Nauki przyrodnicze [2022-03-31]

Algorytm na zdrowie

— Marcin Behrendt

Komputery, które rozpoznają zapalenie płuc, wykrywają komórki nowotworowe, diagnozują złamania i pomagają w projektowaniu leków – sztuczna inteligencja przebojem wkracza do szpitali i aptek. O wykorzystaniu algorytmów w medycynie i farmacji opowiada dr hab. Anna Bajek, prof. UMK z Collegium Medicum.

Rok 2021 został okrzyknięty rokiem sztucznej inteligencji i początkiem nowej ery w farmacji. Obecnie wykorzystanie komputerów w przestrzeni medycznej, farmaceutycznej czy biotechnologicznej jest nie tylko ideą, ciekawą koncepcją, ale rzeczywistością i wymogiem biznesowym. Dr hab. Anna Bajek, prof. UMK z Wydziału Lekarskiego Collegium Medicum UMK i prof. dr hab. Krzysztof Roszkowski z Wydziału Nauk o Zdrowiu są współautorami publikacji: "Machine learning in drug design: use of artificial intelligence to explore the chemical structure–biological activity relationship" opublikowanej w czasopiśmie "Wiley Interdisciplinary Reviews-Computational Molecular Science".

Pojętny uczeń

Sztuczna inteligencja nie ma powszechnie jednej definicji. Wzoruje się na naturalnych procesach poznawczych, działaniach zachodzących w ludzkim mózgu. - Gdybyśmy ogólnie mieli powiedzieć, czym jest sztuczna inteligencja, moglibyśmy opisać ją jako system komputerowy działający na wzór inteligencji człowieka– mówi prof. Bajek. - Ma zastosowanie w każdej dziedzinie nauki.

Sztuczna inteligencja może zrewolucjonizować niemal wszystkie aspekty medycyny, począwszy od diagnostyki przez opiekę nad pacjentem, projektowanie leków, dobieranie odpowiedniej dawki medykamentów, aż po aspekty ekonomiczne. W Polsce jej potencjał jest jeszcze słabo wykorzystywany, ale czas pandemii Covid-19 pokazał, że zastosowanie tego typu technologii staje się niezbędne.

Korzystanie z dobrodziejstw sztucznej inteligencji możliwe jest poprzez nauczenie komputera pewnych wybranych funkcji ludzkiego mózgu. Proces jest skomplikowany, ponieważ na rynku działa obecnie wiele firm oferujących rozmaite bazy danych, opierające się na różnych modelach matematycznych. Naukowcy stosują głównie dwie metody uczenia komputerów. Pierwsza, łatwiejsza, to uczenie maszynowe. Najprościej mówiąc: wykorzystuje się w niej dobrze zdefiniowane bazy cech, reguły matematyczne, działania oraz algorytmy, aby zmusić komputer do nauczenia się np. rozpoznawania obrazów. - Wyobraźmy sobie prześwietlenia płuc w czasie pandemii Covid-19 – opowiada prof. Bajek. Mamy do zbadania mnóstwo pacjentów, a dodatkowo często okazuje się, że samo prześwietlenie jest niewystarczające, bo nie jest dostatecznie czułą metodą diagnostyczną i dodatkowo trzeba zlecić pacjentowi tomograf komputerowy. Każdy wynik musi opisać radiolog. Czas oczekiwania na diagnozę znacznie się wydłuża. Możemy nauczyć komputer, jak rozpoznawać chorobę, pokazując mu zdjęcie zdrowych płuc i takich ze zmianami sugerującymi zapalenie płuc.

Im więcej obrazów pokażemy komputerowi, tym powstały algorytm będzie sprawniejszy. Po takiej edukacji na wstępnym etapie oceny zdjęcia rentgenowskiego radiolog będzie znacząco odciążony, ponieważ sugerowane przez algorytm zmiany będą już zaznaczone. W czasie pandemii Covid-19 powszechnie wykorzystywano tę metodę na świecie, ponieważ maszyna była w stanie rozpoznać zapalenie płuc wywołane wirusem. Dzięki temu medykom udało się skrócić czas oczekiwania na wstępną diagnozę, co okazało się niezwykle pomocne.

Poziom zaawansowany

Komputer można nauczyć niemal wszystkiego, m.in. rozpoznawania zmian nowotworowych, co jest już wykorzystywane w profilaktyce raka piersi. Komputer jest przygotowywany do odróżniania mammogramów prawidłowych od nieprawidłowych, sugerujących zmiany nowotworowe. Badania pokazały, że algorytm jest w tej kwestii czulszy niż oko ludzkie. Sztuczna inteligencja wykorzystywana jest też w ortopedii do diagnostyki złamań, w patomorfologii do oceny preparatów i w projektowaniu leków.

