A Mesterséges Intelligencia (MI) kutatás napjaink egyik legdinamikusabban fejlődő és egyben legtöbbet vitatott tudományterülete. Sokan rajongással és határtalan elvárásokkal tekintenek rá, de legalább annyian tartanak és idegenkednek tőle. Azonban, abban mára egyetértés született, hogy az MI alapjaiban fogja átalakítani egész életünket a nem is olyan távoli jövőben. Mindez annak köszönhető, hogy az elmúlt néhány évben az MI algoritmusok hihetetlen fejlődésen mentek át, és így megvalósíthatóvá váltak a korábban csak a tudományos-fantasztikus irodalomból ismert elképzelések. A beszédfelismerés, ami ma már minden okostelefon beépített funkciója, a Google Fordító által lehetővé tett automatikus fordítás, vagy a Facebookra feltöltött fotókon látható emberek felismerése és címkézése mind megoldhatatlan problémának tűnt alig egy évtizeddel ezelőtt. A dinamikus fejlődés lendületét pedig minden esetben egy új gépi tanulási szakterület, a mélytanulás (deep learning) módszerei adják.
A képfeldolgozás és alakzatfelismerés területén az úgynevezett konvolúciós neurális hálók (convolutional neural network – CNN) megjelenése hozott áttörést. A módszer a már említett arcfelismerésen túl alkalmas ábrafeliratozásra vagy például biztonsági kamerák felvételeinek automatikus feldolgozására és kiértékelésére is. A konvolúciós hálók áttörő sikere miatt mára számos alkalmazás jelent meg az orvosi képfeldolgozás területén is, így például rákos bőrelváltozások detektálására betanított konvolúciós háló a szakképzett bőrgyógyászok szintjén képes különböző típusú rosszindulatú elváltozások osztályozására.
Az MTA TTK Agyi Képalkotó Központjának Vidnyánszky Zoltán által irányított kutatócsoportja a Nemzeti Agykutatási Program támogatásával egy új területen, az agy betegségeinek MRI képeken alapuló pontosabb és hatékonyabb azonosításában és osztályozásában ért el nagyon jelentős új eredményeket mesterséges intelligencia (konvolúciós hálók) alkalmazásával. A kutatásuk során – melynek megvalósításában kiemelt szerepet játszott Meszlényi Regina, a központ fiatal kutatója – első lépésként kidolgoztak egy új, eddigieknél robosztusabb és érzékenyebb metrikát az MRI segítségével nyugalmi állapotban mért agyi területek közötti funkcionális kapcsolatok jellemzésére.(http://journal.frontiersin.org/article/10.3389/fnins.2017.00075/full). Erre azért volt szükség, mert a korábbi kutatások egyértelműen igazolták, hogy az agyi hálózatokban nyugalmi állapotban mért funkcionális kapcsolati erősségek alkalmasak lehetnek a különböző neuropszichiátriai betegségek agyi folyamatainak jellemzésére. Ezt követően, a szerzők a világon elsőként adaptálták a konvolúciós neurális hálózatokat nyugalmi állapotú funkcionális MRI, specifikusabban az agyi hálózatok összeköttetéseit leíró úgynevezett nyugalmi állapotú funkcionális konnektivitás mátrixok osztályozására. Továbbá, a kidolgozott konnektom-konvolúciós neurális háló (CCNN) alkalmazásával a funkcionális agyi hálózatok felépítése alapján sikerült egészséges idős, illetve az Alzheimer-kór előszobájának tartott enyhe kognitív zavarban szenvedő alanyokat a korábban rendelkezésre álló eljárásoktól lényegesen hatékonyabban elkülöníteni, osztályozni.
Eredményeik a tudományterület egyik legrangosabb folyóiratában, a Frontiers in Neuroinformtics-ban kerültek közlésre (https://www.frontiersin.org/articles/10.3389/fninf.2017.00061/full).
A kidolgozott MI-alapú eljárás egyik legnagyobb előnye, hogy az eltérő funkcionális konnektivitást jellemző paraméterek, illetve akár strukturális és funkcionális konnektivitás adatok is hatékonyan kombinálhatóak vele, így a gépi tanulási algoritmus tetszőleges neuropszichiátriai betegség MRI-alapú jellemzésére optimalizálható. Továbbá, a kutatók tervei szerint nagy MRI adatbankok adatain történő finomhangolását követően, az MI módszerük alapját képezheti az agyi betegségek MR-alapú, automatikus diagnosztikai eljárásainak.
1. ábra: A, A konnektom-konvolúciós neurális háló architektúrája B, Enyhe kognitív zavarban leginkább eltérő funkcionális konnektivitás erősséget mutató agyterületek.