A mesterséges intelligencia orvosi szolgálatban – SZTE IKIKK workshop és Virtus hallgatói ötletverseny

- A friss ötletek mindig azoktól érkeznek, akik nem vesznek részt azokon a megbeszéléseken, amelyeken elmondják, hogy valamit nem lehet megcsinálni – biztatta az ötletverseny 6 csapatának hallgatóit a workshop megnyitóján Prof. Dr. Csóka Ildikó, az SZTE stratégiai főigazgatója, az Interdiszciplináris Kutatásfejlesztési és Innovációs Kiválósági Központ (IKIKK) operatív vezetője. A workshop célja az volt, hogy a hallgatók a hétköznapi kutatói kötöttségektől mentesen gondolkodjanak, milyen orvostámogatási, gyógyítási célokra fejlesztenének mesterséges intelligencia alapú alkalmazásokat. Az ötletekre épülő prezentációkat a nap során szoftverfejlesztési és innovációgazdálkodási szakemberekből álló zsűri hallgatta meg, miután előadásokban ismertették meg a résztvevőket saját fejlesztési munkájuk irányaival.

Az MI orvosi alkalmazásának emberi vonatkozását Prof. Dr. Csóka Ildikó így exponálta a hallgatók számára:
- Az egészség érték. Olyan érték, amit egészen addig nem tudunk eléggé megbecsülni, amíg van, merthogy nem vesszük észre. Amit észreveszünk, az az egészségveszteség. Ennek megélése olyan emocionális állapot, amikor egy nulla szintről mínuszba kerül az egyén, és ezért a vele való bánásmódnak empatikusnak kell lennie. A beteggel való kommunikációnak a betegellátásban, a gyógyításban való közreműködésnek mindig olyannak kell lennie, hogy az ő lelkiállapotát lehetőség szerint segítsük. Az ő betegségérzetét akár csökkenthetjük is, ha olyan digitális megoldásokat nyújtunk, amelyekkel kevesebbet kell az egészségügyi ellátórendszerben töltenie.

Prof. Dr. Csóka Ildikó megnyitja a workshopot. Fotó: Bobkó Anna

A workshopon az MI-alkalmazások szerepéről és orvosi döntéshozatali kilátásairól az SZTE TTIK Informatikai Intézet Szoftverfejlesztési Tanszék három munkatársa, Dr. Ferenc Rudolf egyetemi docens, tanszékvezető, Dr. Bilicki Vilmos egyetemi docens és Dr. Vidács László egyetemi docens beszélt.

Az MI orvosi alkalmazásainak fejlődésére jellemző, hogy az amerikai FDA már majdnem 1500 MI-alapú orvosi eszközt engedélyezett, és ezek közül 295 kapott zöld utat az utóbbi egy évben. Dr. Ferenc Rudolf felidézte, hogy a mesterséges intelligencia elgondolását elsőként a Dartmouth College-ban (USA) vetették fel egy 1956-ben tartott workshopon, Magyarországon pedig a fogalmat Kalmár László, a szegedi egyetem professzora, az 1972-ben induló hazai informatikai képzés megalapozója használta először 1962-ben egy általa szervezett tihanyi konferencián. Az évtizedek során az MI területén a nagy mérföldkövek között Dr. Ferenc Rudolf felsorolta a neurális hálók fejlődését, a képalkotást, vagyis a számítógépes látást megalapozó Alex Net megjelenését (2012), illetve a Transformer architektúrák alkalmazását (2017), majd a Chat GPT első változatának kiadását (2020). A legújabb fejlesztési irány az ágens alapú MI, amely a klasszikus nagy nyelvi modellekkel szemben a jövőben arra is képes lesz, hogy tervet készítsen és átvegye az irányítást integrált fizikai eszközökben. Az ágens alapú modellekben lehetséges lesz a multiágens orkesztráció (egy kiemelt ágens irányítja a többit), és a beágyazott eszközhasználat is (az ágensek hozzáköthetők rendszerekhez, adatbázisokhoz, számítógéphez, robotokhoz). Az új távlatok egyben a szoftverfejlesztő szakmában a kompetenciák átrendeződését eredményezték: Dr. Bilicki Vilmos szerint a szoftverfejlesztésből mérnöki tudomány lett, az MI ugyanis már most hatékonyabban végzi el a programírók eddigi munkáját. Ezt mutatja, hogy a nyílt forrású szoftveradatbázisokban található programokban az AI a hibák 75%-át képes volt javítani, hatékonyabban, mint az ember. Dr. Bilicki Vilmos elmondta, hogy az SZTE képzésében máris vannak tárgyak, amelyekben a hallgatók már eleve géppel programoznak, hiszen a szoftverkészítésben máshol lesz az ember szerepe.

