Dr. Gašper Podobnik je prodoren raziskovalec Laboratorija za slikovno diagnostiko Fakultete za elektrotehniko Univerze v Ljubljani. V video pogovoru za Zdravstveniportal.si je predstavil niz izzivov, s katerimi se ukvarjajo v njihovem laboratoriju. Med drugim sva se pogovarjala o vlogi umetne inteligence v sodobni radioterapiji, beseda pa je tekla tudi o najnovejših kompleksnih operativnih posegih s pomočjo robotskih naprav. Kirurški timi lahko danes z robotsko kirurgijo dosegajo že skorajda nepredstavljive rezultate – v tem kontekstu pa nas je zanimalo tudi, kako blizu ali daleč je začetek izvajanja avtonomnih robotskih posegov z obstoječimi metodami.

Ena izmed glavnih raziskovalnih dejavnosti sogovornika je razvijanje metod za avtomatsko analizo medicinskih slik – tako je, denimo, razvil metode umetne inteligence za avtomatsko segmentacijo organov iz računalniško-tomografskih (CT) in magnetno-resonančnih (MR) slik, ki izrazito pospešijo fazo ročnega orisovanja in pomembno pripomorejo k preciznosti radioterapije. Pri tem lokalnem načinu zdravljenja predvsem malignih obolenj s sevanjem želijo uničiti tumor, istočasno pa je skrb usmerjena v čim celovitejšo zaščito bližnjega zdravega tkiva. 

Zdravljenje z radioterapijo je učinkovito, ni pa enostavno. Zato je res nadvse pomembno, da kot raziskovalci, seveda v sodelovanju s kliniki, vedno znova poskušate izboljšati zanesljivost, natančnost in učinkovitost pri načrtovanju radioterapije, s čimer pripomorete k še varnejšemu zdravljenju, zmanjšanju pojavnosti zapletov, posledično pa tudi h kakovostnejšemu življenju obolelih po končanem boju z onkološko boleznijo. Kateri so trenutno na tem področju najaktualnejši izzivi, če vemo, da je vaš raziskovalni fokus usmerjen v  najsodobnejše metode za analizo medicinskih slik, s poudarkom na avtomatizirani segmentaciji organov?

V celotnem procesu je zelo pomembna analiza slik, kajti večina omenjene terapije temelji na slikovno vodeni radioterapiji. To pomeni, da je že od diagnostičnega pregleda, kjer ugotovimo, da gre za tumorsko bolezen, slikovna diagnostika ključnega pomena. Ko se zdravniki odločijo za pot zdravljenja z radioterapijo, je običajno treba zajeti prvo planirno CT sliko (razvijajo se tudi nove metode za samostojno radioterapijo z magnetno resonanco), na podlagi katere je potem treba načrtovati proces zdravljenja.

Eden izmed ključnih postopkov je identifikacija lokacije kritičnih organov in tumorjev; predstavljajmo si, da v prostoru tridimenzionalne slike z mnogo rezinami na vsaki izmed rezin poiščemo, kateri organi so zdravi, kateri pa so tumorski. Celovito 3D informacijo potrebujemo za načrtovanje poti obsevanja z ionizirajočimi žarki, ki imajo visoko energijo. In metode avtomatske segmentacije nam pridejo prav točno v tem procesu – da onkologu ali radiološkemu inženirju ni treba v vsaki rezini orisovati teh organov, ampak da računalnik te organe najde sam.

To pa je kar velika pospešitev omenjenega postopka. Tako sliko si namreč lahko predstavljamo kot knjižico pobarvank, v kateri je 100 ali več listov, na vsakem od teh listov pa je treba pobarvati približno deset struktur. V klinični praksi to traja od pol ure do ure in pol, medtem ko računalnik lahko organe lokalizira dokaj hitro.

Metode, ki jih pri tem uporabljamo, temeljijo na umetni inteligenci. Slikovna analiza je nadvse pomembna tudi v kasnejših procesih načrtovanja radioterapije, saj je mogoče še marsikaj avtomatizirati. To se zdaj raziskuje, medtem ko del, ki ga predstavljata identifikacija in segmentacija organov, že prehaja v klinično uporabo. 

