Tehisintellekti Algkursus 2019/20 kevad

Kuigi lõplikud kliinilised otsused peab tegema arst, saab arvuti ja tehisintellekt olla talle otsuste tegemisel suureks abiks. Arvuti peamiseks tugevuseks inimese ees on suur arvutus- ja andmetöötlusvõimsus, seetõttu on võimalik seda rakendada nii erinevate andmetöötlust nõudvate tegevuste läbiviimiseks ravi käigus kui ka laiemalt nende mudelite väljatöötamiseks, mida arstid hiljem saavad patsiendi ravimisel kasutada. Järgnevalt anname ülevaate peamistest otsustustoe süsteemidest, milles tehisintellekti kasutamises nähakse suurt potentsiaali.

Patsiendi andmete automaatsed ülevaated

Kuna terviseandmete hulk pidevalt kasvab, siis juba tänaseks oleme olukorras, kus arstil ei ole võimalik enam visiidi käigus, milleks Eestis on tüüpiliselt ette nähtud 20 minutit, kogu patsiendi kohta kogutud terviseinfot läbi lugeda. Samas soovime me kõik, et arst oleks meie visiidile saabudes juba kursis, milliseid haiguseid me põeme või oleme põdenud, milliseid ravimeid tarbime, mille vastu oleme allergilised jne. Kujutame ette ka näiteks kiirabi väljakutset - kiirabibrigaad sooviks juba enne kohalejõudmist saada patsiendi infost olulisemat ülevaadet - kui vana ta on, kui palju ta kaalub, milliseid kroonilisi haigusi ta põeb, milliseid ravimeid tarbib, kas tal on füüsilisi puudeid/implantaate, millised on tema tüüpilised vereanalüüside tulemused jne. Siin saavadki arvutid meile appi tulla, et koostada patsiendi varasemalt põetud haigustest ja muudest tervisesündmustest automaatne kokkuvõte. Järgmisel joonisel on toodud näide Eesti terviseandmete põhjal koostatud säärasest automaatsest kokkuvõttest.

Joonis 2. Patsiendi terviseandmete kokkuvõte. Allikas: STACC

Automaatsed käsitlusjuhiste soovitussüsteemid

Mitmete haiguste puhul on arstidele kehtestatud nn käsitlusjuhised. Näiteks II tüüpi diabeedi puhul tuleks kord aastas määrata patsiendi glükohemoglobiini, kreatiniini ja üldkolesterooli tase, nõustada patsienti pereõe poolt ja kord kolme aasta tagant määrata kolesterooli fraktsioonid. Kui patsiendil on mitmeid kroonilisi haigusi, mis on vanemas eas küllaltki tavaline, siis on kõikide haiguste käsitlusjuhiste meelespidamine ja järgimine võrdlemisi keeruline ülesanne. Samas saab nende nõuete täitmist kontrollida arvuti ja anda arstile soovitusi, kui mõni vajalikest protseduuridest on tegemata. Järgmisel joonisel on näide sellest, kuidas arstile on võimalik kuvada patsiendi terviseajalugu ja II tüüpi diabeedi käsitlusjuhendist tulenevate vajalike protseduuride meeldetuletusi.

Joonis 3. Patsiendi terviseajalugu ja II tüüpi diabeedi käsitlusjuhendist tulenevate vajalike protseduuride meeldetuletused. Allikas: STACC

Riskiskoorid ja nende väljatöötamine

On selge, et iga patsiendi puhul sõltub paljude haiguste tekkimise tõenäosus (nn haiguse risk) erinevatest riskiteguritest - vanusest, käitumisest, olemasolevatest tervisehädadest, mõõtmistulemustest ja perekondlikust haiguste ajaloost. Tihtipeale ei ole ükski tegur eraldiseisvana veel haiguse avaldumiseks piisav, kuid kui riskitegureid realiseerub juba rohkem - nt inimene on ülekaaluline, toitub ebatervislikult, suitsetab -, saab ükskord “klaas täis” ja inimene jääb haigeks. Seetõttu kasutatakse meditsiinis mitmel pool nn riskiskoore, mis laias laastus summeerivad kokku, mitu erinevat riskitegurit konkreetse inimese puhul on realiseerunud ja selle järgi on võimalik ennustada haigestumusriski, aga ka otsustada meditsiinilise sekkumise vajadust. Üldjuhul annavad need riskiskoorid tulemuseks välja lihtsalt numbri (skoori), mis on summa paljudest riskiteguritest. Mida suurem on summa, seda suurem on üldjuhul ka ennustatava haiguse/komplikatsiooni risk. Milliseid tegureid ja milliste kaaludega täpselt arvesse võtta, on kirjeldatud riskiskoorile vastavas riskimudelis.