Dr. Ferenc Rudolf egyetemi docens, tanszékvezető (SZTE TTIK Informatikai Intézet Szoftverfejlesztési Tanszék). Fotó: Bobkó Anna

A szakember szerint az orvostámogatásban különböző döntési szinteken és különböző jelszinteken lehetséges az AI alkalmazása. A mérések kiértékelésénél például az ember csak 7 paramétert képes figyelembe venni, míg a gép tetszőleges számút. Az orvosi döntéstámogatásra használt alkalmazások mellett az egészséges életvitel és a tanácsadás területén is alkalmazható.

Dr. Bilicki Vilmos szerint a klinikai alkalmazási bizalomhoz teljesülniük kell a mesterséges intelligencia működésével kapcsolatos egyes feltételeknek. Ezek közül az első a feketedoboz jelleg megismerése; az MI ugyanis jobb ugyan a röntgenképek értelmezésében, mint az ember, de a kutatók nem értik, hogyan csinálja. A kutatás egyik iránya ezért jelenleg a neurális háló működésének megértése. Az alkalmazhatóság feltétele az is, hogy a tanulási adathalmaz kellően sokféle-e.
A szakember szerint jelenleg az MI-alapú orvosi döntéstámogató rendszerekben a hasznon és a kockázat egyszerre jelenik meg. Kockázat például, ha egy adott esetben működő MI-rendszer, más kontextusban alkalmazva túl sok hamis riasztást vált ki, és ezért nem alkalmazzák tovább. Ennek ellenére az MI-alapú orvosi döntéstámogatási eszközök fejlesztése már most is működő iparnak számít.

Dr. Bilicki Vilmos egyetemi docens (SZTE TTIK Informatikai Intézet Szoftverfejlesztési Tanszék). Fotó: Bobkó Anna

Az SZTE-n végzett orvostámogatási fejlesztések esetén rendszerint a kevés adat problémáját kell áthidalni. Dr. Vidács László csoportja szöveges és képi feldolgozással foglalkozik; alkalmazásaikat az orvosok támogatására tervezik, vagyis arra, hogy a szoftver adatok alapján, jeleken keresztül mintákat ismerjen fel és megfelelő tanulással egy problémát meg tudjon célozni. Itt azonban a szerepe megáll, átadja az embernek a döntést, a diagnózist orvos véglegesíti, a műtétet orvos vezeti le.

Dr. Vidács László szerint a téma akkor vált fontossá, amikor egy évtizede robbanásszerű fejlődés állt be a mesterséges intelligencia alapú képfeldolgozásban, ami az orvosi képalkotási diagnosztikára is nagy hatással volt. A cél az lett, hogy a képfeldolgozás alkalmazásai támogassák a klinikai döntéseket. Ezzel párhuzamosan egy nyelvtechnológiai fejlődési bumm is volt: kiderült, hogy Transformer architektúra sok új feladatra is alkalmassá teszi a modelleket.

Dr. Vidács László két, az SZTE-n fejlesztett gerincgyógyászati alkalmazáson mutatta be a mesterséges intelligenciás képfeldolgozás fejlődését. Egyik fejlesztésük, az orvosi leletek gépi értelmezését szolgáló modell még a Chat GPT előtti időkből való. Ebben először is 500 lelet alapján a radiológusok magyarul ragozott, latin kulcsszavakból álló diagnózisának szövegeit (pl. L.V. csigolya 5 mm-es dorsalis csúszása figyelhető meg) szavanként ellátták színes annotációkkal, majd egy ontológiát állítottak fel, amelyben 250 elváltozást azonosítottak a gerincen. Ez utóbbi egy tudásgráf szerepét játszotta, vagyis leírta a mesterséges intelligenciának, hogyan néz ki egy gerinc, milyen részei vannak, és milyen betegségek fordulnak elő. Ezzel kiküszöbölték a modell hallucinációit, az MI-nek feltételül szabva, hogy illeszkednie kell egy valósághű gerinc tényeihez. A cél az volt, hogy a radiológiai leletek vizuálisan áttekinthetők legyenek, és egy alkalmazással el tudják magyarázni a betegnek, hogy az orvos által leírt szöveg mit is jelent. Ez ugyan nem helyettesíti az orvost, továbbra is az orvoshoz kell fordulni azért, hogy a kezelést meghatározza, de az MI meg tudja mondani a betegnek, hogy a leleten mi a komolyabb probléma, mire kell figyelnie; így az idő, amíg szakorvoshoz kerül, nem telik kétségek között.

