében és mélységében is ez volt az egyik legnagyobb ilyen teszt, és reményeink szerint más orvosi területeknek is utat mutathat. A miénk világszinten a legelőrehaladottabb MI diagnosztikai fejlesztések közé tartozik, amiben persze szerepet játszik, hogy az emlőszűrés az egyik legérzékenyebb terület, ahol a legnagyobb az erőforráshiány.
– A radiológián kívül vagy belül hol tűnik most még hasznosnak a mélytanulás?
– A két legígéretesebb terület a diabétesz diagnózisa retinalenyomatok alapján, illetve a biopszia. Az agyvérzés előrejelzésében is vannak biztató eredmények, és valamennyire a tüdőszűrésben, illetve a muszkoszkeletális röntgenfelvételek elemzésében is.
– Most a következő lépés, hogy tizenöt brit szűrőközpontban, illetve kórházban bevezetik a Miát. Magyarországon mikor válhat elérhetővé?
– Kevesen tudják, de Magyarországon nagy hagyományai vannak az emlőszűrésnek. A terület egyik úttörője Tabár László professzor, aki az elsők között bizonyította a szűrés hatékonyságát. Szoros kapcsolatot ápol vele a budapesti székhelyű, de több vidéki centrumot is működtető MaMMa Klinika, amely nekünk is az egyik első és máig az egyik legfontosabb klinikai partnerünk.
Gőzerővel dolgozunk rajta, hogy Magyarországon is a következő fázisba léphessen a felhasználás, ez azonban alapos jogi előkészítést, szakmai egyeztetést igényel. Ma azt mondanám, hogy kétesélyes, hogy az Egyesült Királyságban vagy Magyarországon fog először széles körben elterjedni az eljárásunk.
– A magyar orvosi közeg mennyire nyitott az MI-re?
– Nagy az érdeklődés, de az óvatosság is. Teljesen jogosan, bennünk is volt, amíg nem láttuk a klinikai vizsgálataink eredményeit. Az eredmények láttán azonban a radiológusok többségében ma már inkább az izgalom uralkodik, nem a félelem.
– Azt értjük, hogy miért lehet jó az orvosoknak és a betegeknek az MI diagnosztika. De mekkora üzlet lesz önöknek?
– Jelenleg azt mondhatjuk, hogy nagy siker lehet, és nemcsak az emlőszűrésből, hanem abból is, hogy más területeken, például a személyre szabott rákdiagnosztikai szűrőcsomagokba is fel tudjuk használni a technológiát. Ugyanakkor az elmondottakból talán látszik, hogy milyen hosszú kutatás, fejlesztés, labor- és klinikai vizsgálatok sora előzi meg a bevezetést. Vagyis ez nem a gyors és könnyű pénzszerzés útja, hanem egy hosszú távú, stabil üzleti lehetőség. Tökéletes ellentéte tehát mondjuk az app-fejlesztésnek.
– Gyakran hallunk az MI etikai árnyoldalairól. Önöknek mire kell odafigyelniük?
– A legfontosabb az algoritmusok általánosíthatósága. Nálunk ez olyan diagnosztikai rendszert jelent, ami ugyanolyan megbízhatóan működik egy szűrőbuszon egy faluban, mint egy budai magánklinikán. Ami ugyanolyan jól működik egy 30 éves nő esetében, mint egy 50 évesnél. Ami ugyanolyan biztonságos egy filippínó nő esetében Svédországban, mint egy magyar nőnél Londonban. Ehhez az kell, hogy ne csak, mondjuk, magyar nők mammográfiai adatain tanítsuk az algoritmusokat, hanem minél szélesebb körből vett, minél változatosabb adatokon. Ezért is nem színmagyar, hanem nemzetközi a cégünk, ezért dolgozunk amerikai, ázsiai partnerekkel.
– Ezt a kritériumot önszorgalomból teljesítik vagy a szabályozók is megkövetelik?
– Utóbbi. Az egészségügy azért érdekes terület az MI szempontjából, mert rengeteg a szabály és a jogi, biztonsági szűrő. Így sokkal több a munka, de olyan pályára kényszerülünk, hogy az alaposan tesztelt rendszerekből évek múlva nem esnek ki a „csontvázak”. Más területeken, például a pénzügyben vagy a közösségi médiában nem igazán vannak hasonló szűrők.
– Szép is lenne, ha csak úgy lehetne bevezetni egy új social media alkalmazást, ha előtte klinikai vizsgálatban kutatjuk a tinédzserekre gyakorolt pszichiátriai hatásait.
– Azt hiszem, máshogy nézne ki a közösségi média, de talán kicsit jobb világban élnénk. Lassabb lenne a fejlődés, de ez nem volna feltétlenül baj.
Nyitókép (illusztráció): AFP/Anne-Christine Poujoulat
