AI’s rolle i medicinsk billedanalyse til tidligere afvigelser

Hypeen omkring AI er stadig meget stor i sundhedssektoren, men især i radiologi. Hvis du husker de tidlige dage med computerbaseret design (CAD), er det ret imponerende, hvor langt teknologien er kommet. En naturlig del af ChatGPT ville måske påstå, at der stadig er meget arbejde, der skal gøres, før AI kan nå sin fulde potentiale i dette felt. Begge synspunkter er korrekte. Denne artikel vil undersøge, hvorfor det er så svært for AI at opdage ting, hvordan dens rol ændrer sig, og hvilke tendenser vi skal holde øje med i 2025 og derefter.

At finde en nål i en høstak: Detektion er svært.

At opdage sygdomme tidligt er svært, fordi sygdomme ofte begynder med ret subtile afvigelser fra normalt udseende i radiologiske billeddata. Fordi der er en masse helt normal, naturlig variation mellem individer, er det meget svært at bestemme, hvilke mindre ændringer, der virkelig er unormale. For eksempel begynder lungknuder med at være meget små; diffuse lungesygdomme begynder med letoverseende vævsændringer.

Det er her, hvor Machine Learning (ML) spiller en vigtig rol. Det kan lære at genkende de specifikke ændringer, der ikke er normale, men snarere forbundet med sygdom, og adskille dem fra normal variation. Denne normale variation kan have forskellige kilder: individuel anatomi, tekniske forskelle i billedindfangingsequipment eller endda tidsmæssige ændringer i vævsudseende, der er helt normale. Vi skal træne ML-modeller med store mængder data, så de kan danne repræsentationer af denne variation og identificere de ændringer, der peger på sygdom.

Kan AI hjælpe os med at opdage afvigelser tidligere?

AI kan hjælpe på flere måder. Først kan det genkende specifikke mønstre, der er forbundet med sygdom, såsom kræft, interstitielle lungesygdomme eller hjertekarsygdom i billeddata. Ved at træne på så divers data som muligt kan AI robustt opdage fund, der er vigtige for den første diagnose. Og ved at parse hele billedvolumener kan det støtte radiologer ved at fremhæve mistænkelige områder, hvilket øger lægernes sensitivitet.

For det andet kan AI bruge billedfunktioner ud over det, som mennesker let kan observere og rapportere. Ved lungkræftopdaging vurderer radiologer først størrelsen, formen og kategorien af en knude for at beslutte, hvilken næste handling i patientstyring. AI kan analysere tre-dimensionel tekstur og fine-grænseegenskaber af en knudes overflade for at mere pålideligt bestemme, om den har en høj eller lav risiko for malignitet. Dette har direkte konsekvenser for patientstyring, såsom om personen skal sendes til biopsi eller længden og hyppigheden af opfølgning.

I en undersøgelse af Adams et al. (JACR) blev det vist, at paring af retningslinje-baseret styring af tilfældige knuder i bryst-CT-scans med ML-baseret analyse kunne betydeligt reducere falske positive fund. Dette oversætter sig til både et reduceret antal unødvendige biopsier (for tilfældene, hvor AI siger, at knuden er godartet) og hurtigere tid til behandling (for tilfældene, hvor AI siger, at knuden er ondartet). Her er det vigtigt at understrege – AI forsvarer ikke elimineringen af retningslinjer. I stedet udfordres vi til at supplere de nødvendige retningslinjer med AI-resultater. I dette tilfælde, hvis ML-scoren modsiger retningslinjen med høj sikkerhed, så følges ML-scoren; ellers følges retningslinjens instruktioner. Vi vil se flere af disse anvendelser i fremtiden.

Tredje, kan AI hjælpe med at kvantificere ændringer over tid hos patienter, hvilket igen er afgørende for ordentlig opfølgning. Nuvarerende algoritmer i området ML og medicinsk billedanalyse kan justere multiple billeder fra samme patient – vi kalder dette “registration” – så vi kan se på samme position på forskellige tidspunkter. I tilfælde af lungkræft giver tilføjelse af sporingalgoritmer os mulighed for at præsentere hele historien for hver knude i en lunge for radiologerne, når de åbner en sag. I stedet for at skulle se efter tidligere scanninger og navigere til den rigtige position for et par eksempler på knuder, ser de alt på én gang. Dette burde ikke kun frigøre tid, men også gøre arbejdsmiljøet mere behageligt for lægerne.

Radiologi vil udvikle sig på grund af AI. Spørgsmålet er, hvordan?

