• Maailm seisab biomeditsiini ja tehnoloogia ristteel. See tähendab, et valmivad tööriistad, mis suudavad arstide toodetud tohutut pildimaterjali paremini kasutada.
• Pilte töötlevad tehismõistused on juba väga head, kuid meditsiinikujutiste mõistmiseks tuleb neid eraldi treenida. Isegi siis ei asenda need inimest kunagi täielikult, sest masin loeb andmeid, aga ei mõista neid sisuliselt.
• Praegu peab kopsuvähi sõeluuringus iga inimese kopsupilti vaatama kaks radioloogi. Ülekoormatud radioloogide tööd hõlbustaks edaspidi Fishmani juhitud tehisintellekti meeskonna poolt arendatud abistav mudel.
• Kümmekonna aasta eest oli Eestis asjaajamine võrreldes Ukrainaga oluliselt vähem bürokraatlik. 

Palju õnne noore IT-teadlase preemia puhul! Vabariigi President pidas teid väljateenitult selle tunnustuse vääriliseks. Ometi tegutsete ju väga kiiresti arenevas valdkonnas. Kuidas on teil õnnestunud suurandmemassis vee peal püsida ja muutustega kaasas käia?

Aitäh. Eks see on korraga akadeemia võlu ja valu, et ühest küljest arendatakse välja nii palju uusi asju, aga teisest küljest jäädakse tööstuses kinni kord välja valitud tehnoloogiasse.

Akadeemilises maailmas juhendan igal aastal uut käputäit tudengeid. Uutele bakatudengitele on vaja välja mõelda uued lõputööprojektid. Ühtlasi loen igal aastal uut kursust. Teisisõnu annab ülikooli tööstiil ja kogu akadeemiline sfäär võimaluse uuendustega kohaneda. Mina saan uusi asju näha ja proovida neid oma tudengite silmade ja käte läbi. Ütlengi neile näiteks: "Vaata, selline uus huvitav asi tuli välja".

Muide, ütlen siinkohal kohe ära, et ChatGPT-ga mina tööd ei tee; küll aga teiste mudelitega. Minu valdkond on pildiandmed (imaging) ehk kõik see, mida võite näha digiekraanidel. Täpsemalt spetsialiseerungi oma töös bioloogia ja meditsiiniga seotud kujutistele. Juhin ka sellega tegelevat töörühma ja olen pildiandmetega tegeleva firma kaasasutaja. Samuti tegelen nendega uurijana.

Näiteks töötan mudeliga, mis kannab nime SAM ehk Segment Anything Model ('kõige segmenteerimise mudel'). Segmenteerima tähendab 'pildilt objekti tuvastama'. Näiteks tegite minust ennist auditooriumis pilti. Mudel leiaks selt pildilt minu, kõik toolid, tahvli jne. See ütleks, et "Siin on pildil inimene, siin tool ja siin arvuti.".

Kui mõni uus tudeng juhendamist vajab, ütlengi talle, et "Näe, mind väga huvitab see uus mudel – see on põnev ja ma tahan seda järele proovida. Tahan näha, kuidas see minu andmetega ja kujutistega töötab".

Suurte objektide kujutistega, näiteks inimeste- ja toolipiltidega on kindlasti lõbus töötada. Mina aga töötan erinevat liiki vähirakkudega. Teinekord juhtub, et olemasolevad pilditöötlusmudelid ei tööta kuigi hästi, kui neid hoobilt nii teises vallas rakendada. Järelikult tahan näha ja ise hinnata, kui hästi need töötavad. Ma tahan, et tudeng aitaks mul seda uut ägedat imeasja minu andmetel jooksutada. Nii see ajaga kaasaskäimine toimib.

Kui suurt huvi te üldse üliõpilastes oma teema vastu näete? Ja arvestades, et tehismõistusega käib kaasas hulganisti kiidulaulu ja vahtu, siis kui palju tuleb teil maandada tudengite ebarealistlikke ootusi?