Dr. Vidács László egyetemi docens (SZTE TTIK Informatikai Intézet Szoftverfejlesztési Tanszék). Fotó: Bobkó Anna

A másik bemutatott fejlesztés az MR-leletek felvételein látható elváltozások felismerését célozza. Az alkalmazás abból a valós helyzetből indult ki, hogy a beteg megjön a sebészetre, hozza az MR-leletét, amelyen látszik, hogy komoly probléma van, ő mégis fél évig várt, mert senki nem mondta neki, hogy azonnal menjen szakorvoshoz. A modell már az MR-felvétel elkészítése után képes jelezni, ha olyan elváltozást észlel, amely miatt a betegnek azonnal lépnie kell. A szegedi kutatók által fejlesztett modell 6-7 betegséget célzott meg; ehhez számos célmodellt készítettek, amelyek mindegyike egy-egy betegséget ismer fel. Elképzelésük szerint a modell olyan folyamatba lesz beépítve, amelyben az orvos amúgy is dolgozik; ehhez azt is meg kellett tervezni, hogy milyen esemény váltsa ki, hogy az MR-felvételen lefusson egy elemzés, és annak az eredménye hová kerüljön.

Dr. Vidács László elmondta, hogy amikor 2024-ben kiértékelték az egyes kisméretű célmodelljeiket, azok még jobb eredményt adtak, mint a nagy nyelvi modellek. Ez mostanra megváltozott, ma már a ChatGPT képfeldolgozásban kicsit jobb, mint a célmodellek. A fejlődés iránya, hogy egyetlen modell többféle döntést is meghozhat, és a modellek multimodálisakká váltak, vagyis egyszerre kép, hang és szöveg feldolgozására képesek; ezt ma már a nagy modellek biztosítják. A szoftverfejlesztő szakember szerint ennek ellenére a kis célmodellek is hasznosak maradnak, hiszen könnyebben lefuttathatók, házon belül telepíthetők és a szakértői döntéshozatalba sokkal jobban beilleszkednek.

Dr. Vidács László szerint az új modellek fejlesztése a multimodális és ágens alapú irányba történik, de ezek az MI-alapú alkalmazások nem döntenek az orvos helyett, és egyelőre a feketedoboz effektus miatt nem auditálhatók.

Dr. habil Kósa István, az SZTE Preventív Medicina Intézet tanszékvezető egyetemi docense. Fotó: Bobkó Anna

A workshopon Dr. habil Kósa István, az SZTE Preventív Medicina Intézet tanszékvezető egyetemi docense arról tartott előadást, hogy milyen MI-alapú támogatási lehetőségek vannak a népegészségügyben meghatározó krónikus betegségek esetében, valamint a betegkarakterek felismerésében . Az egészségügyi informatikus szakember abból indult ki, hogy a népegészségügyben a leggyakoribb krónikus rizikótényezők felelősek az elveszett életévek 74 százalékáért. Ilyen tényező a magas vérnyomás, a dohányzás, a magas koleszterinszint, a túlsúly és a cukorbetegség. Ezek közül az első kettő aránya csökkent az elmúlt években, az utolsó kettő viszont folyamatosan és párhuzamosan növekedett. A kérdésre, hogy ebben a helyzetben mi a jó stratégia, Dr. Kósa István úgy vélte, az ismert krónikus tényezők jobb kezelése jobb eredményeket hozhat a teljes népesség általános szűrésénél. Problémát jelent viszont, hogy az állampolgárok egészségi állapotáról lassan egy évtizede rendelkezésre álló adatok rendezetlenek, így nehéz megállapítani, kit is kell szűrni. Ideális lenne, hogy a háziorvosi kartonon a lehető legtöbb paraméter legyen rögzítve, például az is, hogy milyen a beteg rokoni terheltsége, vagy a testtömeg indexe. A krónikus tényezőkre célzott szűrésnek azért van jó hatásfoka, mert például a testsúly csökkentésével a 2. típusú cukorbetegség, sőt a magas vérnyomás is visszafordulhat.

