Peran AI dalam Pencitraan Medis untuk Mendeteksi Kelainan Lebih Awal

Hype seputar AI masih marak di bidang kesehatan, tetapi khususnya di bidang radiologi. Jika Anda ingat masa-masa awal desain berbantuan komputer (CAD), sungguh mengesankan seberapa jauh teknologi ini telah berkembang. Seorang pengguna ChatGPT mungkin berpendapat bahwa masih banyak pekerjaan yang perlu dilakukan sebelum AI dapat mencapai potensi penuhnya di bidang ini. Kedua pandangan itu benar. Artikel ini akan membahas mengapa AI begitu sulit mendeteksi berbagai hal, bagaimana perannya berubah, dan tren apa yang perlu diperhatikan pada tahun 2025 dan seterusnya.

Mencari jarum dalam tumpukan jerami: Mendeteksi itu sulit.

Mendeteksi penyakit sejak dini sulit dilakukan karena penyakit sering kali dimulai dengan penyimpangan yang agak halus dari tampilan normal dalam data pencitraan radiologi. Karena terdapat banyak variabilitas alami yang sepenuhnya normal antara individu, sangat sulit untuk menentukan perubahan kecil mana yang benar-benar abnormal. Misalnya, nodul paru-paru dimulai dengan sangat kecil; penyakit paru-paru yang menyebar dimulai dengan perubahan jaringan yang mudah diabaikan.

Di situlah tempatnya Pembelajaran mesin (ML) memainkan peran penting. Ia dapat belajar mengenali perubahan spesifik yang tidak normal, tetapi lebih terkait dengan penyakit dan memisahkannya dari variabilitas normal. Variabilitas normal ini dapat memiliki sumber yang berbeda: anatomi individu, perbedaan teknis dalam peralatan akuisisi gambar, atau bahkan perubahan temporal dalam tampilan jaringan yang sepenuhnya normal. Kita perlu melatih model ML dengan sejumlah besar data sehingga mereka dapat membentuk representasi variabilitas ini dan mengidentifikasi perubahan yang mengarah pada penyakit.

Bisakah AI membantu kita mendeteksi anomali lebih cepat?

AI dapat membantu dalam beberapa cara. Pertama, AI dapat mengenali pola-pola tertentu yang terkait dengan penyakit, seperti kanker, penyakit paru interstisial, atau penyakit kardiovaskular dalam data pencitraan. Dengan pelatihan pada data yang beragam sebanyak mungkin, AI mampu mendeteksi temuan-temuan yang penting untuk diagnosis pertama secara kuat. Dan dengan mengurai seluruh volume gambar, AI dapat mendukung ahli radiologi dengan menyorot area-area yang mencurigakan, sehingga meningkatkan sensitivitas dokter.

Kedua, AI dapat menggunakan fitur gambar di luar fitur yang dapat diamati dan dilaporkan dengan mudah oleh manusia. Dalam deteksi kanker paru-paru, ahli radiologi pertama-tama menilai ukuran, bentuk, dan kategori nodul untuk memutuskan tindakan selanjutnya dalam penanganan pasien. AI dapat menganalisis tekstur tiga dimensi dan karakteristik permukaan nodul yang sangat halus untuk menentukan dengan lebih akurat apakah nodul tersebut berisiko tinggi atau rendah terhadap keganasan. Hal ini berdampak langsung pada penanganan pasien secara individu, seperti apakah orang tersebut akan menjalani biopsi atau tidak, atau lamanya dan frekuensi interval tindak lanjut.

Dalam sebuah studi oleh Adams dkk. (JACR), ditunjukkan bahwa pedoman pengelolaan nodul insidental pada CT dada dengan Analisis berbasis ML dapat mengurangi positif palsu secara signifikan. Hal ini berarti berkurangnya jumlah biopsi yang tidak perlu (untuk kasus-kasus yang AI katakan nodulnya jinak) dan waktu perawatan yang lebih cepat (untuk kasus-kasus yang AI katakan nodulnya ganas). Di sini penting untuk ditekankan – AI tidak menganjurkan penghapusan pedoman. Sebaliknya, kita ditantang untuk melengkapi pedoman yang diperlukan dengan hasil AI. Dalam kasus ini, jika skor ML bertentangan dengan pedoman dengan kepastian yang tinggi, maka gunakan skor ML; jika tidak, tetaplah dengan petunjuk pedoman. Kita akan melihat lebih banyak aplikasi seperti ini di masa mendatang.

Ketiga, AI dapat membantu mengukur perubahan dari waktu ke waktu pada pasien, yang sekali lagi, penting untuk tindak lanjut yang tepat. Algoritme terkini di bidang ML dan analisis citra medis dapat menyelaraskan beberapa citra dari pasien yang sama – kami menyebutnya “registrasi” – sehingga kami dapat melihat posisi yang sama pada titik waktu yang berbeda. Dalam kasus kanker paru-paru, penambahan algoritme pelacakan memungkinkan kami untuk menyajikan seluruh riwayat setiap nodul di paru-paru kepada ahli radiologi saat mereka membuka kasus. Alih-alih harus mencari hasil pemindaian sebelumnya dan menavigasi ke posisi yang tepat untuk beberapa contoh nodul, mereka melihat semuanya sekaligus. Hal ini tidak hanya akan menghemat waktu, tetapi juga membuat pengalaman kerja yang lebih menyenangkan bagi para dokter.

Radiologi akan berkembang berkat AI. Pertanyaannya, bagaimana caranya?

