Že technika a lékařství jdou dohromady se rozhodli dokázat studenti FEKT, kteří se loni přihlásili na LF MU do týmu Jaromíra Gumulce. Jejich úkolem bylo automaticky klasifikovat nádorové buňky rakoviny prostaty, které jsou rezistentní na zinek. Ty totiž při výzkumu vykazovaly více agresivních vlastností. „U nás zkoumáme zinek u rakoviny prostaty z toho důvodu, že hraje zásadní roli v přeměně buněk z nenádorových v nádorové, resp. ovlivňuje celou řadu vlastností nezbytných pro vývoj nádoru. Rakovina prostaty je navíc nejčastějším nádorem u mužů,“ vysvětlil Jaromír Gumulec z Ústavu patologické fyziologie LF MU. Právě jeho přednáška studenty FEKT zaujala natolik, že se do výzkumu oba zapojili.

„Napsali jsme tam nejdřív s nulovým očekáváním, chtěli jsme se v podstatě dostat hlavně mezi lidi, od kterých se můžeme naučit něco jiného než ve škole. Ale zpětná vazba byla pro nás nečekaná a po pár schůzkách nám ukázali, čemu se na ústavu věnují a co bychom pro ně mohli udělat my,“ zavzpomínal na první dojmy Jakub Majerčík, student 2. ročníku bakalářského studia na Ústavu biomedicínského inženýrství FEKT. Nakonec se tedy i se spolužákem Michalem Špačkem přidal do týmu, který na MU snímá pomocí holografického mikroskopu živé buňky rakoviny prostaty. Ty měli studenti VUT za úkol automaticky třídit. S pomocí neuronové sítě se studentům podařilo při automatické klasifikaci buněk dosáhnout přesnosti 97,5 procenta.

Druhý vedoucí jejich práce, Tomáš Vičar z UBMI FEKT, je pak upozornil na fakultní soutěž EEICT, do které se oba přihlásili. „Rozhodli jsme se dát myšlenky dohromady, napsat příspěvek a následně ho prezentovat. Ta poslední část se nám tento rok bohužel nepodařila,“ připomenul omezení spojená s pandemií koronaviru Michal Špaček.

Podle Vičara je obecně potřeba pro hluboké učení celá řada snímků, aby se síť dostatečně proškolila. V tomto případě byla využita již fungující neuronová síť, která se „přeučila“ na klasifikaci buněk. „Není bez zajímavosti, že oba studenti měli za sebou pouze 1. ročník studia a hned se pustili do tak náročného úkolu. Přitom podobný předmět mají v harmonogramu studia až v 5. ročníku,“ pochválil studenty vedoucí práce Vičar.

„Oblast hlubokého učení bude v medicíně i nadále určitě nacházet nová uplatnění, ať už v oblasti klasifikace různých typů buněk, jako v naší práci, nebo v automatické analýze CT snímků či u magnetické rezonance. Využít se dá také na analýzu řeči pacienta. Podle nás bude určování diagnostiky s pomocí strojového učení časem jednodušší a rychlejší. Se zvyšujícím se objemem dat na trénování neuronové sítě bude stoupat i kvalita nastavených algoritmů,“ naznačil svou vizi budoucnosti Majerčík, přičemž oba studenti se i nadále chtějí této oblasti věnovat a svůj příspěvek pro EEICT rozvinout i v nadcházející bakalářské práci. „Byli bychom rádi, kdyby se nám podařilo aplikovat algoritmus i na histologické řezy,“ uzavřel Špaček.

(rdk)