Riske teades on võimalik prioritiseerida raviressursside kasutust ja vähendada tõenäosust, et kõrge riskiga patsiendid jäävad õigeaegse ravita. Näiteks on võimalik ennustada infarkti riski järgneva 10 aasta jooksul, komplikatsioonide riski plaanilistel operatsioonidel või meditsiinilise abi vajalikkust imikul.

Iseseisev töö 5
Järgnevalt on toodud vastsündinute terviseseisundi kiireks hindamiseks nn Apgar riskiskoori arvutamise reeglid. Selle töötas välja dr Virginia Apgar juba 1966. aastal ja see on tänapäeval de facto standardiks üle kogu maailma, s.h Eestis, kus Apgar skoor arvutatakse igale vastsündinule tema 1. ja 5. eluminutil. Apgari skoori saamiseks hinnatakse viit erinevat näitajat, millest igaühe puhul pannakse hindeks 0, 1 või 2. Saadud hinded liidetakse. Kui tulemus jääb vahemikku 7-10, ei vaja laps arstiabi; kui vahemikku 4-6, vajab laps mõningast arstiabi; kui tulemus on 0-3, vajab laps kohest arstiabi/elustamist. Arvuta seda skaalat kasutades Apgar hinne ja hinda arstiabi vajadust järgmisele vastsündinule: nahk sinine, pulss üle 100, laps karjub tugevasti, eriti stimuleerides, kuid jäsemeid painutab vähe.

	Hinne 0	Hinne 1	Hinne 2	Hinne
Väljanägemine	Sinine	Roosa, käed-jalad sinakad	Roosa
Pulss (lööki/minutis)	Puudub	Alla 100	Üle 100
Reaktsioon stimuleerimisel	Puudub	Nõrk kisa	Tugev kisa
Aktiivsus (lihastoonus)	Puudub	Jäsemete vähene painutatus	Käed-jalad painutatud, avaldab vastupanu sirutamisele
Hingamine	Puudub	Nõrk, ebaregulaarne	Regulaarne, tugev kisa
KOKKU

Vastuse leiate siit: link

Sääraste skooride väljatöötamiseks kasutatakse esinduslikke andmehulki tuhandete või isegi sadade tuhandete patsientide kohta. Saamaks aru, millised faktorid on uuritava küsimuse jaoks ennustavad ja millise kaaluga erinevaid faktoreid arvesse võtta, kasutatakse statistilisi ja masinõppe meetodeid nagu logistiline regressioon ja otsustuspuud. Erinevalt paljudest teistest masinõppe harudest optimeeritakse riskiskooride puhul lisaks ennustustäpsusele ka mudelite interpreteeritavust (tõlgendatavust) ja kasutamise lihtsust. Mudelid peavad olema kasutavad olukordades, kus arvuteid või muid elektroonilisi seadmeid pole alati käepärast, näiteks operatsiooniruum või erakorralise meditsiini osakond.

Vaatleme veelkorra ülaltoodud Apgari riskiskoori näidet. Kuigi dr Apgar oma skoori väljatöötamise metoodikat ei kirjeldanud, pidi ta ometigi lähtuma oma suurest kogemustepagasist, võttes arvesse sadu või tuhandeid sünde, et aru saada, millised tegurid on arstiabi andmise otsustamisel määrava tähtsusega ja kuidas neid on võimalik hinnata. Lisaks, kuna ta soovis luua mudelit, mis oleks lihtne ja kiire, ei saanud ta rakendada keerulisemaid mõõdikuid nagu näiteks kehatemperatuuri mõõtmine, pikkuse/ümbermõõdu mõõtmine jne. Ka nende viie näitaja puhul pidi ta kaaluma erinevaid võimalusi, enne kui jõudis selleni, et iga näitaja puhul võiks olla 3 astet. Ka nende astmete defineerimine ei saanud olla triviaalne, vaid pidi toetuma oma pikaaegsele kogemusele, et üldskoor näitaks adekvaatselt, kas laps vajab või ei vaja kohest arstiabi. Et Apgari riskiskoor on püsinud kasutusel üle 50 aasta, annab kinnitust sellele, kui hästi need valikud tol ajal tehtud said.