Tudengid on absoluutselt sellest huvitatud. Ootusi näen aga seinast seina. Mul on tudengeid, kellel pole mingeid illusioone. Nemad ütlevad mulle, et ei taha kogu sellest tehisaru-kiidulaulust midagi kuulda. Samas on mul täiesti vastasleeri kuuluvaid tudengeid, kes usuvad, et tehismõistus lahendab hoobilt kõik meie probleemid ära. Leidub ka neid, kes jäävad kuhugi sinna vahele.

Minu eesmärk lektorina on anda neile kõigile realistlikud ootused. Öelda neile, mida saab või ei saa selliselt tehnoloogialt oodata. Esimesel semestril ma seda teengi. Hiljem töötan juba oma kursuse läbinud tudengitega, kelle ootused on enam-vähem tasakaalukad. Mõnel neist on juba omi kogemusi, nii et selles mõttes on see üsna mõistlik seltskond.

Saabusite Eestisse 2011. aastal ja olete siin elanud nüüdseks 12 aastat. Mis teid aastate eest Eestisse tõi ja mis viis otsuseni siia jääda?

Ma ei saabunud Eestisse teab mis romantilisel põhjusel. Olin toona Ukraina tudeng Kiievi Polütehnilises Instituudis, toonases Ukraina Riiklikus Tehnikaülikoolis. See on üks Ukraina suuremaid ülikoole, kus õpib sõltuvalt lugemismeetodist umbes 20 000–30 000 tudengit. Aga ma ei olnud seal antava haridusega rahul.

See oli aeg, mil Ukraina tudengid said aru, et võimalik on minna ka Euroopasse ja saada oma haridus sealt. Vahel õnnestus isegi stipendiumi saada. Niisiis hakkasid inimesed nagu mina õppima inglise keelt ja kandideerima välisülikoolidesse.

Mina kandideerisin Aachenisse, mis on üks paremaid Saksa tehnikaülikoole. Sain sinna sisse, aga stipendiumi mulle ei pakutud. Niisiis ei saanud ma endale Aachenis elamist lubada. Samas kandideerisin ka Tartusse, sest kohtasin ühel tudengitele mõeldud kõrgharidusmessil Tartu inimesi. Nad olid väga sõbralikud ja otsisid ilmselgelt just minusuguseid inimesi. Siis polnud enam küsimustki.

Olite maha müüdud?

Olin müüdud. Programmijuht ütles mulle, et "Küll me sulle stipendiumi leiame – lihtsalt tule." Asi oligi otsustatud.

Kui siia tulin, olin algul veidi skeptiline. Kartsin, et leian eest sama ja mitte kuigi meeldiva süsteemi. Siia saabudes mõistsin aga esimesel päeval, et Ukraina ja Eesti on riikidena ja oma süsteemide poolest täiesti erinevad.

Kui peaksite nimetama Eesti ja Ukraina vahel ühe suure erinevuse, siis mis see teie jaoks oleks?

Toon tavaliselt näite, mis võtab kogu olukorra kokku. Kui tahtsid endale tudengina ühiselamus kohta saada, pidid toona Kiievis käima ja sadadele ustele koputama. Kogu su paberimajandus pidi korras olema ja pidid muudkui oma isikut tõendama. Bürokraatiaparaat oli tohutu.

Kui siia saabusin, olin sisimas valmis sama kadalippu läbi tegema. Läksin siis ühiselamute administraatori akna juurde, näitasin oma passi ja ta andis mulle selle eest võtme. Ma ei jõudnud seda ära imestada. Mõtlesin: "Mis see veel on? Järgmise ukse võti, millele ma koputama pean?" Tema aga kinnitas, et see ongi minu toavõti – mida mul siis veel vaja on? Olin jalust rabatud. Kuidas ta sai mulle lihtsalt võtme anda? Viimati olid mul mingid õelad kavatsused?

Ehk jah, Eesti inimesed kurdavad bürokraatia üle, aga neil pole aimugi, kuidas ebameeldiv bürokraatia päriselt välja näeb. Minu jaoks on see imeline. Kohalik bürokraatia peaks sind eemale peletamise asemel aitama ja Eestis see nii oligi.