Kako še pa se v raziskovalno delo Laboratorija za slikovne tehnologije vklaplja umetna inteligenca, kakšna je in bo njena vloga v sodobni radioterapiji – in verjetno tudi na marsikaterem drugem področju, kajne?

To je zelo dobro vprašanje, kajti metode umetne inteligence so povsem revolucionalizirale proces analize slik. 

Vse klasične metode, ki so temeljile na ročno izoblikovanih prijemih, delujejo bistveno slabše od metod umetne inteligence. Posledično pa je celotno raziskovalno področje spremenilo temelj, iz katerega izhaja – zdaj se vsi ukvarjajo s tem, kako model oziroma metodo, ki temelji na umetni inteligenci, naučiti, da na slikah prepozna iskano.

Problemi so se spremenili. Če so bile prej podatkovne množice majhne in so stvari temeljile na polavtomatski analizi slik, je zdaj pomembneje to, da imamo velike količine podatkov – kajti metoda se na podlagi kakovostnih podatkovnih množic zna sama naučiti z algoritmi, ki so jih raziskovalci razvili v minulih 15 letih pa tudi že pred tem. Zato mora biti velik poudarek na tem, da so podatki, ki jih imamo, kakovostni, da imajo dobro variabilnost (da zaobjamemo celotno populacijo) in da so pravilno zabeleženi – da imamo kakovostne referenčne orise.

Na podlagi tovrstnih podatkovnih zbirk – eno izmed takih smo v laboratoriju javno objavili, da jo lahko uporabljajo raziskovalci po vsem svetu – z omenjenimi metodami danes lahko dosežemo, da umetna inteligenca nadomesti nekaj dela, ki bi ga sicer moral opraviti radiolog. Ta bi moral pogledati vsako sliko, identificirati vzorce in potem napisati poročilo.

Raziskovalno so glavni fokusi usmerjeni v to, da tovrstne metode ne delujejo slabše, kot delujejo strokovnjaki, kar je precej visoka lestvica, ki jo je treba doseči. Variabilnosti v zdravstvenih sistemih – od anatomske variabilnosti do patologije – so precej široke. Človeško oko se zna prilagoditi in ugotoviti, kaj se v sliki dogaja; če hočemo, da umetna inteligenca naredi enako, moramo poskrbeti, da so vhodni podatki dovolj kakovostni in raznovrstni, da se potem tega lahko nauči. 

Raziskovalni fokus res v veliki meri temelji na podatkih, deloma na metodah, zelo pomembna pa je tudi analiza – treba je natanko vedeti, kaj zna narediti strokovnjak in kakšna je raven morebitnih napak, ki se lahko zgodijo, da potem znamo ovrednotiti, ali je metoda umetne inteligence vsaj enako dobra, če ne boljša. Tukaj moramo biti res striktni, da ne pride do napak in da nismo pristranski do enega izmed dveh načinov analize slik.

Več kot polovica onkoloških bolnikov potrebuje zdravljenje z obsevanjem, v različnih fazah bolezni. V primerjavi z drugimi pristopi je radioterapija bolj lokalno usmerjena, predvsem pa manj invazivna – da je tovrstno zdravljenje učinkovito, pa je pred tem nujno res natančno načrtovanje obsevanja, ki je izvedljivo po zaslugi poprejšnje slikovne diagnostike, bodisi s CT-jem, magnetno resonanco ali s pozitronsko emisijsko tomografijo, torej s PET-CT. Načrtovanje radioterapije mora biti, kot ste že pojasnili, domišljeno in stopenjsko. Kako pravzaprav to poteka?