Ada beberapa arah di mana AI berkembang pesat. Yang jelas adalah kita mengumpulkan data yang lebih beragam dan representatif untuk membangun model yang kuat yang berfungsi dengan baik dalam pengaturan klinis. Ini tidak hanya mencakup data dari berbagai jenis pemindai, tetapi juga data yang terkait dengan penyakit penyerta yang membuat deteksi kanker menjadi lebih sulit.

Selain data, ada kemajuan berkelanjutan dalam mengembangkan metode ML baru untuk meningkatkan akurasi. Misalnya, satu bidang penelitian utama adalah melihat cara memisahkan variabilitas biologis dari perbedaan dalam akuisisi gambar; bidang lain adalah melihat cara mentransfer model ML ke domain baru. Multi-modalitas dan predikasi mewakili dua arah yang sangat menarik yang juga mengisyaratkan bagaimana radiologi dapat berubah selama beberapa tahun ke depan. Dalam pengobatan presisi, diagnostik terpadu merupakan arah penting yang bertujuan menggunakan data dari radiologi, kedokteran laboratorium, patologi, dan bidang diagnostik lainnya untuk keputusan perawatan. Jika data ini digunakan bersama-sama, mereka menawarkan lebih banyak informasi untuk memandu keputusan daripada satu parameter tertentu saja. Ini sudah menjadi praktik standar, misalnya, di papan tumor; ML hanya akan masuk ke dalam diskusi untuk bergerak maju. Ini menimbulkan pertanyaan: apa yang harus dilakukan model ML dengan semua data terintegrasi ini dari berbagai sumber? Satu hal yang dapat kita lakukan adalah mencoba memprediksi penyakit di masa mendatang serta respons individu terhadap perawatan. Bersama-sama mereka memiliki banyak kekuatan yang dapat kita manfaatkan untuk membuat prediksi "bagaimana-jika" yang dapat memandu keputusan perawatan.

Tren untuk tahun 2025: Membentuk Efisiensi, Kualitas, dan Penggantian Biaya

Ada beberapa faktor yang mendorong AI dalam praktik klinis. Dua aspek penting adalah efisiensi dan kualitas.

Efisiensi

Dengan memungkinkan ahli radiologi untuk berkonsentrasi pada aspek penting dan menantang dari pekerjaan mereka – mengintegrasikan data yang kompleks – AI dapat membantu meningkatkan efisiensi. AI dapat mendukung hal ini dengan menyediakan informasi penting dan relevan di titik perawatan – misalnya nilai kuantitatif – atau dengan mengotomatiskan beberapa tugas seperti deteksi atau segmentasi anomali. Hal ini memiliki efek samping yang menarik: tidak hanya memungkinkan penilaian perubahan menjadi lebih cepat, tetapi juga membawa tugas-tugas seperti segmentasi piksel demi piksel dan volumemetri pola penyakit dari penelitian ke praktik klinis. Segmentasi pola besar secara manual sama sekali tidak layak dalam banyak keadaan, tetapi otomatisasi membuat informasi ini dapat diakses selama perawatan rutin.

Kualitas

AI memengaruhi kualitas kerja. Yang kami maksud adalah: menjadi lebih baik dalam diagnosis, rekomendasi perawatan khusus, deteksi penyakit lebih dini, atau penilaian respons perawatan yang lebih akurat. Ini adalah manfaat bagi setiap pasien. Saat ini, hubungan manfaat ini dengan efektivitas biaya pada tingkat sistem sedang dievaluasi untuk mempelajari dan mengukur dampak ekonomi kesehatan dari pengenalan AI dalam radiologi.

Pengembalian

Penerapan AI tidak lagi hanya tentang efisiensi; AI diakui dan diberi penghargaan atas kontribusinya yang nyata terhadap perawatan pasien dan penghematan biaya. Dimasukkannya AI dalam skema penggantian biaya menyoroti perubahan ini. Meskipun manfaatnya—seperti mengurangi prosedur yang tidak perlu dan mempercepat perawatan—tampak mudah jika dipikir-pikir, perjalanannya masih panjang. Sekarang, dengan munculnya kasus-kasus pertama yang berhasil, dampak transformatif AI menjadi jelas. Dengan meningkatkan hasil pasien dan mengoptimalkan proses perawatan kesehatan, AI membentuk kembali industri, dengan perkembangan yang menarik di masa mendatang.

Membentuk masa depan pencitraan medis

Pencitraan medis tengah mengalami transformasi mendasar. Pengobatan presisi, diagnostik terpadu, dan teknologi diagnostik molekuler baru mengubah cara pengambilan keputusan pengobatan dalam lanskap pilihan terapi yang semakin kompleks. AI merupakan katalisator perubahan ini, karena memungkinkan dokter untuk mengintegrasikan lebih banyak karakteristik yang ditangkap oleh berbagai modalitas dan menghubungkannya dengan respons pengobatan.

Masih butuh waktu untuk mengadopsi alat-alat ini dalam skala besar karena tantangan teknis, masalah integrasi, dan masalah ekonomi kesehatan. Satu hal yang dapat kita semua lakukan untuk mempercepat proses ini adalah menjadi pasien yang terinformasi. Kita semua dapat berbicara dengan dokter kita tentang AI apa yang mungkin telah mereka uji atau gunakan dalam praktik dan bagaimana alat-alat tersebut melengkapi pengalaman dan pengetahuan profesional mereka. Pasar berbicara tentang permintaan; jadi jika kita menuntut deteksi dini dan akurat, AI akan datang.