Mesterséges intelligencia és az élettudományok

A mesterséges intelligenciára épülő, gépi tanulási módszerekkel támogatott sejtszintű analízis tudományterülete napjainkra olyan fejlettségi szintet ért el, ami korábban elképzelhetetlennek tartott perspektívákat vetít előre.

A modern műszerek egyre gyorsabban és egyre részletesebben képesek felvételeket készíteni a biológiai szövetmintákról. A daganatok, a rosszindulatú elváltozások jelei felfedezhetőek a sejteken, de a szakemberek kapacitása már rég nem elég e hatalmas adattömeg feldolgozásához. A tudományterületen élen járó, többségében szegedi kutatók foglalták össze a legfrissebb eredményeket.

Hogyan segíthet a gépi intelligencia?

Egy korszerű diagnosztikai laboratóriumaiban, ahol például a daganatgyanús szövetmintákat elemzik, másodpercenként 5-10 kép is készülhet egy-egy mintáról. Így a labor egyetlen mikroszkópja több mint 10 terabájtnyi adatot állíthat elő naponta. „A képi adatok feldolgozása viszont még a mai legmodernebb szoftverekkel is több nagyságrenddel lassúbb: az egyes képek kiértékelése percekig is eltart” – fogalmazzák meg a Cell Systemsben megjelent cikkükben a kutatók, egyúttal nyilvánvalóvá téve, hogy pusztán emberi munkaerővel már réges-rég esélytelen felvenni a tempót az adatáradattal.

A cikk vezető szerzőjének, az MTA Szegedi Biológiai Kutatóközpontban dolgozó Horváth Péternek azonban alapos elképzelései vannak róla, hogy merre vannak a fejlődés irányai. Korábban az mta.hu is hírt adott Horváth és kutatótársainak szoftveréről, az Advanced Cell Classifierről, mely fogadja a mikroszkópokból beérkező képeket, és előzetesen meghatározott jellemzők figyelembevételével elemzi a rajtuk kirajzolódó sejteket. Eközben intelligens kérdésfeltevéssel kommunikál a biológussal vagy a patológussal. Végül a kapott válaszokat beépíti saját tudástárába, így egyre növekvő pontossággal képes analizálni a rendelkezésre álló képadatokat.

Ez is érdekelheti Mintavételi eljárások - Mikor melyik típus indokolt

Az ilyen és ehhez hasonló folyamatosan tanuló intelligens szoftverek akár több milliárdnyi sejt között is képesek felfedezni szokatlan megjelenésű, új típusokat, ráadásul képesek kiválasztani a sejtek azon jellemzőit, amelyek alapján a legbiztosabban azonosíthatók a szokásostól eltérő típusok. A gépi intelligencia fejlődése, az utóbbi években előtérbe került mélytanulási (deep learning) módszerek használata pedig a szerzők szerint rengeteg lehetőséget tartogat az elemzés folyamatának gyorsítására.

A gépi tanulás algoritmusainak fejlesztése klasszikus alapkutatási feladat, mint ahogy a rendszerrel felfedezett új (egészséges) sejttípusok leírása is – azonban az alkalmazások sincsenek távol, hiszen a rendszer később a diagnosztika és a gyógyszerkutatás céljait is szolgálhatja.

A teljes cikket az MTA honlapján olvashatja.