Njihov mikroskop Marvin na putu je da omogući široku upotrebu AI tehnologija u medicini i veterini

Startup Digicyte zaokupio nas je još na svom prvom nastupu na ovogodišnjoj AI2FUTURE konferenciji, posvećenoj umjetnoj inteligenciji u Hrvatskoj, dodatni povod da saznamo više o njima je njihovo sudjelovanje u programu ZICER-ovog Startup Factoryja. Ukratko, Digicyte želi promijeniti način na koji se analiza tkiva, stanica i tkivnih tekućina trenutno radi, a to planiraju postići svojim skenerom kojeg krasi ime Marvin.

O Digyciteu smo saznali sve od njihovih osnivača, a to su Dora Machaček i Krunoslav Vinicki koji su ujedno i studenti na Veterinarskom fakultetu Sveučilišta u Zagrebu.

Na koji način trenutno analiziramo tkivo?

Dora pojašnjava kako se trenutno dijagnostika u medicini bazira na sporom i manualnom pregledu uzoraka pod mikroskopom, a Kruno dodaje i kako je trenutna analiza vrlo subjektivna. Kada bi svakome od 10 patologa dali zadatak da odredi postotak određenih stanica, dobili bi deset različitih rezultata.

Uzorci tkiva i stanica se pod mikroskopom gledaju na jako velikim povećanjima na kojima je često nemoguće detaljno proći cijeli uzorak. Uz to, doktori su ljudi, a ljudi imaju dobre dane i loše dane, skloni su umoru, distrakcijama. Sve to vodi do varijabilnosti u analizi uzoraka tkiva i stanica.

I tu i igru dolaze računala, ona su puno bolja u preciznom brojanju stanica. Računalo nikada nije umorno i može analizirati cijelo tkivo, dodaje Kruno, a isti algoritam će uvijek dati iste rezultate. Ipak, ovdje je važno napomenuti kako digitalizacija i računalna analiza uzoraka tkiva nije tu da zamijeni doktore, već da im pomogne i bude temelj za daljnje tumačenje nalaza:

Medicina je široko područje i digitalizacija drastično olakšava “sheranje” uzoraka sa stručnjacima i traženje “drugog mišljenja”. Računalna analiza pak omogućuje i bolju integraciju slikovnih podataka s poviješću bolesti pacijenta ili s rezultatima DNA sekvencioniranja.

Korištenje naprednih tehnologija ne smije postati privilegija najvećih laboratorija

Kako bi stali na kraj sporom i subjektivnom procesu, Dora i Krunolav koriste deep learning, odnosno umjetnu inteligenciju koja omogućuje “ljudsko” razumijevanje tkiva iz slika pa samim time i automatizaciju nekih dijagnostičkih procesa. Međutim, bez povoljnog skenera visoke rezolucije ne možemo imati široku upotrebu ovih tehnologija u medicini, bez obzira na njihov potencijal, napominje Krunoslav.

Jer, problem je upravo u pristupu tim tehnologijama.

Medicinski uređaji u pravilu koriste zatvorene, odnosno proprietary tehnologije i formate slika. Osim što to povećava cijenu uređaja, to otežava i znanstveni rad, odnosno napredak znanosti općenito:

Bojimo se da će se u patologiji s „umjetnom inteligencijom” dogoditi identična stvar koju imamo i s digitalizacijom: u medicini nemamo „demokratizaciju” ovih tehnologija, već im pristup imaju samo najveći laboratoriji i institucije.

Upravo zato smo krenuli s razvojem vlastitog skenera znajući da uz jednostavniji hardver (temeljen na 3D printerima) i bolju softversku kompenzaciju možemo spustiti cijenu digitalizacije i konačno otvoriti vrata širokoj uporabi umjetne inteligencije u analizi tkiva.

Nakon 2 godine razvoja i 4 različite verzije, njihov Marvin trenutno se nalazi u fazi potpuno funkcionalnog prototipa.

Zašto je Marvin toliko poseban?

Trenutna rješenja koja postoje na tržištu izrazito su skupa zbog kompleksnosti izrade i cijene hardvera potrebnog za izradu takvih uređaja. Marvin je poseban po tome što koristi neuronske mreže koje omogućuju da softverski kompenziraju jednostavniji hardver, ali i pruže puno veću funkcionalnost proizvoda:

Marvin će se moći koristiti i u medicini i u veterini. No, radi mnogo povoljnijeg regulativne klime naš primarni fokus je za sada veterina. Također, i Dora i ja dolazimo s veterine te smo puno bolje upoznati s potrebama i problemima s kojima se veterinari svakodnevno susreću.

Uz vrlo visoku rezoluciju, njihov Marvin sposoban je skenirati preparate potpuno automatski, odnosno pritiskom samo jedne tipke. Taj feature nazivaju one-button scanning:

To mu omogućuje da skenira preparate u 100% slučajeva. Ostali skeneri imaju uspjeh manji od 100%, odnosno neke preparate ne uspijevaju skenirati, i onda se takvi preparati moraju skenirati u tzv. semi-automatic načinu rada, gdje tehničar preko softvera odredi granice preparata ili čak ručno stavi “fokusne točke”.