Võib-olla nüüd on asjad teisiti. Ma ei oska praegust olukorda Ukrainas kommenteerida, sest olen 12 aastat Eestis elanud. Mul on Ukrainas mõned sidemed ja kontaktid, aga süsteemile ma hinnangut anda ei oska. Küll aga olen siin väga õnnelik ja siinse süsteemiga rahul.

Eks ka Eesti kui riik ja ühiskond on 12 aastaga kahtlemata muutunud. Kuidas teie seda muutust tajute?

Puhtalt igapäevaelu vaatevinklist olen näinud ainult muutusi paremuse poole. Oleme oma instituudiga kolinud Liivi 2 majast siia (Deltasse, toim) – see oli suur samm edasi. Delta on oluliselt parem koht: siin on kõvasti rohkem ruumi, kogu hoonetaristu on meeldivam ja teadlasena sa ei oskakski rohkemat tahta. Kõik vajalik on olemas.

Sissetulekute ja maksude vaatenurgast tundub mulle, et vähemalt mu enda valdkonnas ehk IT-sektoris on mul seni olnud ainult meeldivad kogemused. Niisamuti on kogu toetusest, mida Eesti on Ukrainale sõja ajal pakkunud, olnud minusugustele inimestele äärmiselt suurt abi.

Eestis polnud enne sõja algust just palju Ukraina päritolu inimesi, kes oleks teadusega seotud. Ühtekokku oli meid varem umbes 340 ja enamik neist erinevate õppeastmete tudengid. Nüüd on meid palju rohkem. Toona olin mina aga ilmselt ainus kraadiga õppejõud. Saime tohutu palju toetust, mis võimaldas meil päriselt tööd teha ja toimida, samas kui olukord taustal eskaleerus ja inimesed surma said ehk meil on olnud äärmiselt head võimalused.

Auhinda vastu võttes peetud kõnes ütlesite, et oleme jõudnud kahe väga olulise uurimissuuna ristteele. Omavahel kohtuvad nüüd biomeditsiin ja tehnoloogia. Mida see kummagi valdkonna teadlastele tähendab? Mida inimestele, nagu te ise olete?

Bioloogia- ja meditsiiniteadlaste andmete hankimiseks kasutatud tööriistad muutuvad praegu üha paremaks ja paremaks. Järelikult tekib teadlastel rohkem andmeid. Bioloogid, arstid ja kõikvõimalikke uuringuid tegevad inimesed on võimelised tootma neid hetkega hiiglaslikes kogustes. Häda on aga selles, et teadlastel puuduvad tööriistad, mis aitaks neil kogu selle tohutu andmekoguse läbi analüüsida.

Teisalt oleme arvutiteaduses välja arendanud vägagi võimekaid tehnoloogiaid, nagu ChatGPT – ehk siis hiiglaslikke loomuliku keele ja piltide töötlusmudeleid. Need on paremad kui kunagi varem. Tahan öelda, et meie päralt on viimase sõna vidinad, mis üldjuhul tulevad inimesest paremini toime. Teatud ülesannetes on meil nüüd inimesest paremad algoritmid. Mõnedes asjades on neil muidugi veel arenguruumi.

Mõtlengi, et kui kasvõi näiteks Bingilt küsida "Mis kell on?", võib see ka päise päeva ajal öelda, et "Kell on kolm öösel", sest treeningandmetes tuli sel selline näide ette. Masin ei saa veel sõnade tähendusest aru. Kuidas te saate seda näiteks röntgenpiltide tõlgendamisel päriselt usaldada?

Mina olen töötanud sellist tüüpi kujutistega, mida nimetatakse heleväljapiltideks. Kui palja silmaga mõnd sellist pilti vaataksid, ei näeks sa midagi. Mina vähemalt oma silmaga küll ei näe. Ometi suudab mudel erinevalt inimestest neilt kujutistelt rakke tuvastada – kui need inimesed pole just oma ala eksperdid, kes on näinud taolisi pilte loendamatuid kordi.

