Zdravotnictví je po průmyslu či logistice další oblastí, kam se postupně rozšiřuje využívání umělé inteligence (AI ). Jednou z medicínských aplikací, kde má obrovský potenciál, je diagnostika, v níž může podle zakladatele skupiny Channel Lab Davida Navrátila pomáhat lékařům zautomatizovat úkony vedoucí k určení diagnóz. „Lékaři tak získají čas, který mohou věnovat pacientům a jejich léčbě.“
V Channel Lab se zabýváte precizní medicínou. Co si pod tímto pojmem můžeme představit? Obecně ji můžeme chápat jako personalizované lékařství a přístup, který se snaží terapii doslova ušít na míru pacientovi na základě poznání jeho genomu a zohlednění životního prostředí i stylu. A zároveň jako oblast, kde se při určování diagnóz využívá například umělá inteligence v podobě neuronových sítí. Precizní medicína má samozřejmě mnoho různých podoblastí. My se v současné době věnujeme dvěma z nich: farmakogenetice a diagnostice, v níž má strojové učení velký potenciál. I proto se v naší skupině nacházejí odborníci nejen z lékařství, ale také z technických oborů, protože jedině takovou spoluprací lze vytvořit složité a funkční algoritmy, které splňují přísné požadavky precizní medicíny.
V současné době běží v Česku řada různých výzkumů, zaměřených na zlepšování diagnostiky pomocí AI. Jedním z nich je i váš projekt Aireen. Na co se zaměřuje? Aireen je projekt zaměřený na skenování cév očního pozadí, protože právě na něm se objevují znaky některých onemocnění, a to ještě dříve, než se nemoc stane zjevnou. V současné době máme také certifikaci na diagnostiku diabetické retinopatie, kterou trpí zhruba 10 % diabetiků, přičemž toto onemocnění může vést až ke slepotě. Pro screening je zapotřebí pracoviště s fundus kamerou, která dokáže vytvářet snímky očního pozadí. Díky našim algoritmům dokážeme diagnostikovat diabetickou retinopatii během pouhých 30 s z fotografie sítnice oka, a to i v raných stadiích nemoci, kdy pacient ještě nepociťuje příznaky. V současnosti se Aireen využívá ve zdravotnických zař ízeních napříč republikou, například ve Frýdku-Místku, Chebu či Milevsku, a podařilo se vyšetřit tisíce pacientů a zachytili jsme více než 500 pozitivních nálezů diabetické retinopatie.
Lze ze stavu cév očního pozadí vysledovat i kardiovaskulárních onemocnění? Ano, možné to je a my momentálně startujeme výzkumný projekt, který se jmenuje Cardea. Ten se bude zabývat rizikem infarktu do 12 měsíců od screeningu a diagnostika bude probíhat také za pomoci skenu očního pozadí, protože proces zanášení a ucpávání cév se na něm dá velmi dobře odhalit, a to právě díky velikosti cév. Jsou totiž nejmenší, a tak se v nich změny ukážou dříve než v jiných částech těla. Pokud se nám projekt podaří a projdeme certifikací, měla by AI dokázat vyhledat raná stadia a pacient se tak může dostat dříve do péče kardiologa.
Znamená to, že se v diagnostice zaměřujete na zobrazovací metody? Přesně tak to je. Aireen řeší snímky očního pozadí z fundus kamery, ale spolupracujeme také na projektu Neurona, který se zabývá MRI (magnetic resonance imaging) a PET (positron emission tomography) vyšetřením v oblasti neurologie. Prakticky vzato se dá využít jakékoliv zařízení, které pořizuje snímky. AI pak dokáže jeho výstupy porovnávat a hledat nějaké abnormality. Smyslem umělé inteligence v diagnostice je podat lékaři pomocnou ruku, aby dokázal onemocnění odhalit dříve a přesněji určit. Specializujeme se na problémy, které se vyskytují u menšího počtu pacientů. Tyto specif ické nálezy nemusí méně zkušení lékaři ze snímků vůbec rozpoznat, ale AI to dokáže, protože si nález porovnává ve své databázi s tisíci dalších snímků. Navíc je na vyhledávání dané problematiky naučená.
