Komputerowe wspomaganie badań medycznych

W chwili obecnej zastosowanie komputerów jest widoczne wszędzie, począwszy od zwykłych kas fiskalnych w sklepach, poprzez zautomatyzowanie przetwarzania danych w urzędach – bazy danych, po różne, wysokospecjalizowane zagadnienia związane z analizą i przetwarzaniem danych. Jednym z działów, w którym przetwarzanie takie jest wykonywane jest medycyna. W artykule tym zostaną przedstawione pewne rozwiązania z zakresu informatyki stosowane obecnie w medycynie – lub takie, nad którymi aktualnie prowadzone są prace badawcze.

W ostatnich latach możliwości przeprowadzania diagnostyki – znacznie wzrosły. Począwszy od wywiadu, poprzez badania analityczne – laboratoryjne aż do zaawansowanych metod diagnostyki obrazowej. Ilość gromadzonych w ten sposób danych jest bardzo duża. Problemem nie jest w chwili obecnej sam dostęp do informacji, ale raczej to, w jaki sposób szybko dotrzeć do potrzebnych danych. Do samego przechowywania danych opracowano już niezawodne i skalowalne rozwiązania – są to system pozwalające na obsługę dużych baz danych. Do obsługi baz danych opracowany jest specjalny język zapytań baz danych SQL (Structured Query Language), który jest de facto standardem w systemach bazodanowych. W przypadku dużych ilości danych, z których będzie trzeba wykonywać złożone przekroje, analizy, raporty i zestawienia mówi się o hurtowniach danych (Data Warehouse) np. (3), które są klasyfikowane w kategoriach systemów typu Business Intelligence. W przypadku zaawansowanych analiz wymagających poszukiwań zależności pomiędzy zawartymi w bazie danymi stosuje się z kolei metody zgłębiania i eksploracji danych (Data Mining and Exploration) (2), (1). Duże bazy danych wymagające dużych mocy obliczeniowych uruchamiane są z kolei na maszynach wieloprocesorowych, jeśli dodatkowo wymagane jest nieprzerwane, szybkie i niezawodne działanie takiej bazy stosowane są systemy zwane klastrami. Zasadę działania systemu klastra przedstawia rycina 1.

W przypadku prowadzenia badań w różnych ośrodkach można stosować rozwiązania polegające na okresowym przesyłaniu cząstkowych danych do jednej, centralnej bazy i udostępnianiu jej zasobów poszczególnym jednostkom. Rozwiązanie takie jest jednak dość kosztowne, może być zastosowane w przypadku większych jednostek badawczych – np. Uniwersytetów. W przypadku jednostek mniejszych, pracujących nad podobną tematyką możliwe jest zastosowanie innego rozwiązania – tańszego i przez to bardziej dostępnego dla mniejszych jednostek – możliwe jest nawet współdzielenie informacji pomiędzy komputerami dwóch badaczy w celu wymiany informacji. Takim tańszym rozwiązaniem jest będący w trakcie opracowywania protokół DAP (Data Access Protocol). Bliższe szczegóły można znaleźć na stronach: www.opendap.org i www.unidata.ucar.edu/packages/dods/design/dap-rfc-html/ (4), (5). Częściowo działającym – nadal rozwijana implementacja protokołu jest NVDOS (National Virtual Ocean Data System). Rozwiązanie to jest o tyle godne uwagi, że pozwala na wymianę informacji niezależnie od platformy na której zbudowana została źródłowa baza danych oraz jest dostępne jako oprogramowanie darmowe, na zasadach rozwiązań Open Source.

Jeśli już wiadomo w jaki sposób są przechowywane i przetwarzane informacje w bazach danych należałoby poświęcić parę słów zagadnieniom przeszukiwania baz danych, metod i algorytmów pozwalających na szybkie – i co najistotniejsze – trafnych odpowiedzi na zapytanie skierowane do bazy. Jest to zagadnienie dość złożone i zarówno w wielu naukowych ośrodkach informatycznych na całym świecie jak i w laboratoriach badawczych firm komercyjnych prowadzone są badania nad metodami zapisu danych w bazach, ich indeksowaniu oraz nad algorytmami przeszukiwania pozwalającymi na uzyskanie najtrafniejszych wyników. W zależności od zapytania klienta wyróżnia się (6) różne typy zadań:

– Klasyfikacja.

– Analiza skupień.

– Predykcja numeryczna.

– Wykrywanie asocjacji.

– Modelowanie sekwencji.

– Wykrywanie zmian i odchyleń.

– Odkrywanie sterowane wzorcami zadanymi przez klienta.

– Opis i wizualizacje danych.

W obecnie konstruowanych wyszukiwarkach czynione są próby wykorzystania metod lingwistycznych oraz systemów uczących się. Niestety, wygląda na to, że na sprawnie działający system wyszukiwawczy trzeba będzie jeszcze poczekać.

Bardzo wiele medycznych informacji diagnostycznych jest pozyskiwanych w postaci obrazu – w klasycznym znaczeniu tego słowa, jako czegoś, co dociera do naszego mózgu poprzez zmysł wzroku. Są to zdjęcia rentgenowskie, komputerowo przetworzone wyniki badania przeprowadzonego za pomocą tomografii komputerowej czy też najzwyklejsze obrazy tkanek uzyskiwane jako obrazy mikroskopowe. Poszukiwane są metody pozwalające na zautomatyzowanie oceny, wykrywanie określonych cech w obrazie oraz klasyfikację tego typu obrazów. Jak na razie jedną z najskuteczniejszych metod są sztuczne sieci neuronowe, za pomocą których można realizować (7), (10), (11) zarówno zadania klasyfikacji, predykcji, wykrywania zmian w serii obrazów (8) (np. porównanie dwóch zdjęć i wykrycie, w których obszarach wystąpiły zmiany). Sieć neuronowa potrafi również prawidłowo zaklasyfikować – odtworzyć obraz, pomimo zaprezentowania tylko jego części. „Siła” sztucznych sieci neuronowych jako metody przetwarzania obrazów polega również na tym, że potrafią uogólniać posiadane informacje, co oznacza, że prezentowany im obraz nie musi być identyczny z tym, na którym prowadzono uczenie sieci. Dodatkową ich zaletą jest fakt, że działanie ich jest możliwe nawet w przypadku przedstawienia obrazu zaszumionego – niewyraźnego. W przypadku wystąpienia danych mogących przybierać różne wartości (wartości z pewną tolerancją) można zmodyfikować konstrukcje sieci neuronowej z klasycznej na rozmyto-neuronową (9) uzyskując jeszcze większą elastyczność działania systemu.

W niniejszym artykule przedstawione zostały wybrane metody, które można zastosować do wspomagania, wyszukiwania i przetwarzania informacji wykorzystywanych w medycynie. Efektywna implementacja i prawidłowe ich wykorzystywanie może przyspieszyć proces diagnostyczny oraz wpłynąć na zmniejszenie niektórych kosztów. W przypadku prawidłowego i trafnego wyszukiwania informacji obniżeniu mogą ulec koszty związane z ilością przesyłanych danych w łączach internetowych (u niektórych dostawców koszt jest rozliczany według ilości przesyłanych danych). W przypadku diagnostyki obrazowej wstępna selekcja może zostać do pewnego stopnia zautomatyzowana, co pozwoli na oszczędność czasu personelu, który może zostać wówczas oddelegowany do innych zadań, bądź poświęcić więcej czasu wymagającym tego pacjentom.