Siin tulebki mängu kahe valdkonna ristumine. Nimelt on sul tarvis kõvasti andmeid, et sellist tehnoloogiat tööle panna ja andmed on sul ju juba olemas. Järelikult on praegu parim aeg, mil korraga on olemas nii andmed kui ka sobivad tööriistad. Neid tarvitseb vaid parimate tulemuste saavutamiseks rakendada.

See ongi sisuliselt minu uurimistöö tuum. Ühest küljest üha kasvav andmemass ja teisest küljest uued lahedad uuringud tehisintellekti ja masinõppe vallas. Meie viime need lihtsalt kokku.

Milline on see peidetud teadmine, mis meid kõigil neil biomeditsiini kujutistel peidab? Kas me üldse teame, mida me veel ei tea?

Neid asju on nii kujuteldamatult palju. Võime iseenda kohta midagi uut teada saada, milleni üksnes inimmõistuse toel kunagi ei jõuaks, sest läbivaatust vajav andmemass on niivõrd suur.

Näiteks tuleb sul läbi vaadata hulganisti vähiravi tuvastusuuringuid, mis põhinevad suurel andmemassil. Pead töötlema suurt hulka rakke ja jälgima nende muutusi. Põhimõtteliselt käib see nii, et arendad välja ravimi, manustad seda ühele rakukolooniale, aga teisele lisad näiteks suhkrut. Siis paned mõlemad rakukolooniad Petri tassile kasvama. Seepeale ütlebki süsteem sulle, kas on näha mingeid muutusi ja millised need muutused on. Vastasel korral peaksid sa kõik pildid ise läbi vaatama, kõike mõõtma, ise statistikat tegema ja nii edasi. Tänapäeval tarvitseb sul aga vaid klõpsata ja saadki kõik tehtud.

See on vaid asja üks külg. Teisest küljest on meil tohutu võimekus nii mõndagi käsitsi tehtud ülesannet tõhusamaks teha ja ära automatiseerida. Tõin oma kõnes patoloogianäite. Nimelt on näiteks Tallinnas olemas eraldi patoloogialabor, kus arstid teevad biopsiaid. Nad eraldavad erinevatel eesmärkidel osakese inimese koest.

Oleme näiteks töötanud viljatuse ennustatavuse kallal. Vaatame selleks munandikoe rakke. Kui nende seinad on liiga paksud, on see inimene sageli viljatu. Tavaliselt käib see nii, et inimpatoloog peab need ülesvõtted ehk skannid läbi vaatama. Skannid ise on tohutud: 10 000 korda 10 000 pikslit ja need kõik tuleb läbi vaadata. Rakud tuleb ära mõõta ja hinnata seejärel rakuseinte paksust. Kõik saadud mõõdud tuleb kvantifitseerida ja kuidagi ära analüüsida – alles siis saad sa mingisuguse tulemuse.

Nüüd võid lükata selle kõik lihtsalt mudeli õlule. Mudel teeb mõned asjad kohe ära ja sinu kui patoloogi asi on lihtsalt kinnitada, et tulemus näib mõistlik. Ongi kõik. Niimoodi jõuad sa palju rohkem asju tehtud. Sa ei põle nii hullult läbi. Kui peaksid kõiki neid samme oma käega tegema, nõuab see palju aega ja energiat. Patoloogid on sellest muide väga huvitatud. Nad pöörduvadki meie poole ja paluvad, et selline lahendus valmis saaks.

Nagu näha, on meil palju andmeid, mida me ei saaks muidu analüüsida. Sõltuvalt uuringutüübist suudame sealt palju ägedaid asju kätte saada.

Kõik need andmed seisaks muidu kasutuseta.