Kósa István szerint kulcskérdés, hogy e rizikótényezők megváltoztatásához mennyi időt kell rászánni egy betegre. A szakember szerint az 1-2 perces tanácsadás nem hatékony, a magatartási kutatások szerint legalább 30 perc és 6 óra közötti ideig kell tartania egy foglalkozásnak, hogy hasson a betegre. A tanácsadásban fontos a beteg önmonitorozása, a neki küldött visszajelzések, és fontos, hogy társas támogatást kapjon, ha az életmódváltásban elakad. Diétás esetben például hatásos, hogy célértéket határozzanak meg a kalóriamennyiségben, mondjuk jelezzék vissza, hogy egy üveg sör annyi kalóriát tartalmaz, amennyit körülbelül fél óra fizikai aktivitással lehet ledolgozni.

Kósa István kutatócsoportja egy harmadik éve folyó programban klinikai betegek táplálkozását, mozgási aktivitását naplózza, valamint telemedicinális betegségvezetést integráló alkalmazást is használnak. Egyik céljuk a testsúly csökkentése, amely egyes esetekben látványosan visszafordítja például a cukorbetegséget. A programban azért merült fel a mesterséges intelligencia alkalmazása, hogy a visszajelzéseket minél hatékonyabban személyre tudják szabni. Az egyik ilyen lehetőség annak a vizsgálata, hogy a betegnek mi volt a viszonya korábban az egészségügyi ellátórendszerhez, például hogyan használta a gyógyszereit? Az orvos ugyan utána tudna nézni annak, hogy a beteg kivette-e a felírt gyógyszereket, de erre rendszerint nincs ideje, mert az adatok nem a megfelelő struktúrában állnak a rendelkezésére.

Kósa István csoportja a program indulása előtt részletes pszichológiai karakterizálást is készített a betegekről. Elgondolása szerint a különböző karakterű betegekre másként kell reagálni, más-más módon lehet fenntartani mozgásukat, életmódváltásukat. A betegvezetés optimalizálásához tartozik, hogy a betegekkel való telerehabilitáció során rögzített beszélgetések alapján keresik meg azokat a coaching karaktereket, amelyek a legjobb hatást váltják ki a betegből. A szakember szerint a fejlődés már ott tart, hogy a humán coach-olásról sok esetben át lehet térni a mesterséges intelligencia alapú coach-ra. A szakember szerint a leggyakoribb népegészségügyi rizikótényezők prevenciójában rendkívül kritikus az életmód hatékony befolyásolása. - Ezt pedig csak nagyon nagy humán beavatkozással lehet eredményesen befolyásolni, de éppen az a reményünk, hogy a mesterséges intelligencia ezt a tevékenységet eredményesebbé tudja tenni - zárta előadását Kósa István.

Dr. Kőrösi Gábor, az SZTE TTIK Informatikai Intézet Mesterséges Intelligencia Tanszék adjunktusa. Fotó: Bobkó Anna

Dr. Kőrösi Gábor, az SZTE TTIK Informatikai Intézet Mesterséges Intelligencia Tanszék adjunktusa a betegkarakterek adatalapú, kezdeti előrejelzéséről beszélt előadásában. Ez azt jelenti, hogy a fent részletezett programban az újonnan érkező paciensekről az első rövid időszak után tudjanak döntéstámogatási prognózist nyújtani az orvosoknak vagy a coach-oknak. A betegkarakter felismerése ugyanis preventív lépésekre ad lehetőséget; tudják például, hogy a depresszióra hajlamos beteget segíti, ha egy időszak után motivációs hívást kap. Dr. Kőrösi Gábor elmondta, hogy ehhez a feladathoz sokféle és különféle forrásokból származó adatokat kell tudni áttekinteni. Eljárásuk lényege, hogy a régebbi betegkarakterekből kisebb csoportokat alkotnak, például az alacsony önbizalmú vagy az inaktivitásra hajlamos páciensekből, és az újonnan érkező betegek adatait az MI vagy más adatalapú módszerrel velük összehasonlítják; ily módon a kevés kezdeti adatból elősegíthető az új betegek kezdeti prevenciója.

Panek Sándor

A borítóképen: Az IKIKK Virtus AI & Digital Health Workshop résztvevői. Fotó: Bobkó Anna