Najprej imamo proces, v katerem zajamemo sliko; v veliki večini primerov je to računalniško-tomografska slika telesa, dostikrat pa, vsaj na področju glave in vratu, s čimer smo se tudi ukvarjali, zajamejo še magnetno-resonančno sliko. Prvi izziv, s katerim se srečamo, je poravnava teh slik, kajti sliki sta zajeti v dveh različnih napravah, v katerih bolnik nikoli ni enako postavljen; vedno prihaja do razlik, na primer pri tem, kako je obrnjen vrat ali kako je nagnjena glava. CT in MR sliko moramo znati dati v isti prostor, da sta povsem skladni. 

Naslednji korak je segmentacija struktur – na vsaki rezini moramo poiskati točno lokacijo tumorjev in kritičnih organov.

Na podlagi vseh teh informacij preidemo v naslednji korak – izdelava obsevalnega načrta. Onkolog bo predpisal, da mora tumor, denimo, prejeti 70 grayev v 35 frakcijah. Medicinski fizik mora ta načrt realizirati. Treba je torej točno določiti, kako se bodo med vrtenjem okoli telesa prilagajali žarki, da bo tumor prejel čim večji odmerek, kajti s sevanjem želimo ubiti tumorske celice – hkrati pa hočemo zagotoviti, da zdravi organi v okolici prejmejo čim manjšo dozo. In to je zelo pomembno, kajti zdravi organi, ki jih imenujemo tudi kritični organi, so bistvenega pomena za kakovostno življenje pacienta po obsevanju.

Med kritične organe spada, na primer, vidni živec. Enako velja tudi za določene žleze. Če bi te organe preveč obsevali – če bi jih torej zanemarili v procesu načrtovanja radioterapije –, bi ubili kar nekaj zdravih celic. To pa bi lahko pomenilo, da bi pacient po obsevanju lahko izgubil vid ali pa bi se mu ta bistveno poslabšal. Če preveč obsevamo določene žleze, se utegne poslabšati, na primer, izločanje sline, pride do težav pri čiščenju zob, s čimer so lahko povezani razni zapleti ... Tovrstnim zapletom se želimo izogniti prav z natančnim načrtovanjem. Včasih pa to ni izvedljivo, kajti če je tumor močno 'zažrt' v določen organ, bomo poškodovali oba – predvsem tumor, a nekaj škode utegne nastati tudi na kritičnem organu.

Proces je zasnovan tako, da na podlagi vseh teh informacij lahko zelo natančno določimo pot žarkov; s tem zagotovimo čim boljše življenje bolnika po obsevanju in hkrati tudi uspešno zdravljenje, kar pomeni, da 'ubijemo' večino ali vse tumorske celice. Sicer pa se radioterapija pogosto uporablja v kombinaciji z ostalimi načini zdravljenja; s kombinacijo kemoterapije in radioterapije želimo tumor zatreti do konca. To je odvisno od tega, kako se onkolog odloči zdraviti tumor. 

Omenili ste območje glave in vratu, zato me zanima, kako pomembni bodo za bolnike izsledki aktualnih raziskav, s katerimi ste s prof. dr. Tomažem Vrtovcem v sodelovanju z Onkološkim inštitutom Ljubljana pod raziskovalni drobnogled dali radioterapijo v predelu glave in vratu.

Radioterapija področja glave in vratu je zelo zahtevna, iz različnih razlogov. Na tem območju so vsi kritični organi, ki so izjemno pomembni za normalno delovanje človeškega telesa. Že manjše napake se hitro odrazijo na kakovosti obsevanja. Izjemno zahtevna je tudi v smislu poravnave slik, na to je vezanih precej izzivov.

V naših raziskavah smo pokazali, da že samo iz CT slik lahko organe poiščemo precej dobro – v primerjavi s sicer opaženo variabilnostjo ročnih orisovalcev so te metode delovale podobno, v nekaterih primerih celo bolje. Pri tem pa je treba vedeti, da vsak, ki prouči rezine, meje med organi vidi nekoliko drugače, marsikaj je odvisno od treninga in standardov, zato enaka interpretacija ni vedno mogoča.

Variabilnost med orisovalci torej že obstaja. Tudi pri konkretnem orisovalcu, ki dvakrat oriše isto sliko, bo ta vsakokrat vsebovala določene razlike. Zato smo naše metode primerjali prav s to variabilnostjo: kolikšne so razlike med onkologi oziroma med radiološkimi tehniki, za koliko se lahko zmotijo.