Jah, sul on ühest küljest kuhjade viisi andmeid, mida keegi ei kasuta, sest sul lihtsalt puudub selleks võimekus. Teisest küljest on sul ametid, mis nõuavad palju korduvaid ja inimeste jaoks tüütuid tegevusi. Nende tööde tegijad sooviks oma tööd tõhusamaks muuta, et neil jääks rohkem aega loomingulisemateks ja põnevamateks tööülesanneteks. Meie saame kummalgi juhul appi tulla.

Nagu ütlesite, on teil ka oma töörühm, mis keskendubki erinevate biomeditsiiniliste pildiandmete analüüsimisele tehisaru abil. Kas teie töörühm loobki meie arstidele ja teadlastele kõik need kauaoodatud tööd hõlbustavad võimalused?

Just. Me ehitame nii lahendusi, mis aitavad tööd optimeerida kui ka neid, millega andmeid analüüsida. Lisaks teeme koostööd katsete tegijatega: aitame neil nende katsetulemusi analüüsida, loome neile selleks paremaid tööriistu, aga aitame ka mõningaid väga ränki tööülesandeid hõlbustada.

Mainisite oma kõnes sedagi, et teete koostööd akadeemiliste asutuste, eraettevõtete ja haiglatega, et seista silmitsi suure hulga biomeditsiini valdkonna katsumustega. Mõni näide siin juba kõlas, kuid milliseid vorme on see koostöö veel võtnud?

Me oleme ettevõtte alt teinud koostööd Tartu Ülikooli kliinikumiga, kus lõime käed radioloogiaosakonnaga. See koostöö puudutab konkreetselt neeru-uuringuid. Ehitasime neile süsteemi, mis vaataks kompuutertomograafia ülesvõtet enne radioloogi ennast. Süsteem leiab ja tähistab seal ära kõik neerukasvajate märgid.

Lisame nende neerupiltide juurde teatud mõõtmistulemused. Praegu eeldab radioloogia tööprotsess, et radioloog peab tegema seda käsitsi. Meie aitame radioloogil ette valmistada ka lühiraporti, et teda suurest ajakulust ja vaevast säästa. Praegu käib meil ühtlasi kliiniline uuring, kus kinnitame ja näitame, et meie lähenemisest on päriselt abi.

Minu toodud patoloogianäites munandikoest oleme sama asja teinud. Õpetasime välja mudeli, mis tuvastab rakke, mõõdab rakuseina paksust ja aitab tööprotsessis selle tööjupi eeltööd teha.

Ehk siis teie eesmärk on inimarste aidata, mitte lõpuks targa ja andeka SAM-i või muu mudeli vastu välja vahetada?

Ei. Näeme selgelt, et need mudelid vajavad inimese pilku. Kaalul on kaugeltki liiga palju, et seda tööd lihtsalt ChatGPT-le teha anda. Nagu isegi teate, räägib ChatGPT mõnikord kõvasti ja valesti. See paneb ikka täiesti puusse, aga teeb seda ülima enesekindlusega.

Mõtlengi, et me ei saa usaldada tehisaru jäägitult, eriti veel elu ja surma küsimustes. Te ilmselt ei usaldaks end praegu SAM-i hoolde?

Justnimelt. Sa ei tahagi sellises küsimuses SAM-i usaldada, sest vähemalt ma ise tean, et see mudel ei tööta meditsiiniliste kujutistega alati hästi. Niisiis tuleb arendada oma mudel valdkonnaspetsiifilisemaks. Sul võib olla väga üldine mudel, mis toimib hästi lampide ja laudade puhul, aga kui tahad seda rakendada kasvajate ja hemorraagiate peal, siis see lihtsalt ei tööta. Tulemus ei tule nii hea.

Kas teil on oma tausta arvestades ka Ukrainast koostööpartnereid või poleks see praegust olukorda arvestades mõeldavgi?

Siiamaani on mul olnud Tartu Ülikoolis väga palju Ukrainast tulnud üliõpilasi. Olen ühtlasi poole kohaga külalislektor Ukraina Katoliiklikus Ülikoolis – sealtkaudu tuleb mulle samuti üliõpilasi. Seni mul peamiselt asjade praeguse seisu tõttu Ukraina partneritega ühtki koostööprojekti olnud pole. Praegu ei ole teadus seal just suurim prioriteet.