Iseseisev töö 6
Selles ülesandes koostame ise uue riskiskoori II tüüpi diabeedi ennustamiseks. Täitke tööleht Google Colabis

Iseseisev töö 7
Leidke enda diabeedi risk kasutades online kalkulaatorit

Sügavate närvivõrkude rakendamine otsusetoe süsteemides

Siiani kirjeldatud meetodid on tehisintellekti seisukohalt suhteliselt lihtsad, kuid praegusel ajal kiiresti arenevad süvaõppe meetodid avavad meditsiinis uusi ja põnevaid kasutusvõimalusi. Järgnevalt tutvustame neist mõningaid.

Reeglite ja “ehitusklotside” automaatne tuvastamine terviseandmetes

Riskimudelid on enamasti treenitud mingite konkreetsete uuringute andmete põhjal, mis tähendab, et need saavad kasutada suhteliselt piiratud hulka tunnuseid, mida uuringus kogutakse. See võib seada piiranguid ka mudeli ennustustäpsusele. Selleks, et mudeleid täpsemaks saada, oleks vaja kasutada palju rohkem tunnuseid. Seega - miks mitte võtta mudelisse sisse kõik arstide igapäevases töös tekkivaid terviseandmeid, mis katavad ära kõikide patsientidega seotud protseduurid, laborianalüüsid, märkmed ja diagnoosid? Paraku pole taolisi andmeid lihtne kasutada, sest koos on palju erinevaid andmetüüpe ning pole isegi selge, kuidas neid andmeid oleks kõige mõistlikum masinõppe algoritmidele esitada. Näiteks kuidas kodeerida vabatekstilised märkmed? Kas anda ette lihtsalt tekstina või proovida eraldada tekstist konkreetseid fakte (ning milliseid)? Kas proovida ühtlustada ravimi nimetusi, toimeaineid ja koguseid? Iga sellise ettevalmistava sammu teostamine on keerukas, nõuab spetsiifilisi teadmisi ja on raske üldistada paljudele haiglatele. See probleem on sarnane pildi- ja tekstitöötlusele, kus ajalooliselt on kasutatud palju inimese poolt masinale sõnastatud reegleid ja teadmisi, kuid kus süvaõppe meetodid on suutnud leida andmetest automaatselt märksa efektiivsema “ehitusklotside komplekti”, mille abil patsiente ja haigusjuhte kirjeldada. Kasutades piisavalt suuri andmebaase ja palju arvutusvõimsust, on võimalik õppida ära palju keerukamaid reegleid kui käsitsi keegi iial defineerida suudaks.

Sellist lähenemist prooviti ka Ameerikas kahe haigla andmetel, kus prooviti ühes mudelis kasutada pea kõiki patsientide kohta käivad andmed: laboritulemusi, retsepte, diagnoose, arstide märkmeid ja protseduure. Oluline on märkida, et seda tehti võimalikult “rumalalt”, ilma klassifikaatoreid ühtlustamata ja tekstist fakte eraldamata. Sellegipoolest suutsid treenitud tehisnärvivõrgud ennustada olulisi parameetreid nagu suremust ja uuesti haiglasse sattumise riski paremini kui klassikalised mudelid, mis kasutavad vähem, aga rohkem töödeldud andmeid. Selline tulemus annab lootust, et läbi hiiglaslike andmekogude integreerimise on võimalik luua mudeleid, mis praegu takerduvad andmete ühtlustamise ja standardiseerimise probleemidesse.

Joonis 4. Näide ühe patsiendi andmetest, mida kasutati suremusriski arvutamisel Rajkomar et al. uuringus (https://www.nature.com/articles/s41746-018-0029-1)

Piltdiagnostika
Sügavate närvivõrkude kasutamise kõige suurem edu on saatnud piltide analüüsi. Seetõttu on ka loomulik neid rakendada piltdiagnostikas, et automaatselt analüüsida röntgenipilte, kompuutertomograafia (KT) ja magnetresonantstomograafia (MRT) ülesvõtteid ning isegi mobiiltelefoni kaameraga tehtud pilte. Ka elektrokardiogrammide (EKG) analüüs on väga sarnane, kus diagnostiline aparaat tekitab suure hulga numbrilisi mõõtmisi, millest tekkivate mustrite põhjal määratakse patsiendi diagnoos. Paljude haiguste diagnoosimisel on reeglid suhteliselt selged ja sellised näited on head ka algoritmide väljatöötamiseks. Arstidelegi on sellised algoritmid suureks abiks, sest lihtsate juhtumitega tegelemine on radioloogidele üksluine ja ei ole nende ajakasutuse mõttes optimaalne.