Metode na osnovi umetne inteligence so v povprečju precej dober orisovalec; če jim pokažemo različne orise, se bodo naučile, kje je zlata sredina. Zato so te raziskave pomembne tudi z vidika ustvarjanja visokokakovostnih medicinskih podatkov. V projektu, ki ga je vodil profesor Vrtovec, smo v sodelovanju z onkološkim inštitutom ustvarili podatkovno bazo, v kateri so njihovi strokovnjaki večkrat orisali isto sliko. Zbrane podatke smo poenotili in jih strnili v enovito bazo, ki smo jo potem javno objavili. Ta podatkovna zbirka je pomembna, saj se na tej osnovi metode lahko ovrednotijo in razvijajo algoritmi, ki bodo v prihodnosti avtomatsko segmentirali te organe. 

S takšnim pristopom, z nabiranjem tovrstnih podatkov in spremljanjem segmentacij dobimo toliko informacij, kot jih en sam človek ne more sprocesirati v celotnem življenju. Ne more videti toliko orisov, toliko različnih slik – zato takšne metode lahko sčasoma postanejo natančnejše od človeškega orisovalca. In to je naš cilj: s tolikšnim naborom podatkov biti v smislu kakovosti vsaj enako dober oziroma še natančnejši od povprečnega orisovalca. 

V tem kontekstu je zagotovo pomembno, da je državna Komisija za medicinsko etiko prižgala zeleno luč za oblikovanje prve javno dostopne zbirke podatkov, v katerih so CT in MR slike bolnikov, napotenih na radioterapijo, shranjene skupaj z ročnimi orisi kritičnih organov? Kaj je pokazala analiza teh podatkov? In kakšen je raziskovalni doprinos k iskanju oziroma zagotavljanju najoptimalnejše rešitve – pa ne le pri nas, ampak tudi na mednarodni ravni?

Te podatkovne baze so ključnega pomena. S postopki anonimizacije, ki morajo biti zagotovljeni, je to res varno in smiselno, tudi z zornega kota slehernega posameznika. Od tega pa ima korist tudi družba, kajti če so taki podatki, skupaj z orisi, javno objavljeni, se potem lahko razvijajo tudi boljše metode. 

Etična komisija oceni transparentnost celotnega postopka, ki je zelo pomemben. Istočasno pa se moramo v Sloveniji pri objavljanju teh baz zavedati pomena poenotenja podatkovnega prostora, zlasti medicinskega – in to tudi izboljšati. Kajti s temi podatki lahko dosežemo bistveno več, kot dosegamo trenutno. Z enotno zbirko lahko izvajamo statistične študije, ki povedo marsikaj o tem, kako doseči optimalno zdravljenje in kako to še izboljšati.

Izven meja Slovenije pa smo na osnovi te podatkovne zbirke organizirali računski izziv. K reševanju istega problema – segmentacije organov – smo povabili celotno svetovno raziskovalno skupnost; odzvalo se je kar nekaj skupin, ki so se reševanja istega problema lotile z različnimi pristopi. Ugotovili smo, da smo, če so na voljo dobri podatki, metodološko že tako suvereni, da lahko različne skupine z različnimi pristopi pridejo do zelo podobnih rezultatov. Zelo veliko razlik med najboljšimi skupinami ni bilo, kar kaže na stopnjo nasičenosti – vidimo, da s takimi vhodnimi podatki lahko pridemo do te ravni, osnova za nadgradnjo pa bo vzpostavljena z drugačnim razmišljanjem.

Ugotovitve kažejo, da je trenutno stanje tovrstnih metod primerljivo s tem, kar strokovnjaki znajo. Če pa hočemo biti še natančnejši, se je treba vprašati, kaj je zlati standard, ki ga orisovalci lahko dosežejo. Orisovalci se bodo vedno deloma motili. Natančnejši pristop je, denimo, mogoče doseči s podrobno analizo na kadavrih, vendar v večini primerov to ni mogoče. 

