Rozmowa z dr inż. Andrzejem Brodzickim z Wydziału Informatyki AGH

Dr inż. Andrzej Brodzicki, pracownik Wydziału Informatyki AGH oraz Centrum Doskonałości Sztucznej Inteligencji AGH, zajmuje się zastosowaniem AI w analizie obrazów medycznych: od zdjęć skóry, przez tomografię komputerową i rezonans magnetyczny, po mikroskopię.
 

Pracujesz z bardzo różnymi typami obrazów medycznych. Czy w tak dobrze przebadanym obszarze jak analiza nowotworów skóry da się jeszcze zrobić coś nowego?

To prawda – analiza zmian skórnych jest jednym z najlepiej zbadanych obszarów w medycznym AI. Mamy dużo publikacji i dostępnych publicznie zbiorów danych, pojawiają się też rozwiązania komercyjne. Ale mimo to wciąż znajdujemy przestrzeń do pracy. Skupiamy się m.in. na jakości danych: wykrywamy błędy w zbiorach, analizujemy różnice anatomiczne czy wpływ artefaktów. To rzeczy, które często są pomijane, a mają ogromny wpływ na działanie modeli.

Co w danych może najbardziej „zepsuć” model, choć na pierwszy rzut oka tego nie widać?

Jednym z największych problemów są duplikaty w zbiorach danych. 
To mogą być identyczne zdjęcia zapisane dwa razy pod różnymi nazwami albo obrazy minimalnie zmodyfikowane – np. inaczej przycięte czy przeskalowane. Jeśli takie dane trafią jednocześnie do zbioru treningowego i testowego, dochodzi do tzw. przecieku informacji. W praktyce oznacza to, że model uczy się i testuje na tych samych danych. Wyniki wyglądają świetnie, ale są nierzetelne – bo model nie uczy się generalizacji, tylko „zapamiętuje” dane. 
Co ciekawe, nasze badania pokazały, że wiele zbiorów medycznych zawiera takie błędy, a duża część publikacji naukowych w ogóle ich nie uwzględnia.

A co z bardziej złożonymi danymi, jak CT czy MRI?

Obrazy 3D to jedno z największych wyzwań. Są ogromne, wymagają dużych zasobów obliczeniowych, a gotowych architektur sieci jest mniej niż dla danych 2D. Najprostsze rozwiązanie to zmniejszanie rozdzielczości, ale wtedy tracimy informacje – a przecież właśnie po to robimy obrazowanie 3D, żeby mieć ich więcej.
Dlatego szukamy kompromisów: czasem analizujemy tylko fragmenty obrazu i składamy wynik, czasem testujemy podejścia 2D, które bywają zaskakująco skuteczne, często też tworzymy własne rozwiązania dopasowane do konkretnego problemu.
Tu nie ma jednej drogi – wszystko zależy od danych i zastosowania.

Pracowałeś też przy mikroskopii fluorescencyjnej ze Stanfordem. Jak wygląda taka współpraca w praktyce?

W badaniach nad nowymi lekami naukowcy często analizują obrazy mikroskopowe i ręcznie liczą komórki – sprawdzają, które żyją, które obumierają lub jak się grupują. To żmudna, czasochłonna praca.
My wchodzimy tu z klasycznym przetwarzaniem obrazów – często bez zaawansowanego deep learningu – i automatyzujemy te zadania: liczymy komórki, analizujemy ich układ, wyciągamy statystyki. To nie jest rewolucja w sensie skrócenia badań z lat do tygodni, ale realnie oszczędza ludziom wiele godzin, a czasem po prostu… kilka nieprzespanych nocy.

Coraz więcej mówi się o uczeniu bez etykiet. Skąd jego rosnące znaczenie?

Bo etykiety są bardzo drogie. W medycynie do opisania danych nie wystarczy „zwykły użytkownik internetu” – potrzebni są eksperci. Oznaczenie jednego przypadku może zająć nawet kilka godzin pracy specjalisty. Dlatego rozwijają się metody nienadzorowane i półnadzorowane – takie, które potrafią wykorzystać duże ilości nieoznaczonych danych i ograniczyć liczbę potrzebnych etykiet.

Często wygląda to tak, że większość modelu uczymy bez etykiet, a tylko końcówkę doprecyzowujemy na niewielkim, opisanym zbiorze. To ogromna oszczędność czasu i kosztów etykietyzacji.

Czy to oznacza, że przyszłość to modele uczące się bez udziału człowieka?

W badaniach – bardzo możliwe, ale w praktyce medycznej to bardziej złożone. Tu kluczowe są kwestie bezpieczeństwa, certyfikacji i zaufania. Znacznie łatwiej uzasadnić działanie modelu, który był uczony na danych opisanych przez lekarzy.

Co dziś najbardziej blokuje wdrażanie AI w medycynie?

Paradoksalnie – nie technologia. Przy odpowiednich danych jesteśmy już w stanie rozwiązywać wiele problemów. Wyzwaniem są raczej kwestie organizacyjne: procedury i regulacje, finansowanie, gotowość instytucji i lekarzy do wdrażania nowych rozwiązań.
Kluczowa jest też interpretowalność modeli. W medycynie nie możemy używać „czarnych skrzynek” – lekarz musi rozumieć, dlaczego model podjął taką, a nie inną decyzję. Oprócz budowania coraz to dokładniejszych modeli musimy też budować zaufanie: pokazywać, jak działają, jakie mają ograniczenia i w czym realnie pomagają.

Dziękujemy za rozmowę!