Mesterséges intelligencia segíti a tuberkulózis felismerését

A tuberkulózis (TBC) még ma is az egyik vezető halálok a fertőző betegségek között, különösen azokban a régiókban, ahol az egészségügyi infrastruktúra korlátozott. A gyors és megbízható diagnózis kulcsfontosságú a fertőzés terjedésének megfékezésében – azonban a hagyományos mikroszkópos vizsgálat fáradságos, szakértelmet igénylő folyamat. Erre a globális kihívásra keresett innovatív megoldást Bedőházi Zsolt, az ELTE Informatikai Doktori Iskolájának hallgatója, aki mesterséges intelligencia segítségével fejlesztett ki egy új detekciós modellt Csabai István fizikus professzor kutatócsoportjában. Az eredményeket első szerzőként publikálta a D1-es besorolású Computers in Biology and Medicine nemzetközi folyóiratban 2025-ben.

A kutatás során egy úttörő, automatizált, gyengén felügyelt tanulási (weakly supervised learning) keretrendszert valósított meg amely képes a rendkívül kis méretű Mycobacterium tuberculosis jelenlétének felismerésére köpetmikroszkópos képeken, gyakran nagy háttérzaj mellett – mégpedig úgy, hogy ehhez nem szükségesek részletes szakértői jelölések. A megoldás két modern gépi tanulási technológia ötvözésével valósult meg: egyrészt egy úgynevezett patológiai foundation model (UNI), amelyet eredetileg közel 100 millió digitális patológiai képen tanítottak, másrészt egy Transformer encoder-alapú neurális hálózat segítségével, amely az UNI által generált vizuális jellemzőket elemzi.

A fejlesztett rendszer működése három fő lépésen alapul. Először a köpetmikroszkópos képeket kisebb képrészletekre bontja, majd ezekből az UNI modell segítségével vizuális jellemzőket (embeddingeket) állít elő. Végül egy speciálisan erre a célra finomhangolt Transformer encoder modell aggregálja ezeket az információkat, és döntést hoz arról, hogy az adott kép tartalmaz-e TBC baktériumokat. Az egész modell tanítása kizárólag kép szintű (pozitív/negatív) címkék alapján történt, vagyis nem volt szükség sem régiószintű, sem pixelpontos szakértői annotációkra – ami jelentős idő- és költségmegtakarítást jelent, különösen nagyméretű adatkészletek esetében.

A megközelítés lényege az irodalomban elérhető korábbi munkákhoz és módszerekhez képest, hogy jelentősen csökkenti az annotációs igényt, valamint a módszer képes a mikroszkópos képek osztályozására azok előfeldolgozása nélkül, így jobban alkalmazkodik a valós életbeli felhasználásokhoz. Tovább, a H&E-festett szövettani képeken előtanított foundation model alkalmazása köpetkenetek mikroszkópos képein (cross-domain transfer learning) – újszerű megközelítést jelent a tuberkulózis detektálásának irodalmában. Ez különösen azért figyelemre méltó, mert a szövettani és a mikroszkópos képek több szempontból is jelentősen eltérnek egymástól.

A fejlesztett rendszer teljesítményét három különböző teszthalmazon is értékelték. Mindhárom halmazon a rendszer 0.94 feletti PR-AUC értéket ért el, ami azt mutatja, hogy a modell nemcsak pontos, de robusztus és jó általánosító képességgel rendelkezik.

A kutatás gyakorlati jelentőségét mi sem mutatja jobban, mint hogy a modell a 2024-es Detecting Active Tuberculosis Bacilli nemzetközi versenyen is első helyezést ért, amelyet a Nightingale Open Science és a tajvani Wellgen Medical Co., Ltd. szervezett, és ahol több mint 75.000 mikroszkópos képből álló adathalmazon kellett a versenyzőknek azonosítani a bacilus jelenlétét – mindezt rendkívül torz osztálymegoszlás mellett (a pozitív esetek aránya mindössze 5% volt).

A kutatás nemcsak a tudományos közösség, de az ipari szereplők figyelmét is felkeltette: a digitális mikroszkópokat fejlesztő Wellgen Medical már érdeklődését fejezte ki a módszer privát adatkészleteken való tesztelésére. Emellett az eredményekről a hazai sajtó is beszámolt, többek között a Telex TechTud rovata, valamint a MI Nemzeti Laboratórium híroldala is.

A tanulmány nemcsak elméleti újdonságokat tartalmaz, hanem klinikai hasznossága és társadalmi jelentősége vitathatatlan: az algoritmus például kifejezetten hasznos lehet azokban a fejlődő országokban, ahol jelenleg sem elegendő szakember, sem megfelelő technológia nem áll rendelkezésre a mikroszkópos diagnózisok elvégzésére.

„Számomra ez a projekt nemcsak szakmai, hanem személyes mérföldkő is. A mesterséges intelligencia és az orvostudomány találkozása rendkívül inspiráló, és hiszem, hogy a hasonló megoldások valódi változást hozhatnak az egészségügyben – különösen ott, ahol a legnagyobb szükség van rájuk” – foglalja össze a szerző.

A teljes tanulmány itt érhető el: Streamlining tuberculosis detection with foundation model-based weakly supervised transformer