Sepsiszentgyörgyi tudós hódít a mesterséges intelligenciával – Bedőházi Zsolt új szintre emeli a betegségek felismerését

„Mindig jobban vonzott az absztrakt gondolkodás és a logikai modellek világa, mint a tények mechanikus felmondása” – idézte fel.

A matematika és a fizika iránti szenvedélye a budapesti Eötvös Loránd Tudományegyetemre (ELTE-re) vitte, ahol elméleti fizikából szerzett alap- és mesterfokozatot. Az első években az oktatás jelentős része tisztán matematikai jellegű volt – analízis, lineáris algebra, valószínűségszámítás – ami később kulcsfontosságú alapot adott az AI-modellek megértéséhez és fejlesztéséhez. Bár doktori képzésbe is kezdhetett volna, először a szoftverfejlesztés irányába kanyarodott. Három évet dolgozott multinacionális cégeknél, ahol szimulációk, adatfeldolgozó rendszerek és különféle alkalmazások fejlesztésében vett részt. Itt tanulta meg a nagy rendszerekben való gondolkodást, a hatékony kódolást és a gyors problémamegoldást – készségeket, amelyek később az orvosi adatok elemzésénél is felbecsülhetetlenek lettek.

Mégis ott motoszkált benne az érzés, hogy a programozás önmagában nem elég.

Bedőházi Zsolt az ELTE-n, Csabai István professzor kutatócsoportjában kezdte a PhD-t, ahol orvosbiológiai adattudományra specializálódott.

A kutatásai fókusza a mesterséges intelligencia és a gépi tanulás alkalmazása betegségek korai felismerésében, különös tekintettel azokra a helyzetekre, ahol a diagnosztikai lehetőségek korlátozottak. Ez lehet egy vidéki kórház Afrikában, vagy akár egy kis labor Délkelet-Ázsiában – a cél mindenhol ugyanaz: gyorsabb, pontosabb és olcsóbb diagnózis.

Az évek alatt Bedőházi Zsolt több nemzetközi versenyen is részt vett, melyekre olyan modellekkel nevezett be, amik különböző betegségek detektálásában segítenek. Első kiemelkedő sikere az volt, amikor emlőrák stádiumának becslésére fejlesztett AI-modellel ért el első helyezést. A feladat során a daganatos elváltozások mikroszkópos képeit kellett elemezni, és a módszer sikerét az adta, hogy a képek apró, szöveti részleteiből is képes volt következtetni a betegség előrehaladottságára.

A tuberkulózis-projekt egy nemzetközi AI-versenyből indult, ahol 75 ezer mikroszkópos képen kellett felismerni a baktérium jelenlétét. A feladatot nehezítette, hogy a pozitív minták aránya mindössze 5 százalék volt, és a képeken belül nem jelölték be a baktériumok pontos helyét.

A projekt kezdetén alapos kutatást végzett, korábbi tudományos cikkeket nézett át, hogy felmérje, más kutatók hogyan közelítették meg a hasonló problémákat. Meglepődve tapasztalta, hogy a legtöbb munka évek óta nem frissített, elavult modellekre épült, és csak viszonylag kis adathalmazokat használtak.

„Volt egy-két adatbázis, ami ígéretesnek tűnt, de vagy nem működött a letöltési link, vagy a kutatócsoport nem válaszolt a megkeresésre” – mesélte.

Így az algoritmusnak a teljes képből kellett megtanulnia, milyen jellemzők utalhatnak fertőzésre, ami jóval bonyolultabb feladat, mint egy előre kijelölt régió elemzése.

Ez komoly úgynevezett „domain shift” problémát vetett fel: a tanítóképek és a mikroszkópos felvételek jellemzői jelentősen eltértek egymástól. Ennek ellenére az algoritmus képes volt alkalmazkodni az új feladathoz, ami azt mutatta, hogy a kiválasztott megoldás robusztus és jól általánosítható – ez pedig ritka erény az orvosi AI-modellek világában.

Ez a különbség klinikai környezetben hatalmas jelentőségű, főleg olyan országokban, ahol a diagnózis sokszor csak egyetlen mikroszkópos vizsgálaton múlik. Ott, ahol kevés a szakember, az AI nem kiváltja, hanem támogatja az orvos munkáját – előszűri a mintákat, kiemeli a gyanús eseteket, és így rengeteg időt és energiát spórol.

Bedőházi Zsolt célja az volt, hogy a módszert nemzetközi tudományos folyóiratban is publikálja. Ez azonban hosszú és néha frusztráló folyamatnak bizonyult: a cikk négy javítási körön ment keresztül, kilenc hónap telt el az első beküldéstől a megjelenésig, és közben az újság szerkesztői is többször változtak.

Az egyik felülvizsgálat során hiperparaméter-optimalizálást kértek – ami több száz különböző modellkonfiguráció kipróbálását jelentette. Ehhez a tajvani partner biztosított hozzáférést egy rendkívül drága, nagy teljesítményű szerverhez, amely lehetővé tette, hogy Zsolt mindössze 48 óra alatt lefuttassa a számításokat. Az optimalizálás kb. 3 százalékos pontosságnövekedést hozott – ami már 90 százalék feletti alapértékeknél is jelentős ugrás.

A tuberkulózis ma is az egyik vezető fertőző halálok világszerte, évente több mint 1,5 millió ember életét követelve. Sok fejlődő országban a diagnózis kizárólag mikroszkópos vizsgálaton alapul – időigényes, monoton és könnyen hibázható feladat.

Ez nemcsak az eredményességet növeli, hanem a szakemberek idejét is felszabadítja.

Bedőházi Zsolt szerint a mesterséges intelligencia orvosbiológiai alkalmazásai most élik fénykorukat – a számítási kapacitás és az adatmennyiség soha nem látott lehetőségeket teremt.