A rendellenes szívütések felismerésén dolgozik az ELTE Informatikai Karának egyetemi docense, Kovács Péter, aki a mesterséges intelligencia eszközeit felhasználva próbálja azonosítani az EKG jelek abnormalitásait. Vele beszélgetett a tudás.hu
A szívritmuszavar a szív elektromos működésének a rendellenessége. Időnként mindenkinél előfordulhat, ám egyes típusai akár életveszélyesek is lehetnek, ezért mindig fontos a kivizsgálás.
A szívritmuszavar itthon legalább 200–300 ezer embernél fordul elő.
Gyakran tünetmentes, így sokan nem is tudnak róla. Egyedi jelfeldolgozó módszerekkel elemzi a publikus kórházi adatokat az ELTE Informatikai Kar (IK) Modellalkotó laborja, amelyhez a matematikai modellezés és a mesterséges intelligencia módszereit használják.
Hogy mutatkozott meg az igény arra, hogy a szívritmuszavarok felismeréséhez mesterséges intelligenciát használjanak?
A szív- és érrendszeri megbetegedések a lappangó betegségek közé tartoznak, amely talán leginkább a magas vérnyomás kapcsán köztudott.
Az viszont már kevésbé ismert, hogy ezeknek a megbetegedéseknek vannak szövődményei is. A szívritmuszavarok több okból jelentkezhetnek: örökletesek is lehetnek, amelyek esetenként nem igényelnek nagyobb odafigyelést, viszont a kor előrehaladtával, a helytelen életmód, táplálkozás, stb. következtében súlyos rendellenességek is kialakulhatnak.
Bizonyos aritmiák, illetve azok szövődményei visszafordíthatatlan egészségkárosodáshoz vezetnek, ezért kialakulásuk időben történő felismerése a prevenció legfontosabb lépése.
Nem meglepő tehát, hogy a szívritmuszavarok vizsgálata és felismerése régóta kutatott területnek számít, mind az orvostudományban, mind pedig az interdiszciplináris informatikai alkalmazások területén.
Utóbbi, főleg a szívritmuszavarok felismerésének algoritmizálására és automatizálására fókuszál, ami doktori tanulmányaim során is nagy szerepet kapott. Ennek persze már 15 éve, azóta rengeteg olyan hordozható eszköz jelent meg a piacon, amely kifejezetten a szívritmuszavarok ellenőrzésére fókuszál. Ilyen az okosóra, egyes okostelefon-applikációk vagy a szenzoros póló is.
Ezek mind különböző fiziológiai paramétereket mérnek, amelyekből következtetni lehet a szív- és érrendszer egészségi állapotára.
Orvosi körülmények között hogyan mérik a szívritmuszavart?
Az esetek jó részében kórházi kivizsgálás (12 elvezetéses, terheléses EKG, stb.), illetve otthon is hordható úgynevezett Holter-mérő segítségével mutathatók ki a szívritmuszavarok.
Ez egy olyan szerkezet, amelyet a páciens általában egy napig hord, és jelezheti is egy markerrel, ha elütést, rosszullétet, stb. észlel. Az orvosok ezt követően a keletkezett adatmennyiséget kielemzik, és megvizsgálják, hogy milyen mértékű a ritmuszavar.
Hogy kezdtek neki a szívritmuszavar projektnek?
A tématerület kutatása több mint 15 évre nyúlik vissza, amikor Dr. Fridli Sándor, egyetemi tanár és Dr. Schipp Ferenc Széchenyi-díjas professzor témavezetése alatt doktori tanulmányokat folytattam az ELTE Informatikai Karán. Akkor még a klasszikus jelfeldolgozás és a matematikai modellezés eszközeivel közelítettük meg a problémát.
A mesterséges intelligencia elmúlt években bekövetkezett fejlődésére reagálva azonban ma már az említett területeket ötvöző úgynevezett modell-alapú mesterséges intelligencia algoritmusok fejlesztésén dolgozunk.
Ez egy viszonylag új terület, amely alacsony erőforrásigényű modelleket és átlátható döntéshozatalt tesz lehetővé. A kezdeti kutatásaink óta a szívritmuszavarok felismerése számos egyéb problémakörrel egészült ki, pl. EKG jelek szegmentálása, rendellenes szívütések osztályozása, többforrású humánbiológiai jelek (EKG, PPG, EEG, vérnyomás) feldolgozása, amelyekkel az ELTE Informatikai Kar Modellalkotó laborjában foglalkozunk.
A labort 2021 óta vezetem, melyben alapvetően publikus kórházi adatbázisokkal dolgozunk.
A hordozható technológiáknak köszönhetően rengeteg nyilvánosan elérhető adat áll rendelkezésre.
A laborban több kollégámmal dolgozom különböző projekteken, nemzetközi együttműködések keretein belül. Jelenleg egy egyetemi docens, két adjunktus, egy posztdoktori kutató, és négy doktorandusz kollégával végzünk kutatásokat, de számos BSc/MSc hallgatót is témavezetünk, akik a labor kurzust egyetemi kreditekért, illetve szakmai gyakorlatként is teljesíthetik.
Hogyan néz ki egy adattudós munkája?
Az orvosok teljesen más szempontok alapján elemzik a létrejött adatmennyiséget, mint mi.