Kujutan ette.

See pole, jah, praegu võimalik. Oleme aga kindlasti avatud ja otsime igasuguseid võimalusi. Ettevõttena peame läbirääkimisi Ukraina kohalike haiglatega. Näiteks Neurokliiniku ja Püha Paraskeva meditsiinikeskustega Lvivis. Võtame ka Ukrainast mitmeid delegatsioone vastu.

Nagu enne ise ütlesite, tegutsete oma valdkonnas mitme nurga alt. Oma Linkedini profiilil hoiatate teiega vestelda soovivaid inimesi, et nad paneks end valmis teie hooplemiseks oma idufirma Better Medicine kaasasutamise üle. Kiidelge siis ka nüüd natuke: millega Better Medicine tegeleb?

Ma olen Better Medicine'i üle väga-väga uhke. Sellel on viis kaasasutajat, mina nende seas. Kui ütlen firmast rääkides "mina", pean silmas "meid viiekesi".

Minu jaoks isiklikult oli see võimalus oma uuringud elama panna. Põhimõtteliselt on see võimalus näha, kuidas teadus väljaspool elevandiluutorni töötab. Teadlastena loome mõnikord asju, mis tingimata päris andmetega ei toimi. Mina tahan näha uuringuid, mis midagi päriselt ära teevad ja oma mõjuga ühiskonda panustavad. Selleks saigi loodud Better Medicine.

Alustajate kohta oleme olnud väga edukad. Tegutsemisvaldkond on meil iseenesest karm. Kui räägid inimestega, kes teavad midagi investeerimisest, ütlevad nad sulle tavaliselt, et ära meditsiini küll mine. Sa ei jää seal ellu!

Praegu, eriti sõja ajal, on investeerimiskliima väga külm. Mistahes erarahastust on väga raske saada, eriti Venemaa lähiriikides. Alati jääb õhku küsimus, kas teie siin olete järgmised. Kas teil on ka varsti tankid tänavatel? See kisub atraktiivsuse alla.

Meid saatis samas avaliku rahastuse saamisel suur edu. Saime üle 800 000 euro EAS-i toetust. Lisaks oleme tuge saanud erakapitalilt. Oleme esitanud taotluse Euroopa Innovatsiooninõukogu kiirendi programmi ehk oleme olnud väga leidlikud, et asjadega hakkama saada.

Praegu käib meil kaks kliinilist katset, mis on idufirma kohta väga hea. Meil on neerumudel katsetamisjärgus ja tahame teisalt pakkuda ammendavat lahendust kopsuvähi sõeluuringule.

Tartu Ülikooli kliinikumis töötab inimene, kes ongi ennekõike kopsukirurg. Ta otsustas korraldada kopsuvähi sõeluuringu ja teha selle esmakatsetus siin Tartus. Esmauuringus osalesid suure kopsuvähki haigestumise riskiga inimestel. Nad tulid ja lasid endale teha kompuutertomograafia, mille tulemusel saame töötada nüüd tuhandete kopsuskannidega.

Radioloogia vaatevinklist on see karm töö, sest iga skanni peaks analüüsima kaks radioloogi, aga radioloogidel on niigi palju tööd. Tartu Ülikooli kliinikumis on kõik radioloogid väga ülekoormatud ja seetõttu on selliseid projekte nendega raske teha.

Kogu Eesti peale on selliseid suure riskiga patsiente aga 40 000 ringis. Nende kõigiga on vaja ühendust võtta ja neid sõeluuringusse kutsuda. Seejärel tuleb neist igaühe andmeid analüüsida kahel inimesel. Osa uuritavatest saadad sa veel järeluuringusse, sest muidu sa ei näe, kas kasvaja on kasvanud, kahanenud või samaks jäänud. Kui kasvaja on suurenenud, annab see märku, et see tuleb operatsiooniga eemaldada. Eriti kui see on pahaloomuline või on oht, et see muutub pahaloomuliseks. Tahamegi pakkuda lahendust, mida sõeluuringu korraldamise protokollides kasutada. Aitame radioloogidel aega kokku hoida.