Kar pa v laboratoriju zdaj razvijamo kot nove metode za takšne eksperimente, pa so in silico prijemi – to pomeni, da smo na podlagi predhodnega opisa anatomije sposobni ustvariti zelo realistično CT sliko bolnika. Razlika je v tem, da štartamo z anatomijo, ki jo dobro poznamo, z natančno zamejitvijo vsake strukture, ki jo želimo simulirati. Potem izdelamo digitalni dvojček CT naprave, naredimo fizikalne simulacije in nato rekonstruiramo CT sliko. To je edini način, da dobimo zlati standard orisov, kar pomeni, da imamo sleherno mejo definirano na milimeter natančno ali celo še natančneje. 

S takimi pristopi pa potem lahko delamo stvari, ki jih z javnimi zbirkami niti ni mogoče ustvariti.

Kakšni pa so z vidika že najdenih in še iskanih stičišč med radioterapijo in umetno inteligenco nadaljnji obeti, ki jih bo mogoče vtkati v klinično prakso? Glede na to, da vemo, da je v kliničnem vsakdanu javnega zdravstva veliko sistemsko povzročenih kratkih stikov, namreč prav takšne možnosti vzbujajo in prinašajo veliko upanja – pa ne le zaposlenim, ne le zdravnikom in ostalim strokovnjakom, ampak tudi oziroma predvsem bolnikom.

Možnosti je res veliko.

Če pogledamo širše: na področju radioterapije je segmentacija organov le eden izmed procesov, ki se morajo zgoditi. Bistvenega pomena je tudi načrtovanje, ki poteka ročno oziroma polavtomatsko.

Na podlagi segmentacije medicinski fizik pripravlja načrt; tudi proces, ki ga opravi medicinski fizik, je na določen način mogoče avtomatizirati. Ta postopek je precej zahteven, toda na podlagi dobrih podatkov in z novimi pristopi je mogoče narediti marsikaj. 

Tudi to je še vedno klasična radioterapija, vendar vsi ti pristopi prinašajo pospešitve in zagotavljajo kakovost. Na podlagi tega dvojega pa lahko govorimo o tako imenovani adaptivni radioterapiji, ki jo marsikdaj že prakticirajo, vendar pogosto ni izvedljiva, ker preprosto ni dovolj časa.

Z adaptivno radioterapijo naj bi med frakcijami, kajti bolnik na radioterapijo prihaja vsak teden, načrt v vmesnem obdobju nekoliko popravili. Po vsaki frakciji se namreč tumor nekoliko skrči. Če torej uporabljamo star plan, na katerem je prvotna velikost tumorja, lahko pride do manjših napak. Ker pa smo sposobni zelo hitro ustvariti segmentacije in načrtovati nov plan, tega lahko izboljšamo bodisi za vsako frakcijo bodisi na vsakih nekaj frakcij, kar je verjetno bolj smiselno – in s tem izboljšamo kakovost in natančnost zdravljenja v radioterapiji.

Umetna inteligenca ima v medicinski diagnostiki zelo velik potencial. Velik potencial ima tudi pri spremljanju bolnika, ki ima, na primer, kronično bolezen, saj je mogoče na avtomatski način dobiti biomarkerje – značilnosti, ki povedo, v kateri stopnji je bolezen pri konkretnem pacientu. Tudi s tem se ukvarjamo v laboratoriju – prof. dr. Žiga Špiclin se, denimo, temu posveča na področju multiple skleroze. 

Te metode, ki so dobro naučene in imajo veliko računske moči, lahko pomagajo tudi pri zelo zapletenih pregledih, med kakršnimi je iskanje anevrizem v možganskem žilju; doc. dr. Žiga Bizjak je razvil algoritme, ki znajo zelo učinkovito zaznati anevrizme in že do določene mere napovedati, kakšen bo odziv na zdravljenje oziroma ali se je smiselno odločiti za operacijo ali ne.