Üks esimesi näiteid tehisnärvivõrkude rakendamisest radioloogias oli silmapõhja ülesvõtetelt ühe spetsiifilise võrkkesta kahjustusega seotud haiguse - diabeetilise retinopaatia - tuvastamine¹. Selles uuringus treeniti haiguse tuvastamiseks algoritm ja uuriti, milline on selle diagnoosimistäpsus on võrreldes kvalifitseeritud radioloogidega. Selgus, et algoritmi täpsus oli arstidega samaväärne. Parimad radioloogid suutsid küll anda täpsemaid hinnanguid, kuid mitmed andsid ka kehvemaid. See näide kinnitab tehisintellekti võimekust lahendada teatud ülesandeid kvalifitseeritud spetsialistiga vähemalt samaväärselt. Samas on niisuguste algoritmide treenimiseks vaja suurt kvaliteetset treeningandmestikku. Eeltoodud näites kasutatud mudeli treenimiseks kasutati üle 128 tuhande näite, mis olid hästi annoteeritud (märgitud, kas haigus esineb või mitte) ja seostatud ka patsiendi hilisema haiguslooga. Sellist suurt kõrge kvaliteediga andmestikku enamikus raviasutustes ega riikides kuskilt võtta pole ja tippspetsialistide poolt ühe algoritmi treenimise tarbeks sadade tuhandete piltide läbivaatus ning annoteerimine oleks jällegi äärmiselt kulukas. Selle probleemi lahendus võiks olla üle maailma erinevatest andmestikest pärit andmete ühendamine, kuid sellega on seotud jälle omad takistused seoses võimaliku isikuandmete privaatsusriive tõttu.

Joonis 5. Näide silmapõhja ülesvõttest, kus noolekestega on näidatud märgid diabeetilisest retinopaatiast. Allikas: Teadusartikkel

Sellegipoolest, näiteid edukatest algoritmidest siiski leidub. Näiteks hiljuti avaldati algoritm, mis suutis rinna röntgenpiltidelt tuvastada rinnavähki täpsemalt kui inimspetsialistid ². See eelis säilis isegi juhul, kui treenimiseks kasutati Ameerika Ühendriikidest pärit andmeid ja treenitud algoritmi valideeriti ehk kontrolliti Suurbritannia andmetel. Selline valideerimine üle erineva päritoluga andmete on hädavajalik, sest algoritmi turule lubamiseks tuleb tõestada, et see säilitab (suure tõenäosusega) oma täpsuse suvalises haiglas, kus seda rakendada soovitakse.

Esimese heakskiidu süvanärvivõrkude põhisele süsteemile piltdiagnostikas andis Ameerika Ühendriikide ravimiamet alles hiljuti - 2017. aastal. Praeguseks aga on heakskiidu saanud juba kümneid süsteeme ning neid lisandub väga kiires tempos. Enamik neist määrab konkreetseid diagnoose röntgen-, MRT ja KT ülesvõtete põhjal, kuid on ka mitmeid heaks kiidetud tööriistu südame rütmihäirete tuvastamiseks nutikellade pulsimõõturite põhjal.

Geneetika kaasamine terviseandmetesse

Lisaks sügavatele närvivõrkudele on viimasel ajal tehtud suuri edusamme ka geneetikas ning geeniandmed mängivad tervishoius üha suuremat rolli. Peamise tõuke on selleks andnud DNA järjestuse lugemise tehnoloogiate kiire areng, kuid geneetilise koodi lugemine üksi ei ütle veel, milliste haigustega konkreetsed geenivariandid seotud on. Selliste seoste tuvastamiseks tuleb võrrelda inimeste terviseandmeid nende geenivariantide esinemismustritega ja rakendada mitmesuguseid statistilisi, masinõppe ja ka terviseandmete analüüsi meetodeid. Tuvastatud seosed aitavad identifitseerida genoomi piirkondi, mis tekitavad eelsoodumuse mingile haigustele. Nendes piirkondades asuvate geenide funktsiooni uurimine võimaldab meil haiguste teket ja kulgu paremini mõista ning selle kaudu ka välja töötada uusi ravimeetodeid. Lisaks loovad need ka eeldused personaalmeditsiini arenguks, kus patsientide ravi on seotud otseselt nende geneetilise koodiga. Tänaseks on leitud piisavalt seoseid, et on võimalik hakata geneetilist informatsiooni integreerima igapäevasesse meditsiinipraktikasse.