Meie põhitöö käibki nende kahe projekti kallal. Ühtlasi on meil sidemed ettevõttega AstraZeneca, mis on huvitatud kopsuvähi sõeluuringutest. Aitame neidki nende projektis. Lisaks oleme koostööd alustamas ühe Põhja-Euroopa suurima era-onkoloogia keskusega. Neidki huvitab meie teenus. Selles mõttes oleme üsna edukad.

Minu nimel on muide ka patent tehnoloogiale General Medical Purpose AI ehk üldmeditsiiniline tehisintellekt.

Mida see endast kujutab?

Kogu idee tekkis mul oma varasemate uuringute põhjal. Nägime selles idees potentsiaali ja patenteerisme selle ära. Nüüd arendame juba vajalikku tehnoloogiat.

Loodav uus tehnoloogia on oluline, sest Eestis on meil selline asi nagu Pildipank – sisuliselt on see suur meditsiiniandmete arhiiv. See toimib alates 2009. aastast ehk umbes 15 aastaga on sinna kogunenud pea 1,6 petabaiti meditsiinilisi pildiandmeid. Oleme loonud lähenemise, mis aitab meil selliseid suuri andmehulki kasutada. Samuti saame ehitada süsteemi teisiti, kui praegusi mudeleid ehitatakse.

Praegu käib see nii, et palkad rühma radiolooge, kes võtavad pastaka ja joonistavad ülesvõtte peale kasvaja asukoha piirjooned. Sina näitad neid pilte mudelile ja ütled: "Vaata, mudel, see on kasvaja. Palun ütle mulle, kus teisel skannil kasvaja on". Mudel vastab sulle siis, et tal pole aimugi. Sina ütled siis, et see pole hea vastus. Sa näitad mudelile teist kasvajapilti ja ütled: "See on kasvaja. Õpi see selgeks." Kui järgmisel korral küsid, vastab mudel sulle, et võib-olla tuleb kasvaja talle isegi tuttav ette. Sa teed seda tuhandeid kordi väga paljude ülesvõtetega.

Selline on klassikaline kadalipp. Sul kulub mudeli väljaõpetamiseks kuid ja tuhandeid eurosid, sest päris radioloogid ootavad töötasu. Nad on väga hõivatud ega tee selliseid asju tavaliselt just meeleldi. Niisiis pead sa olema väga veenev ja maksma neile piisavalt.

Meie oleme nüüd patenteerinud lähenemise, mis võtab suure pildiandmestiku, kus ei ole radioloogide piirjoonemärkmeid. Samas on radioloogid iga pildi kohta teinud eraldi raporti TEHIK-usse ehk Tervise ja heaolu infosüsteemide keskusesse, haiguslugude registrisse. Sinu asi on need andmed kokku viia.

Sa ei näita enam mudelile piirjooni, vaid neid raporteid, ja ütled: "Vaata, mudel, see skann on seotud selle raportiga. Mõtle nüüd välja, milline osa skannist põhjustas selle, et raport on just selline." Siis näitad mudelile miljoneid erinevaid skanne. Pead olema kannatlik, sest see võtab aega. Samas aitab GMP meil sellist protsessi oluliselt kiirendada. Lõpuks õpib mudel ära, millised fenotüübid – nimetame nii põhimõtteliselt seda, kuidas inimene sisimas välja näeb – panevad inimesi just selliseid raporteid kirjutama.

Sel juhul ei pea sa palkama tervet armeed väga ületöötanud radiolooge. Kõigi nende andmete märgendamine ei lähe sulle ka nii kalliks maksma. Tulemuseks saad ikkagi mudeli, mis suudab suhteliselt hästi leida patoloogiaid ja aitab diagnoosida laia spektrit haigusi. GMP-lähenemine on meil patenteeritud ja otsime sellele põhimõtteliselt avalikku grandirahastust.