Der er flere retninger, hvor AI udvikler sig hurtigt. Den åbenlyse er, at vi samler mere divers og repræsentativ data for at bygge robuste modeller, der fungerer godt i kliniske sammenhænge. Dette inkluderer ikke kun data fra forskellige typer scannere, men også data relateret til samtidige sygdomme, der gør kræftopdagingen sværere.

Foruden data er der en kontinuerlig udvikling i udviklingen af nye ML-metoder til at forbedre nøjagtigheden. For eksempel er et stort forskningsområde at se på, hvordan man kan skille biologisk variation fra forskelle i billedindfanging; et andet område er at se på, hvordan man kan overføre ML-modeller til nye domæner. Multi-modalitet og prædiction repræsenterer to særligt spændende retninger, der også antyder, hvordan radiologi måske ændrer sig over de næste få år. I præcisionsmedicin er integreret diagnostik en kritisk retning, der sigter mod at bruge data fra radiologi, laboratorie medicin, patologi og andre diagnostiske områder til behandlingsbeslutninger. Hvis disse data bruges sammen, tilbyder de langt mere information til at guide beslutninger end nogen enkelt parameter alene. Dette er allerede standardpraksis, for eksempel, i tumorboard; ML vil blot indgå i diskussionen fremover. Dette stiller spørgsmålet: Hvad skal ML-modellerne gøre med alle disse integrerede data fra multiple kilder? En ting, vi kunne gøre, er at prøve at forudsige fremtidig sygdom såvel som en enkelt persons respons på behandling. Sammen holder de en masse magt, som vi kan udnytte til at skabe “hvad-hvis”-forudsigelser, der kan guide behandlingsbeslutninger.

Tendenser for 2025: Forming af effektivitet, kvalitet og refundering

Der er flere faktorer, der driver AI i klinisk praksis. To vigtige aspekter er effektivitet og kvalitet.

Effektivitet

Ved at låse radiologer til at koncentrere sig om det kritiske og udfordrende aspekt af deres arbejde – integration af komplekse data – kan AI hjælpe med at øge effektiviteten. AI kan støtte dette ved at give kritisk og relevant information på tidspunktet for behandling – f.eks. kvantitative værdier – eller ved at automatisere nogle opgaver, såsom opdaging eller segmentering af en afvigelse. Dette har en interessant sideeffekt: det ikke kun gør vurderingen af ændringer hurtigere, men det bringer også opgaver som pixel-for-pixel-segmentering og volumetri af sygdomsmønstre fra forskning til klinisk praksis. Manuelt at segmentere store mønstre er fuldstændig ufeasible i mange omstændigheder, men automation gør denne information tilgængelig under rutinebehandling.

Kvalitet

AI påvirker kvaliteten af arbejdet. Dette betyder: At blive bedre til diagnose, anbefaling af specifik behandling, tidligere opdaging af sygdom eller mere præcis vurdering af behandlingsrespons. Disse er fordelene for hver enkelt patient. For øjeblikket vurderes forholdet mellem disse fordelene og omkostningseffektiviteten på systemniveau for at studere og benchmarkere sundhedsøkonomisk impact af AI’s indførelse i radiologi.

Refundering

AI-adoption er ikke længere kun om effektivitet; det anerkendes og belønnes for sine konkrete bidrag til patientpleje og omkostningsbesparelser. Dets inklusion i refunderingsskemaer understreger denne ændring. Mens fordelene – såsom reducering af unødvendige procedurer og accelerering af behandling – synes straightforward i retrospekt, har reisen været lang. Nu, med de første succesfulde tilfælde, er AI’s transformative impact klar. Ved at forbedre patientresultater og optimere sundhedsprocesser former AI branchen, med spændende udviklinger på horisonten.

Forming af fremtidens medicinske billeder

Medicinske billeder undergår fundamentale forandringer. Præcisionsmedicin, integreret diagnostik og ny molekylær diagnostisk teknologi ændrer måden, hvorpå behandlingsbeslutninger træffes i et stadig mere komplekst landskab af terapi muligheder. AI er en katalysator for denne ændring, da det giver læger mulighed for at integrere flere egenskaber fanget af forskellige modaliteter og kobler dem til behandlingsresponser.

Det vil stadig tage tid at adoptere disse værktøjer i stor skala på grund af tekniske udfordringer, integrationsproblemer og sundhedsøkonomiske bekymringer. En ting, vi alle kan gøre for at accelerere processen, er at være en informeret patient. Vi kan alle tale med vores læger om, hvilke AI-værktøjer de måske har testet eller bruger i praksis, og hvordan disse værktøjer supplerer deres professionelle erfaring og viden. Markedet taler til efterspørgsel; så hvis vi efterspørger tidlig og præcis opdaging, vil AI følge.