O čem tedy projekt Neurona je? Zabýváme se v něm neurodegenerativními onemocněními, zejména Alzheimerovou nemocí, tedy nejčastějším onemocněním z této skupiny chorob. V Neuroně máme například produkt, který dokáže zpřesnit diagnostiku, protože dělá fúzi MRI a PET snímků. Díky tomu jsme schopni kvantifikovat množství bílkoviny beta-amyloid v mozku. V dnešní době, když lékař udělá MRI či PET, tak už ví, že pacient v mozku tuto bílkovinu má, nicméně její množství nedokáže přesně určit. Pomocí naší AI metody budeme schopni říci, kolik přesně beta-amyloidu v mozku je, což je důležité pro pacientovu prognózu i pro nové metody léčby. Můžeme totiž v určité periodicitě provádět opakovaná snímkování, jejichž pomocí zjistíme, ve kterých částech mozku beta-amyloidu přibylo, kde je ho stejně a kde naopak ubývá. A vzhledem k tomu, že už se vyvíjí nová léčba v podobě monoklonálních protilátek, která bude tuto bílkovinu cíleně rozpouštět, dá se měřit i úspěšnost terapie. Když se léky nasadí, je poté důležité vidět, zda budou účinné a zda jejich případné vedlejší účinky nebudou závažnější než léčba samotná.
Jakou roli v Neuroně hraje umělá inteligence, respektive co je jejím úkolem? Stejně jako v dalších oblastech diagnostiky i zde bude za pomoci strojového učení porovnávat snímky z PET i MRI a bude schopná spočítat konkrétní množství bílkoviny v dané oblasti. Spolupracujeme se špičkovými neurology z motolského Kognitivního centra, které se Alzheimerově chorobě dlouhodobě věnuje. Tito lékaři jsou skutečnými odborníky, takže vědí, co mají hledat, a dokážou rozpoznat relevantní oblasti. Jsou to vlastně oni, kdo neuronovou síť učí. Proces vypadá tak, že si vezmou snímek po snímku a ručně na něm označují abnormality. Beta-amyloid se na snímku objeví jako barevná škála od světle zelené až po červenou, přičemž čím je oblast červenější, tím je bílkoviny více. Jakmile budou k dispozici monoklonální protilátky, bude třeba mít podrobný přehled o účinnosti léčby a případném rozvoji nežádoucích účinků, které mohou být s touto léčbou spojené. Oba léky jsou už v schváleny v USA jejich lékovou agenturou FDA, nicméně k léčbě existuje protokol, který říká, že pacient musí každé tři měsíce podstoupit kontrolní MRI, aby se riziko nežádoucích účinků monitorovalo. Pokud se objeví, lékař musí ihned reagovat. Jenomže u nás platí, že na termín MRI se čeká poměrně dlouho a po vyšetření se navíc i několik dnů čeká na výsledek. My se tedy za pomoci strojového učení snažíme jít systému naproti tím, že budeme schopní v okamžiku, kdy snímkování proběhne, diagnózu zjistit ihned, případně upozornit na akutní problém, který je třeba řešit. Takže tato technologie má pomoci zautomatizovat složitou a časově náročnou diagnostickou práci tak, aby se neurologové dozvěděli důležité informace co nejdříve a mohli upravovat léčbu.
Hovořil jste o tom, že lékaři sami učí neuronové sítě ruční prací. Jaký je pak další postup? Ano, při učení neuronových sítí používáme data sety, selektujeme si zdravé a nemocné pacienty a lékaři pak označují klíčové oblasti. Zároveň dochází ke kontrole řadou dalších odborníků, protože pokud by se do učící sady dostal špatně označený snímek, nebude se neuronová síť učit správně. Je tedy potřeba velké pečlivosti při kontrole snímků využitých během tréninku. My se zabýváme i hloubkovými neuronovými sítěmi, které si dokážou hledat kritéria samy, nicméně AI raději ze začátku pomáháme, abychom eliminovali konfirmační bias, tedy zkreslení způsobené chybným učením, což se občas stává. Existuje třeba příklad z praxe, kdy se neuronová síť sama učila číst rentgenové snímky a pak se ukázalo, že jediným kritériem pro ni bylo označení pravé a levé strany v rohu snímku. Systém si našel jen tuhle vlastnost a nic jiného ho nezajímalo. To se u nás nesmí stávat. I proto veškeré naše produkty musejí být finálně validované lékaři. To znamená, že se po naučení neuronové sítě provádí klinická zkouška, která je jedním z podkladů pro zdravotnickou certifikaci. K ní musíme vytvořit i perfektní dokumentaci, v níž zmapujeme veškeré práce, a musíme mít v pořádku i veškeré dokumenty týkající se pacientů a jejich souhlasů. Do doby, než takovou certifikaci získáme, jsou oficiálně všechny závěry pouhými laboratorními výsledky, které v praxi nemusejí nic znamenat.