Teisisõnu ei pidanud te enam oma rahastajatele, koostööpartneritele ja teistele olulistele kõrvalseisjatele tõestama, et Better Medicine'i on vaja, vaid nemad vajasid Better Medicine'i.

Kui nii võtta, tarvitseb sul vaid heita pilk praegu kasutatavatele tööriistadele ja mõistad, et uuenduste läbisurumine radioloogiavaldkonnas võtab aega. Kõiki osapooli on vaja esmalt veenda, et innovatsioon on vajalik. Jah, neid tuleb kõvasti veenda, aga õnneks on meil meeskonnas väga hea veenja. Omal alal on tegelikult kõik meie meeskonnaliikmed head. Ehk seni on meil läinud suurepäraselt.

Oleme rääkinud pikalt-laialt teie tööst. Kui aga ühe noore lektori ja iduettevõtja tööpäev tehtud saab, siis mida ta teeb?

Püüan lõõgastuda sporti tehes: jooksen, sõidan jalgrattaga ja ujun. Teen põhimõtteliselt klassikalist triatloni.

Praegu on Eestis ka minu perekond – nad on põgenikud. Oleme pärit Hersonist ja mu perekond põgenes sealt enne linna vabastamist. Nad tulid Tartusse ja nädal pärast seda Herson vabastati. Sellest hoolimata pole elu Hersonis praegu meelakkumine. See on väga karm – neid pommitatakse iga päev ehk koju naasta on ikkagi keeruline. Veedan praegu nendega palju aega koos.

Mis veel? Õpin praegu eesti keelt. Samuti meeldib mulle väga raamatuid lugeda. Kui siin inimestelt küsida, et mis minu juures kõige tüütum on, ütlevad nad ilmselt, et tavaliselt panen neid raamatuid lugema. Mul on laual terve raamatukuhi ja kui keegi mu kabinetti juhtub,  soovitan ma tavaliselt talle kohe midagi: näiteks mõnd imelist raamatut immunoloogiast, kognitiivsest teadusest või tehisaru ajaloost. Kognitiivne teadus on samuti üks mu meelisteema: miks me valetame, millegi üle õnnelikud oleme, miski meid vihastab,  teineteisega just sellisel moel räägime ja nii edasi.

Mida te viimati lugesite?

Praegu loen Timothy Snyderi raamatut, "Türanniast" (On Tyranny). See on praeguse olukorraga vägagi kooskõlas. Seal kirjeldatakse paljusid USA-s juhtunud asju, näiteks Trumpi presidentuuri. Raamatust on olemas ka laiendatud versioon, mis käsitleb Putinit, Ukrainat ja kõike sellega seonduvat.

Viimati lugesin ajaloo kohta, aga enne seda immunoloogiast. Tegin oma doktoritöö arvutuslikust immunoloogiast. Analüüsisin seal antikehi ja nende külgetõmmet keha enda rakkude poole – nii-öelda autoantikehi. See on olukord, kus immuunsüsteem pöördub iseenda vastu. Näiteks juhtub see diabeedi või multiskleroosi puhul. Raamat meeldib mulle samuti väga. Viis, kuidas seal imelist, aga äärmiselt keerulist immuunsüsteemi kirjeldatakse, on lihtsalt hämmastav. Doktorikraadi võisin ju omandada küll, aga see raamat õpetas mulle ikkagi palju.

Ilukirjandust ma ei loe, aga teaduskirjandust küll. Olen niisiis teadusest vaimustunud teadlane. Ma ei ole see inimene, et kui lähed talle juurde ja ütled: "Kuule, mida sa arvad ontoloogiast versus sekventsialismist moraalifilosoofias?", siis ta vaatab sind tavaliselt arusaamatu näoga.

Teie hoopis rõõmustaksite, kui keegi teile sellise küsimusega läheneks?

Täpselt. Oleksin väga-väga põnevil.