Pärilike haigusriskide määramine
Laias laastus võib geenidega seotud haigused jagada kaheks. Neist esimese grupi moodustavad haruldased haigused, kus üksikud geenivariandid põhjustavad või on oluliseks riskiteguriks väga tõsistele terviseprobleemidele. Sellised haigused on näiteks teatud pärilikud vähisündroomid, erinevad kardiomüopaatiad, südame rütmihäired ja ainevahetushaigused. Nende geenide varajane tuvastamine võimaldab arstidel õigeaegse sekkumise korral märgatavalt kahjusid vähendada.

Niisuguste haiguste nimekiri on kahjuks lühike. Suurem osa geenidega seotud haigusi on sagedased ja tihti kroonilised, kus rolli mängivad tuhanded, kümned või isegi sajad tuhanded geenivariandid. Seejuures on iga üksiku geenivariandi mõju riskile suhteliselt väike, kuid summeerudes juba märgatav. Nii on ka väikese mõjuga geenivariantide infot võimalik arvesse võtta, kui rakendada meile juba tuttavat riskiskooride loogikat. Metoodiliselt on protsess selleks üsna sarnane traditsiooniliste ja eelpool kirjeldatud riskiskooride koostamisele, kuid lisaks terviseandmetele on vaja teada iga inimese puhul ka tema geenivariantide loetelu. Nendele andmetele saab sobitada regressioonimudeleid, mis ennustavad patsiendi riski konkreetsetele haigustele.

Iseseisev töö 8
Käesolev ülesanne on lihtsustatud näide selle kohta, kuidas otsitakse geenivariantide ja haiguste vahelisi seoseid genoomiülestes assotsatsiooniuuringutes. Järgnevas tabelis on toodud kümne patsiendi kohta kolme geenivariandi andmed.

Patsient	Geenivariant1 esinemite arv	Geenivariant2 esinemiste arv	Geenivariant3 esinemiste arv	Kas diabeet?
Pat1	1	0	0	Terve
Pat2	2	0	1	Haige
Pat3	0	2	0	Terve
Pat4	0	0	2	Haige
Pat5	0	1	1	Haige
Pat6	1	0	0	Terve
Pat7	0	0	0	Terve
Pat8	1	1	2	Haige
Pat9	0	0	0	Terve
Pat10	0	1	0	Terve

Iga veerg tähistab ühte geenivarianti ja number tabelis näitab variandi esinemist sellel patsiendil. Kuna inimesel on igast kromosoomist kaks koopiat (üks isalt ja teine emalt), on geenivariantide arvu võimalikud väärtused 0 (ei ole ühtegi varianti), 1 (on üks variant) ja 2 (kaks varianti).

1. Proovi aru saada, millised variandid on haiguse esinemisega tugevamalt seotud ja millised nõrgemalt. Järjesta variandid seose tugevuse järgi alates tugevamast. Selleks võid vaadata näiteks keskmise väärtuse erinevust tervete ja haigete vahel.
2. Mis Sa arvad, kas need kümme patsienti on piisavad, et järeldada, et näiteks kolmas geenivariant on seotud diabeedi esinemisega? Kui mitte, siis kui palju patsiente oleks vaja, et Sind veenda? Kas Su usk järeldusse muutuks, kui Sa tead, et Sinu genoomis esineb see geenivariant ja kogu tõendus selle diabeediga seotuse kohta pärineb 10 patsiendi andmetest?

