Od detekce ke klasifikaci. Jak může umělá inteligence pomoci při analýze spermiogramu?
Umělá inteligence dokáže na mikroskopickém záznamu vyhledávat spermie. Výzkum Michala Dobrovolného, kterým se zabýval ve své disertační práci s názvem Využití umělé inteligence v oblasti reprodukční medicíny, je však o krok dál.
Doktor Michal Dobrovolný, vědecko-výzkumný pracovník Katedry informačních technologií na Fakultě informatiky a managementu Univerzity Hradec Králové, v rámci svého výzkumu klasifikuje spermie na základě jejich tvaru, čemuž se doposud jiný výzkum nevěnoval. Výsledkem je nástroj, který by mohl odborníkům pomoci při jejich hodnocení. Zatím zůstává ve vědecké rovině, otevírá ale zajímavé možnosti pro další zkoumání.
Při analýze spermiogramu je důležité nejen zjistit, kolik spermií vzorek obsahuje, ale také posoudit jejich vlastnosti. Právě na tuto oblast se zaměřil doktor Dobrovolný. Ve své práci využil metody umělé inteligence tak, aby z většího množství nalezených spermií byly vybrány jen ty, jejichž tvar odpovídá stanoveným kritériím.
„Obecně se výzkum v této oblasti zabývá jen detekcí spermií v obraze nebo jejich pohyblivostí. Já jsem se ve svém výzkumu zaměřil na to, jak se pozná zdravá spermie od nezdravé na základě její morfologie,“ vysvětluje „čerstvý“ doktor Michal Dobrovolný.
Dvě neuronové sítě, dva různé úkoly
Aby mohl počítač spermie rozpoznávat, bylo nejprve potřeba vytvořit soubor dat, na kterém se mohla umělá inteligence učit. Michal Dobrovolný vycházel z mikroskopických videí, z nichž získával jednotlivé obrazové snímky, na kterých následně ručně označoval spermie a hodnotil jejich tvar. Jako zdroj mu posloužila videa, která mu poskytla norská Simula Research Laboratory v Oslu, kde byl mimo jiné i dvakrát na doktorské stáži.
„Ze získaných videozáznamů jsem zkoumal jednotlivé záběry. Na jednotlivých snímcích jsem pak hledal zdravé spermie a označil je. To vše na základě doporučení Světové zdravotnické organizace (WHO), avšak bez asistence lékaře. Výsledky proto nelze zaměňovat za klinické posouzení,“ popisuje postup, který zahrnoval práci s daty od desítek pacientů a jejich rozdělení na trénovací a validační část.
Samotné řešení pracuje ve dvou navazujících krocích. První neuronová síť, označovaná jako YOLO, vyhledává v obraze kandidáty na spermie. Jejím úkolem je tedy detekce. Na ni navazuje druhá síť DINO, která se zaměřuje na jejich klasifikaci podle tvaru.
„Výstupem je seznam nalezených spermií rozdělených podle toho, zda splňují nastavená kritéria. Nejde tedy o automatické rozhodnutí, které by samo určovalo další postup při léčbě neplodnosti. Smyslem je spíše nabídnout odborníkovi vodítko, na které spermie se při dalším hodnocení zaměřit,“ vysvětluje Dobrovolný.
Počítač jako pomocník, nikoli náhrada odborníka
Právě v tom vidí Dobrovolný jednu z možných cest budoucího využití. Program by mohl odborníkovi pomoci zúžit množství spermií, kterým je třeba věnovat pozornost, a usnadnit tak jejich podrobnější posouzení.
„Rozpoznávání tvaru ovšem není jednoduché. Spermie není dvourozměrný objekt a její skutečná podoba se může v závislosti na natočení v obraze měnit. To představuje určité omezení nejen pro umělou inteligenci, ale také pro člověka, který vzorek pozoruje pod mikroskopem. Výzkum se proto soustředí na konkrétní část problému a nesnaží se hodnotit všechny vlastnosti spermie najednou,“ dodává.
Od vědeckého experimentu k možnému využití
Další vývoj by podle něj vyžadoval především spolupráci s odborníky z klinické praxe. Ti by mohli pomoci ověřit, nakolik řešení odpovídá skutečným potřebám zdravotnických pracovišť a jakým způsobem by se dalo začlenit do jejich postupů.
Jednou z překážek je také obtížné porovnávání s obdobnými výzkumy. Michal Dobrovolný ve své rešerši nenalezl práci, která by stejným způsobem spojovala detekci spermií s jejich klasifikací podle tvaru. Chybí tak přímý referenční bod, podle kterého by mohl své výsledky porovnat. Přesto se jeho práce dostala k dalším odborníkům. Doktor Dobrovolný uvádí, že patří mezi jeho nejcitovanější publikované práce a že zaznamenává zájem dalších výzkumníků, kteří se jí ve svých studiích zabývají.
Výzkum jako cesta k novým otázkám
Michal Dobrovolný nevnímá svůj výzkum primárně jako hotový produkt určený ke komercializaci. Zajímá ho především samotné vědecké poznávání a posouvání možností v daném oboru. Jeho řešení však zatím nebylo integrováno v rámci konkrétní instituce. Jeho práce tak představuje jeden z kroků v hledání způsobů, jak využít umělou inteligenci při analýze biologických obrazových dat. Zda a jak se podaří tento princip převést do klinické praxe, bude záviset na dalším výzkumu a spolupráci s odborníky ze zdravotnictví.
„Spolupráci se zdravotnickou institucí bych se nebránil. Byla by to možnost, jak se posunout od výzkumu k realizaci a své řešení aplikovat,“ uzavírá Michal Dobrovolný.
Michal Dobrovolný se ve své další výzkumné práci momentálně zabývá například kombinací kybernetické bezpečnosti a užití AI pro vzdělávání profesionálů (projekt CyberEDU) nebo výzkumem na téma bezpečnosti sítě a využití AI pro segmentaci sítí (projekt MPO APLIKACE II se společností Greycortex). V minulosti pak zkoumal videa z kapslové endoskopie (projekt IT4Neuro) nebo v rámci projektu VDS (projekt GAMA) řešil otázku průmyslu směrem k preventivní údržbě rotorů.