Druhou oblastí, které se věnujete, je farmakogenetika. Můžete vysvětlit, oč jde? Farmakogenetika je věda, která se zabývá genetickou predispozicí pro vstřebávání účinných látek. Důležitá je proto, že každý člověk může mít jinou vstřebatelnost léku, a pokud ji bude mít například nízkou, může podaný lék začít účinkovat pozdě a mohou se z toho důvodu objevit i nežádoucí účinky. V této oblasti nyní připravujeme projekt Molecula, jehož principem bude systém, který dokáže vyhledávat lékové duplicity a zároveň sledovat a hlídat veškeré interakce při braní léků. Na základě všech těchto údajů, které budou mít základ ve čtení genomu, informacích o individuální vstřebatelnosti a počtu různých léků, může systém nabízet vhodné alternativy medikamentů tak, aby měl pacient co nejlépe nastavenou péči. Jde o precizní medicínu ve smyslu personalizace léčby. V současné době je možné zmapovat celý genom, nebo jen část, která je důležitá pro diagnostiku. Když to trochu nadnesu, tak vlastně ve velké, tlusté knize hledáme, zda má jedno konkrétní slovo správně poskládaná písmenka. A umělá inteligence má výhodu v tom, že umí neuvěřitelně rychle zpracovat obrovské množství informací, a dokáže tak hledat efektivněji než člověk.
Může umělá inteligence brzy nějakým způsobem zasáhnout i do lékařských výkonů, tedy třeba operací? V současné době už jsou běžné robotické operace, které trvají kratší dobu, jsou při nich menší krevní ztráty a pacient odchází dříve do domácího prostředí. Osobně vidím možnosti využití AI na sálech jako funkční pojistky. Robota vzdáleně vede chirurg, který může chybovat, a umělá inteligence může být součástí systému, který rozpozná například špatné zaměření skalpelu vůči operovanému místu, vyhodnotí jej jako chybu a bude chtít před spuštěním akce ověření, případně třeba bude moci celou akci zastavit. Tyto sekundární systémy, které budou hlídat rozhodnutí lékaře, mohou být v medicíně skvělým pomocníkem.
Prozradíte mi na závěr, jak vlastně vypadá vaše práce? Jako všude jinde u nás stojí práce hlavně na kvalitních lidech. Naše týmy jsou složeny z řady různých profesí, ale dvěma hlavními skupinami jsou lékaři a vývojáři tvořící technologie. Spolupracujeme ovšem také s řadou dalších oborů, jako jsou UX designéři či kontroloři kvality, kteří řeší dokumentaci potřebnou k certifikacím a sledují, zda postupujeme přesně podle platné legislativy. Když vyvíjíme algoritmus, vzniká pro každý projekt od nuly, přičemž nelze ani jeho části kopírovat do dalšího projektu. Máme velkou výhodu i v tom, že už víme o některých slepých uličkách, takže jsme ve vývoji mnohdy rychlejší než naše konkurence. Všechny algoritmy jsou od A do Z naše vlastní práce. Zároveň ale nejsme sdružení firem v tom smyslu, že by každá firma vyvíjela určité projekty a Channel Lab jen vše zastřešoval. Uvnitř Channel Lab jako jedné entity vznikají projekty, které teprve když se podaří, stanou se samostatnými entitami — firmami. Jinak řečeno, jsme uskupení, které v podstatě samo ze sebe generuje startupy, jež mají velkou pravděpodobnost, že uspějí na trhu.
/Kristina Kadlas Blümelová/