Smanjenjem cijene digitalizacije, a to je postignuto tako što je Marvin napravljen po uzoru na 3D printer, Marvin otvara vrata široj uporabi računalnih algoritama pa tako i umjetne inteligencije u analizi tkiva.

Sve je počelo s onom: “Koliko teško može biti?”

Mehanika im je predstavljala posebno veliki problem. Od samoga početka bili su svjesni kako jedino stavljanjem težišta na tehnologiju iz svijeta 3D printera mogu postići značajno nižu cijenu uređaja:

No, Marvin je zapravo mikroskop s rezolucijom od 250 nanometara, a na tako velikim povećanjima greške postaju mnogo izraženije. Neki mehanički sustav koji “na oko” radi super, u mikroskopu često ne bude zadovoljavajući.

Da bi riješili ovaj problem, uz jako puno debugginga u mehanici, i četiri različite verzije Marvina, morali smo napraviti i “state-of-the-art” algoritam za spajanje slika koji može tolerirati i do 10X veće greške u mehanici u odnosu na algoritme koje se do sada koriste u ovakvim sustavima (ako idemo u tehničke detalje možemo dodati da algoritam kombinira deep learning i fourier transform).

Krunoslav nam iskreno govori kako su dosta naivno krenuli s cijelom pričom i onom klasičnom: koliko teško može biti?

Naravno, sve je ispalo mnogo kompleksnije nego što smo mislili. Na kraju smo morali dizajnirati sve od nule: optiku, mehaniku i naravno napisati sve algoritme koji su potrebni da bi na kraju dobili uspješno skenirane preparate.

Deep learning nije “magični štapić” kakvim se često smatra”…

Za razliku od klasičnog strojnog učenja koji se zasniva na manualno izvučenim i isprogramiranim značajkama, pristupom dubokog učenja (deep learninga) moguće je sustav uputiti da samostalno uči iz slika, slično poput čovjeka. Upravo ta značajka tehnike dubokog učenja čini mnogo skalabilnijima od nekih drugih AI primjena:

No, deep learning nije “magični štapić” kakvim se često smatra. Unatoč često korištenom sinonimu “umjetna inteligencija”, u usporedbi s ljudima ovi algoritmi imaju puno lošiju sposobnost generalizacije. Svaka razlika u kvaliteti ili bojanju tkiva može rezultirati lošijom točnošću i to je razlog njihovog čestog “sloma” u stvarnim uvjetima (“u deployanju”). Naravno, uz raznovrsnije (reprezentativnije) podatke ovaj problem je lako rješiv, no nažalost još uvijek mu se ne pridaje dovoljno pažnje.

Ipak, pristupačnija primjena visoke tehnologije može donijeti prekretnicu u analizi tkiva i stanica

Dora i Krunoslav zaključili su kako je pristup dubokog učenja, zahvaljujući sposobnosti samostalnog učenja iz slika, dovoljno skalabilan da prvi put u povijesti omogući automatiziranje dijagnostike iz slikovnih podataka. Iako imaju probleme, uz dovoljno pažljiv pristup, tehnike dubokog učenja imaju potencijal u potpunosti revolucionirati dijagnostiku.

Naravno, mi nismo prvi koji koristimo deep learning. Baš suprotno. Otprilike od 2017. imamo nagli porast znanstvenih radova vezanih za primjenu „umjetne inteligencije” (ili dubokog učenja) u patologiji i medicini općenito. Krajem te godine smo i mi ušli u to područje i napravili jedan rad.

No, ubrzo smo shvatili da “štampanjem” radova nećemo ništa postići, već da ako zaista želimo ostaviti neki veći učinak moramo sagledati cijelu problematiku. Digitalizacija u analizi tkiva i stanica još uvijek nije zaživjela. Bez digitalnih slika nema računalne obrade slika pa tako ni umjetne inteligencije. Iz tog razloga krenuli smo s razvojem svojeg skenera.

Kada spoje smanjenje cijene digitalizacije i built-in deep learning aplikacije, smatraju kako će upravo to dovesti do široke upotrebe umjetne inteligencije u analizi tkiva i stanica.

Planovi za dalje?

Za sada im je razvoj skenera u glavnom fokusu, no imaju u planu razviti softver koji bi pomoću dubokog učenja značajno povećao funkcionalnost kamera za mikroskop. Svaki noviji pametni mobitel ima odličnu fotografiju, no priča je drugačija u medicini, pojašnjava Dora:

Kamere za mikroskop softverski značajno zaostaju za mobilnim kamerama i mnoge osnovne značajke koje su nam potrebne za dobivanje dobrih znanstvenih slika još uvijek nedostaju. Ovdje ne govorimo samo o reprodukciji boja.

Slike koje su uzete pod mikroskopom trebale bi sadržavati odgovarajući “scale bar” i nema razloga zašto kamera, primjerice, ne bi mogla automatski prepoznati povećanje pod kojim je slika uzeta te sukladno tome staviti odgovarajuće mjerilo. To je još jedan feature koji je moguće implementirati zahvaljujući dubokom učenju.

Do novog softvera, Digycite ekipi želimo puno sreće s Marvinom.