A tuberkulózis (TBC) az egyik vezető, fertőző halálozási ok világszerte; évente több millióan betegszenek meg aktív TBC-ben anélkül, hogy tudomást szereznének róla. Ráadásul a TBC okozta halálozás több mint egy évtizede először növekvő tendenciát mutat.
Mint az ELTE közleménye kiemeli: a megelőzés elsődleges módszere az esetek azonosítása, ugyanis felnőttek számára nem létezik hatékony vakcina. A diagnosztizálás alappillére a mikroszkópos vizsgálat, amely a mycobacterium tuberculosis légúti köpetben történő azonosításán alapszik. Ehhez olyan képzett szakemberekre van szükség, akik az összes feltételezett esetet pontosan áttekintik, erre azonban vidéki régiókban vagy fejlődő országokban nem mindenhol adódik lehetőség.
Költséghatékony megoldást az automatizált digitális mikroszkópia jelent, vagyis egy olyan automatizált algoritmus, amely megbízhatóan azonosítja a mikobaktériumot a TBC-gyanús betegek mintáiban – hangsúlyozzák.
Éppen az ilyen algoritmusok fejlesztését ösztönzőleg hozták létre a Nightingale Open Science és a Wellgen Medical által szervezett nemzetközi adatelemző versenyt. Ennek keretein belül a versenyzőknek saját fejlesztésű algoritmusokkal kellett elemezni egy olyan adathalmazt, amely több mint 75 ezer mikroszkópos képet tartalmazott Ázsiában gyűjtött légúti mintákból, és megállapítani, hogy van-e bennük bacilus vagy sem.
Bedőházi Zsolt, az ELTE Informatika Doktori Iskola és Biricz András, az ELTE Fizika Doktori iskola hallgatója Csabai István professzor kutatócsoportjában dolgoznak. A mostani versenyre olyan innovatív módszert fejlesztettek, amelyben egy nemrég megjelent patológiai alapmodell, az UNI segítségével nyertek ki tömörített információt a képekből.
Az UNI-t 20 különböző szövettípusból származó 100 millió digitális patológiai kép felhasználásával tanították, így nem csak a patológiai metszetekből származó képeket tudja elemezni, hanem sokoldalúan alkalmazható más diagnosztikai forgatókönyvekben is, például a versenyen előforduló légúti minták mikroszkópos képeinek feldolgozásában.
A képekből kinyert információt a hallgatók ezután a legkorszerűbb Transformer-alapú modellel vizsgálták tovább, amelyet speciálisan a feladatra finomhangolva fejlesztettek. Ez a megközelítés az eredeti kép több kisebb régióját egyszerre veszi figyelembe és a korábbi módszerekkel ellentétben nem igényel szakemberek általi jelöléseket a képeken, hanem önfelügyelt módon tanul és ismeri fel a releváns mintázatokat.
Az ELTE hallgatói által kifejlesztett módszer kiemelkedő pontosságot és 3000 dolláros pénzjutalmat is jelentő első díjat eredményezett a versenyen. Az intelligens digitális mikroszkópokat fejlesztő taiwani Wellgen Medical saját privát adathalmazán szeretné tesztelni az új módszert.
A hallgatók abban bíznak, hogy munkájuk hozzájárul a digitális mikroszkópia technológiai fejlődéséhez, és másokat is inspirál majd.
Ha máskor is tudni szeretne hasonló dolgokról, lájkolja a HVG Tech rovatának Facebook-oldalát.