Vastused leiate siit: link

Genoomiüleste assotsatsiooniuuringute põhimõte, kus otsitakse geenivariantide ja haiguste vahelisi seoseid, on selles iseseisvas töös tehtuga väga sarnane, kuid erinevus seisneb mastaabis. Esiteks analüüsitakse nendes harilikult sadu tuhandeid erinevaid geenivariante. Seetõttu on oluline kasutada analüüsimeetodeid, mis võimaldavad usaldusväärselt eristada olulisi seoseid mürast. Teiseks, selleks et märgata väikseid erinevusi geenivariantide esinemissageduses haigete ja tervete inimeste vahel, on vaja analüüsida kümnete kuni sadade tuhandete inimeste andmeid. Eesti Geenivaramu, kus tuuakse kokku Eesti inimeste geeni- ja terviseandmed, on osalenud paljudes sellistes uuringutes, tänu millele on leitud seosed tuhandete geenivariantide ja haiguste vahel. Kuna tihtipeale üksikud geenivariandid ei ole haiguse tekkeks veel piisavad, siis luuakse nende baasilt geneetilised riskiskoorid, et paljude geenivariantide põhjal ennustada inimestele nende pärilikku haigusriski. Ka Tartu Ülikooli teadlased on välja töötanud mitmeid geneetilisi riskiskoore. Tänapäeva geneetilised riskiskoorid sisaldavad kümneid tuhandeid geenivariante.

Farmakogeneetilised soovitussüsteemid
Meie geenid määravad ka seda, kuidas me erinevaid ravimeid omastame. Sõltuvalt ensüümide aktiivsusest, mis on määratud igaühe geenide poolt, võivad ravimid laguneda meie kehas aeglaselt või kiiresti. Sõltuvalt sellest aga tuleks ka ravimite koguseid või annustamise sagedusi vastavalt kohandada. Juhul, kui meie keha lagundab ravimit tavapärasest aeglasemalt, võtame uue koguse ravimeid juba enne, kui eelmine doos on kehast väljunud, mille tõttu tekib kehas lõpuks ravimikoguse järkjärguline kasv, mis võib põhjustada tõsiseid kõrvalnähte. Sellisel juhul oleks vaja võtta ravimit tavapärasest väiksemas koguses. Kui meie keha lagundab ravimit tavapärasest kiiremini, peaksime efektiivseks raviks aga võtma uue koguse ravimit tihemini kui teised inimesed. Nii nagu haiguste jaoks on teada geneetilised riskifaktorid, on ka ravimite lagundamise jaoks teada mitmeid põhjuslikke geenivariante. Nende põhjal on võimalik luua spetsiaalsed arvutusalgoritmid ravimi-soovituste andmiseks. Sellist lähenemist nimetatakse farmakogeneetiliseks testimiseks.

Et nii geneetilised riskiskoorid kui ka farmakogeneetilise testimine saaks osaks tavapärasest ravi protsessist, käib Eestis praegu Tartu Ülikooli arvutiteadlaste ja Geenivaramu osalusel IT-arendusprojekt.

Joonis 6. Farmakogeneetilise testimise näidisraport Eesti Geenivaramu geenidoonorile.

Iseseisev töö 9
Inimesed, kes on nii isalt kui emalt pärinud geenivariandi, kus 10. kromosoomi 94781859. positsioonis on nukleotiidi G asemel A, omandavad depressiooniravimit estsitalopraam teistest aeglasemalt. Seetõttu tuleb neil kõrvaltoimete vältimiseks selle ravimi võtmist alustada tavapärasest 50% madalama annusega. Alljärgnevalt on toodud 10 patsiendi geeniandmed selles geenipositsioonis. Pane tähele, et igal patsiendil on igas positsioonis kaks nukleotiidi - üks emalt ja teine isalt. Leia, kellel neist patsientidest tuleb ravimiannust vähendada.

Patsient	Patsiendi geenivariant selles positsioonis (üks nukleotiid emalt, teine isalt)
Aadu	G/G
Peedu	A/A
Ceedu	G/G
Teedu	G/A
Eedu	G/G
Maali	A/A
Liimi	A/G
Kleebi	G/G
Anna	A/A
Hanna	G/A

Vastused leiate siit: link

Toetamaks teie nüüd omandtud teoreetilisi teadmisi, on STACCi personaalmeditsiini projektijuht Sulev Reisberg teie jaoks lindistanud video, milles toob praktilisi näiteid, kuidas STACC kasutab tehisintellekti ja milliseid probleeme lahendab.

Materjalide kasutamise kohta konsulteerige palun Korduma kippuvad küsimused sektsioonis.