To ostatnie zastosowanie jest najbardziej skomplikowane, ponieważ przeważnie wymaga innej metody uczenia, czyli uczenia głębokiego (ang. Deep learning) celem stworzenia stosownej sieci neuronowej używanej dalej w analizie. Komputer trzeba dłużej edukować i już na wstępie zgromadzić olbrzymią bazę danych (przy projektowaniu nowych leków analizuje się miliony cząsteczek chemicznych).

Taki rodzaj nauczania wymaga, w uproszczeniu, budowy matematycznego modelu biologicznego układu nerwowego – tłumaczy kierownik Zakładu Inżynierii Tkankowej w Katedrze Urologii i Andrologii CM UMK. – Tak jak w naszym mózgu neurony są odpowiedzialne za kojarzenie faktów lub szukanie relacji, tak tutaj tworzone są pewne sieci neuronowe, dzięki którym komputer sam może poszukać relacji – tzn. wie, na jaką chorobę szuka leku i spośród miliona cząstek chemicznych potrafi wyłapać tę właściwą. Może też przewidzieć skutki uboczne, jeśli zdecydujemy, że również tego chcemy go nauczyć.

Aby to osiągnąć, wprowadza się dane z obserwacji szpitalnych, z kart medycznych, z recept, a nawet roszczeń ubezpieczeniowych. To ogrom informacji, zwłaszcza że na każdego człowieka dany lek może mieć inny wpływ. - Leki, aby mogły zostać wprowadzone na rynek farmaceutyczny i być zastosowane w praktyce klinicznej, muszą przejść badania kliniczne – tłumaczy prof. Bajek. - Z tym wiążą się ogromne koszty sięgające miliardów złotych, często są to też badania międzynarodowe wymagające czasu. Od momentu wykrycia odpowiedniej substancji do wprowadzenia jej na rynek mija średnio 12 lat. A na końcu okazuje się, że prawdopodobieństwo sukcesu wszystkich leków i szczepionek wynosi tylko 13 proc., a leków onkologicznych, którymi my się zajmujemy, odrobinę powyżej 3 proc. To oznacza, że tylko jedna cząsteczka z kilku tysięcy zostanie lekiem.

Prof. Bajek zapewnia, że za wstępne etapy badań klinicznych, w których sprawdza się toksyczność, czyli zapewnia bezpieczeństwo leku dla naszego zdrowia, może odpowiadać sztuczna inteligencja. Komputer przeanalizuje dane i wskaże, że wśród 100 cząsteczek tylko jedna jest potencjalnie nietoksyczna i nad nią warto pracować dalej. W badaniach klinicznych testuje się wiele aspektów związanych z wpływem danej cząsteczki na organizm człowieka. Analizowane jest wszystko to, o czym czytamy w ulotce, m.in. czy lek mamy przyjmować na czczo, czy po jedzeniu, czy popijać wodą, czy można go łączyć z innymi substancjami, w jakich chorobach trzeba zachować szczególną ostrożność. Bada się też drogę podawania leku, aby wiedzieć, ile substancji czynnej trafia do organizmu. Przyjmuje się, że jeśli podaje się lek dożylnie, cały trafia do krwioobiegu. Podanie doustne tego samego medykamentu na pewno już tak skuteczne nie jest. Chociaż istnieją leki, które mają tylko 3 proc. wchłanialności, a świetnie działają. Wszystkie te procesy można oczywiście oceniać tradycyjnymi metodami z użyciem np. badań na zwierzętach, ale już dzisiaj możemy zredukować liczbę eksperymentów i znacznie skrócić potrzebny czas dzięki użyciu sztucznej inteligencji. - To maksymalizacja efektu przy minimalizacji kosztów – mówi prof. Bajek. - Koncerny farmaceutyczne już korzystają z tego przełomowego rozwiązania. Okazuje się, że przy użyciu komputera można sprawnie i szybko przeszukać bazy związków chemicznych i opierając się na dostępnej wiedzy dobrać najlepsze połączenia, mając na uwadze ich niską toksyczność i wysoką skuteczność. Tym samym możemy poszukiwać nowych zastosowań istniejących już leków, co jest obiecującą perspektywą. Naukowcy przeprowadzili badanie pokazujące, że na jedną chorobę są stosowane trzy typy leków, a komputer znalazł 10, które powinny zadziałać.