Számukra az a fontos, hogy legyen egy olyan rendszerünk, amely segít jelezni az abnormális szívritmuszavarokat egy hosszabb felvételben.
Ez lehet 24 órás, vagy 5 napos is. Nekünk először is egy zajszűrésre van szükségünk, amely eltávolítja a diagnózis szempontjából irreleváns komponenseket az EKG jelből. Ilyen például a mérési zaj vagy interferencia, de a légzés okozta alapvonal vándorlás is.
Ezek után azonosítjuk a diagnózis szempontjából fontos információkat, például az EKG görbék egy-egy betegségre jellemző alakját, illetve azok időbeli előfordulását, ami gyakran összhangban van a jelek kardiológusok által is vizsgált tulajdonságaival.
Melyek azok az adatok, amelyek kifejezetten egy adattudós számára lehetnek érdekesek?
Az elemzés szempontjából az EKG-jeleken a legfontosabb a pitvari összehúzódást mutató ‘P’ hullám, a kamrai összehúzódást és repolarizációt jelölő ‘QRS’ komplexumok, és a ‘T’ hullámok.
A feldolgozás során vizsgáljuk a hullámok alakját, amplitúdóját és az időtartamát.
Ehhez persze detektálni kell az említett hullámformák kezdetét és végét, amelyek közül a legnehezebb a T-, de főleg a P-hullám detekciója, amely gyakran alig különböztethető meg a háttérzajtól.
Az EKG jelek orvosi vizsgálata hasonlóan zajlik. Ugyanakkor, amíg egy gyakorlott kardiológus számára a P, QRS, T hullámok detekciója és a diagnózis felállítása fejben szinte egyszerre történik, addig egy szoftver fejlesztése során muszáj algoritmizálnunk a diagnózis felállításához vezető utat, amelynek első lépése az említett hullámok automatikus detektálása, amit az orvosilag is értelmes jellemzők kinyerése és elemzése követ.
A mesterséges intelligencia módszere mennyiben tér el a hagyományostól?
A mesterséges intelligencia működése sok tekintetben hasonlít az emberi intelligenciáéhoz. A kardiológusok az orvosi egyetemen rengeteg példán keresztül megtanulják, hogy melyek azok a jellemzők, amelyekre egy EKG jel vizsgálatánál figyelniük kell.
A mesterséges intelligencia (MI) modelleket is tanítani kell, amelyhez rengeteg példára, azaz címkézett adatra, illetve számítási kapacitásra van szükség.
Ez az erőforrásigény csökkenthető, ha a szakterületi ismereteket (normális jelek alakja, amplitúdója, időzítése, stb.) felhasználjuk a háló tanításához. A kardiológus hallgatók sem maguk próbálják kitalálni a diagnózis szabályait az egyetemi képzés során, hanem segítségükre vannak az orvostudomány több évszázados megfigyelései szakkönyvek formájában. Ez a tudás matematikailag formalizálható és beépíthető MI modellekbe is.
Ezt nevezzük tudás- vagy modell-vezérelt mesterséges intelligenciának, amely ötvözi a matematikai modellezés és a mesterséges intelligencia területeit.
Az ELTE IK Modellalkotó laborban végzett kutatások középpontjában is ez áll, különös tekintettel az MI biztonságkritikus alkalmazásaira, mint amilyen az egészségügy is.
Mit jelent ez ki a gyakorlatban?
A szakterületi tudás az MI modellek felépítésén, célfüggvényén, és a tanításhoz használt adatokon keresztül integrálható a gépi tanuló algoritmusokba.
Ezek helyes megválasztásával befolyásolhatjuk az adatok belső reprezentációját, a modell érzékenységét és pontosságát, illetve a döntési mechanizmus átláthatóságát. Végeredményként pedig olyan algoritmusokat, illetve szoftvereket fejlesztünk, amelyek a zajszűrést követően az EKG jelek szívütésekre szabdalt szeleteit továbbítják egy MI modell bemenetére, amit a modell szívütésenként normális, vagy abnormális kategóriákba sorol.
Mire lehet majd használni a későbbiekben a laboruk által fejlesztett MI modelleket és algoritmusokat?
Az ismertebb MI modellek, pl. a chatGPT, tanítása során sok százmillió, vagy éppen több milliárd paraméter beállítása szükséges, ami rendkívül erőforrásigényes folyamat. További következmény, hogy a betanított modell értelmezhetősége nagyon alacsony,
vagyis nehéz kibogozni, hogy a modell egy adott szívütést milyen indokok mentén sorol a normális vagy abnormális kategóriába.
A modell-vezérelt MI paradigma ezeken a hátrányokon képes javítani. Az értelmezhetőség különösen fontos az olyan biztonságkritikus alkalmazásokban, mint amilyen az egészségügy is. Ebben az esetben a döntési mechanizmus átláthatósága és értelmezhetősége legalább olyan fontos mint a teljesítmény. Valóban, ha a különböző betegségek egyszerű kategorizálása mellé egy logikus érvelést is szolgáltatunk, az növelheti az orvosok bizalmát az MI felé, és a jövőben talán a klinikai gyakorlatba is átültethető MI alapú döntéstámogató szoftvereket kapunk.