Umetna inteligenca s svojo odlično sposobnostjo analiziranja vzorcev je za branje slik izjemno primerna, kajti branje slik ni nič drugega kot identifikacija znanih vzorcev, ki so lahko abnormalni ali pa nam povedo nekaj o človeškem telesu.

V javnosti smo slišali za že nemalo dosežkov slovenske medicine, udejanjenih s pomočjo robotske kirurgije, z uporabo sistemov da Vinci, denimo. Toda medicinska znanost in njen razvoj se tu nikakor ne bosta ustavila, izzivov je veliko – in na tej (raziskovalni) poti smo pravzaprav prišli že nepredstavljivo daleč. Lahko poveste kaj več o tem?

Z veseljem, kajti medicinska robotika je res prišla zelo daleč in naprave, kakršen je, denimo, da Vincijev robot za operacije, so zelo dovršene – še vedno pa jih upravlja človek, kirurg. 

Pomislimo na analogijo z avtonomnimi vozili, ki jih upravljamo ljudje. Najprej smo dodali tempomat, kasneje adaptivni tempomat, ki že sam zavira, nato smo dodali asistenco za ohranjanje smeri vozila (tako imenovani lane assist), ki nas vodi po voznem pasu. In danes imamo že določene avtomobile, ki znajo voziti že precej samostojno ali celo že povsem avtonomno.

Zdaj si predstavljajmo kirurga, ki po 8- ali 10-urni operaciji postane utrujen – kot voznik po dolgi vožnji. Verjetno bi z veseljem uporabil adaptivni tempomat, če bi ga imel; ta bi mu morda pomagal zmanjšati tremor v roki ali poskrbeti, da med operacijo nehote ne rani kakšnega kritičnega tkiva. 

Zelo veliko je kirurških posegov, ki jih je z vidika robotike mogoče še dodatno izboljšati s polavtonomnimi ali povsem avtonomnimi kirurškimi posegi. 

Na tem področju se odvijajo številne aktivnosti. V zadnjem času je bilo ustanovljenih več podjetij, ki se ukvarjajo s hardverskim delom, z razvojem robotskih sistemov. Vse večja pa je tudi potreba po softverskih sistemih, ki znajo razumeti, kaj se v telesu dogaja, in potem tudi manipulirati z robotskimi rokami.

Tudi v nedavno ustanovljenem zagonskem podjetju Semaphor Surgical se ukvarjamo z razvojem inteligentnih sistemov, ki imajo nadzor tako nad percepcijo kot tudi nad manipulacijo robotskih rok – v želji, da bi postopno s polavtonomnih posegov prešli na povsem avtonomne posege. Ti lahko delujejo tudi na taki vesoljski odpravi, kakršno smo spremljali pred nekaj dnevi, da bi medicinsko oskrbo zagotovili tudi v vesolju – ali pa, če vendarle ostanemo na Zemlji, tudi v državah, kjer so zdravstveni sistemi bistveno slabši. Nenazadnje pa take rešitve predstavljajo tudi potencial za izboljšanje dostopnosti do zdravstvenih storitev – je pa, seveda, na koncu vse skupaj predmet implementacije in kar nekaj opreme, potrebne za izvedbo.

Kako blizu oziroma daleč pa je po vaši oceni zaživetje takšnih pristopov?

Če pogledamo povsem po raziskovalni plati: raziskovalci Univerze Johns Hopkins, ki so med našimi ustanovitelji, so nekaj podobnega dokazali ex-vivo na organu prašiča. Pokazalo se je, da je izvajanje avtonomnih robotskih posegov z obstoječimi metodami mogoče.

Ena izmed dobrih novic je, da se hitrost razvoja veča. To pomeni, da se bo nekaj takega, kar se danes zdi še povsem kot znanstvena fantastika, zgodilo hitreje, kot si lahko predstavljamo. Zelo težko pa je napovedati natančno časovnico, saj je še kar nekaj procesov, ki se morajo zgoditi prej.

Video intervju in portreti: Diana Zajec (datum pogovora: 2. april 2026) 

Vaš komentar?

Komentirate lahko na naši facebook strani.