Naukowcy z Collegium Medicum UMK za pieniądze przyznane im w ramach programu Inicjatywa doskonałości – uczelnia badawcza kupili mikroskop umożliwiający między innymi tworzenie baz danych używanych w tworzeniu sieci neuronowych. - Chcieliśmy ułatwić sobie pracę – zdradza prof. Bajek. - Prowadzimy hodowle komórek ludzkich, zwierzęcych, prawidłowych i nowotworowych w warunkach in vitro. Przede wszystkim skupiamy się na komórkach nowotworowych, badając ich wrażliwość na różne substancje o potencjale cytotoksycznym. Tego typu analizy są jednymi z najważniejszych wskaźników oceny biologicznej w badaniach in vitro, istotne jest uzyskanie wiarygodnych i powtarzalnych wyników. Postanowiliśmy więc nauczyć komputer odróżniania komórek żywych od martwych, żeby poprawić jakość prowadzonych badań.

Komórki na linii

Prace ze sztuczną inteligencją, w przypadku laboratorium prof. Bajek i prowadzonych w nim badań, zaczynają się od kupna lub wyprowadzenia linii komórkowych. Na świecie jest sporo firm, które od lat oferują linie komórkowe, dostępne komercyjnie.

Pracujemy w Katedrze Urologii i Andrologii, często więc analizujemy komórki układu moczowo-płciowego - wyjaśnia prof. Bajek. - Chcąc zbadać, czy np. dana substancja działa na komórki nowotworowe pęcherza moczowego, kiedy planujemy eksperyment, działamy dwutorowo. Tworzymy model komórkowy nowotworowy i model komórek zdrowych, które są naszym punktem odniesienia, kontrolą prowadzonych analiz.

Początkowo prowadzone są standardowe prace laboratoryjne, a po zoptymalizowaniu hodowli in vitro takich komórek trafiają one pod mikroskop, który wykonuje im tysiące zdjęć, żeby komputer mógł nauczyć się prawidłowo rozpoznawać odpowiednią komórkę. - Laborantowi z pewnym doświadczeniem łatwo jest ocenić obraz widziany pod mikroskopem: widzimy, co jest komórką, a co nią nie jest, co jest pozostałością po komórce, a co jest artefaktem – tłumaczy mgr Łukasz Kaźmierski z Katedry Urologii i Andrologii. - Takie proste rozpoznawanie obiektów jest natomiast niebywale trudne dla komputera i aby był w stanie rozpoznać je w przyszłości, należy dobrze opisać (zaindeksować) dane, które służyć będą do uczenia algorytmu. Każdą komórkę należy ręcznie oznaczyć jako rozwijającą się prawidłowo lub taką, która się rozpadła, a także wskazać zanieczyszczenia, które mogły dostać się na analizowane szkiełko, żeby nie zostały zinterpretowane przez komputer jako komórki. Żeby cały mechanizm działał sprawnie, potrzebnych jest tysiące zdjęć.

Naukowcy z Collegium Medicum przyznają, że na razie wykorzystują tę technologię w badaniach podstawowych. Chcieliby dalej rozwijać aplikację sztucznej inteligencji w kontekście badania leków i precyzyjnej onkologii i tak zaadaptować dostępne metody, żeby jeszcze bardziej zwiększyć czułość analiz i ułatwić pracę w tym obszarze. Wierzą, że komputery będą w niektórych aplikacjach dokładniejsze niż człowiek, a ich zastosowanie pozwoli wyeliminować takie ludzkie problemy jak zmęczenie i pośpiech. - Nie ma granicy dla tych badań, kiedy kończymy jeden etap, otwierają się nowe możliwości - mówi prof. Bajek. - Są to rozwiązania, które mają pomagać w podejmowaniu decyzji, szczególnie gdy czas ma ogromne znaczenie. Trzeba pamiętać jednak, że nauka maszyn wymaga ogromnej wiedzy, cierpliwości i czasu. Nie należy jednak obawiać się nowych technologii w świecie medycznym. Na początku i na końcu tego procesu zawsze jest człowiek, który definiuje tę wiedzę. Sztuczna inteligencja ma uzpełniać pracę lekarza, być jego asystentem, "prawą ręką".

Zespół prof. Bajek interesuje się także innymi nowoczesnymi technologiami, które mogą być zastosowane w praktyce klinicznej. Jest to biodruk 3D albo wirtualna rzeczywistość. Szczególnie ta ostatnia, opracowywana we współpracy z wieloma partnerami, budzi wielkie nadzieje.

Prof. Bajek podkreśla, że postęp technologiczny w medycynie cały czas przyspiesza. Zmienia się też świadomość lekarzy i naukowców. Jest to ogromna szansa dla społeczeństwa, wiążąca się jednak z dużą potrzebą innowacji i zwiększeniem nakładów finansowych na ten cel. Dotacje na wizjonerskie technologie w medycynie w połączeniu z doświadczeniem i energią badaczy niesie ogromne nadzieje na wprowadzenie tego typu nowoczesnych rozwiązań nie tylko na arenę krajową, ale także międzynarodową.