KTU su partneriais kuria federalinį DI modelį – tikslesnei širdies ligų diagnostikai ir gydymui

Širdies ir kraujagyslių ligos išlieka pagrindine mirties priežastimi visame pasaulyje. Kasmet jos nusineša apie 17,9 mln. gyvybių – daugiau nei keturios iš penkių mirčių įvyksta dėl širdies smūgio (miokardo infarkto) ar insulto, o trečdalis jų ištinka žmones, nesulaukusius 70 metų.

Europoje šios ligos nusineša daugiausia gyvybių iš visų Pasaulio sveikatos organizacijos (PSO) regionų. Todėl Kauno technologijos universiteto Biomedicininės inžinerijos institutas (KTU BMII) kartu su tarptautiniais partneriais ėmėsi ambicingo tikslo – pakeisti širdies ir kraujagyslių ligų (ŠKL) diagnostikos ir gydymo praktiką visoje Europoje.

Šiam tikslui įgyvendinti pradėtas CVDLINK projektas – „Federalinė realaus pasaulio duomenų šaltinių panaudojimo paradigma širdies ir kraujagyslių ligų diagnostikai, prognozei ir rizikos vertinimui palengvinti“. Jis subūrė 19 organizacijų iš 10 Europos šalių ir Izraelio, o projekto biudžetas siekia 9,7 mln. eurų.

Ne visos ligos – dažnos

KTU BMII direktorius profesorius Vaidotas Marozas teigia, kad dirbtinio intelekto (DI) revoliuciją įgalino internetas ir milžiniški sukaupti duomenų kiekiai.

„Skaičiuojama, kad šiuo metu internete yra sukaupta apie 180 zetabaitų duomenų, o kasdien jų padaugėja dar maždaug 463 eksabaitais. Ypač daug duomenų pasaulyje generuoja sveikatos apsaugos sistemos – medicininiai signalai ir vaizdai, genetiniai ir biocheminiai rodmenys, ligos istorijos, aprašymai ir kiti sveikatos įrašai. Šie duomenys yra itin vertingi mokant DI modelius: kuo daugiau kokybiškos informacijos jie gauna, tuo tikslesnius diagnostinius patarimus gali teikti gydytojams“, – sako jis.

Tačiau ne visos ligos yra dažnos. Kai kuriais atvejais tam tikra liga vienoje ligoninėje užregistruojama vos keliems pacientams per metus. Norint sukurti pakankamai tikslų DI modelį, tokiais atvejais ligoninės ar net visos valstybės turi bendradarbiauti.

Vis dėlto neseniai pasiūlyta išeitis – federalinis DI modelių mokymas (angl. federated learning). Metodo esmė paprasta: jei duomenys negali keliauti pas DI kūrėjus, tuomet patys DI modeliai keliauja į ligonines, kur jie mokomi vietoje. Vėliau atnaujinti modeliai grįžta į centrinį serverį, kuriame jų informacija apibendrinama.

„Apibendrintas modelis turėtų būti gerokai tikslesnis ir patikimesnis nei individualūs, atskirose ligoninėse sukurti modeliai, nes jis remiasi daug didesniu duomenų kiekiu. Galiausiai, patobulintas DI modelis išsiunčiamas atgal kiekvienai ligoninei, prisidėjusiai prie bendro mokymo proceso. Tokiu būdu ligoninėse dirbantys gydytojai gali naudotis pažangiais, patikimais ir dideliais duomenų kiekiais paremtais DI sprendimais diagnostikai“, – aiškina KTU mokslininkas.

Ligoninėse ir klinikose – nauja specialybė

CVDLINK projekto tikslas – sukurti programinę sistemą, kuri leistų ŠKL srityje dirbantiems medicininių duomenų mokslininkams ir gydytojams taikyti federalinio DI modelių mokymo principus.

„Sistema bus sudaryta iš dviejų dalių, pritaikytų skirtingoms vartotojų grupėms. Pirmoji dalis skirta ligoninės duomenų mokslininkui, atsakingam už federalinių DI modelių kūrimą ir tobulinimą. Atsiradus naujiems klinikiniams atvejams, šis specialistas atliks duomenų inžineriją – tikrins medicininių signalų ir vaizdų kokybę, juos standartizuos ir sužymės, kad jie būtų tinkami globaliam federaliniam DI modeliui tobulinti. Šis procesas nereikalaus daug rankinio darbo, nes bus naudojami pusiau automatiniai įrankiai“, – sako KTU mokslininkas.

Parengti duomenys bus naudojami vietinio (lokalinio) ligoninės DI modelio tobulinimui. Patobulintas modelis (bet ne pacientų duomenys) automatiškai bus perduodamas į centrinį serverį, kur jis bus integruojamas su globaliu federaliniu DI modeliu. Pastarasis vėliau grįš į ligoninę ir dar labiau pagerins vietinį DI modelį. Tokiu būdu nuolat tobulės tiek globalus federalinis DI modelis, tiek ir ligoninėse veikiantys lokalūs modeliai.

„Tikėtina, kad netolimoje ateityje didžiosiose ligoninėse ir klinikose atsiras nauja specialybė – klinikinis duomenų mokslininkas“, – pažymi V. Marozas.

Antrąja sistemos dalimi – jau apmokytu federaliniu DI modeliu – naudosis patys gydytojai. Atvykus pacientui su medicininių tyrimų duomenimis – pavyzdžiui, elektrokardiograma, angiogramų ir echogramų vaizdais, genetiniais bei kitų tyrimų rezultatais – gydytojas juos perduos ligoninėje veikiančiam DI modeliui. Maždaug po minutės jis gaus atsakymus į iškeltus diagnostinius klausimus.

„Vis dėlto kuriant šią sistemą kyla daugybė iššūkių. Vienas svarbiausių – duomenų heterogeniškumas, t. y. jų įvairovė: medicininiai signalai, vaizdai, genetinė informacija, laboratorinių tyrimų rezultatai, tekstiniai įrašai. Kaip užtikrinti, kad tokie įvairūs duomenys būtų suderinti ir atitiktų kokybės reikalavimus, kai skirtingose ligoninėse naudojama nevienoda įranga ir taikomi skirtingi duomenų registravimo protokolai?“, – dalijasi KTU mokslininkas.

Tikslesnės prognozės

V. Marozo teigimu, CVDLINK projekto rezultatai gali iš esmės pakeisti ŠKL diagnostikos ir gydymo praktiką, perkeliant ją į personalizuotos medicinos lygmenį.

Sistema skatins pereiti nuo standartizuoto gydymo prie individualizuotų strategijų, pritaikytų kiekvieno paciento genetiniams, anatominiams ir funkcinės būklės ypatumams. Tai leis tiksliau parinkti prevencines ir terapines priemones, sumažinti komplikacijų riziką ir pagerinti ilgalaikes pacientų prognozes.

KTU mokslininkas pabrėžia, kad federalinis DI modelių mokymas gali būti taikomas ir kitoms – ypač retoms – ligoms, tokioms kaip metabolinės, autoimuninės ar onkologinės.

„Europos Sąjungoje liga laikoma reta, jei ja serga mažiau nei vienas iš 2000 žmonių, o tokių ligų priskaičiuojama daugiau kaip 7000. Net ir patyrusiems medikams dažnai sudėtinga tiksliai bei patikimai diagnozuoti visas šias ligas. Tačiau federalinis DI modelių mokymas sudarytų sąlygas daugelio ligoninių bendradarbiavimui, leistų sukaupti pakankamai klinikinių atvejų ir duomenų bei taip sukurti pažangius DI modelius, padedančius gydytojams priimti tikslesnius diagnostinius sprendimus“, – sako jis.

Be federalinės mašininio mokymosi technologijos, projekte planuojama taikyti ir pamatinius biosignalų modelius (angl. foundational models), biofizika pagrįstus mašininio mokymosi modelius (angl. biophysics-based machine learning models) bei daugiarūšius modelius (angl. multimodal models).