Peran AI dalam Pencitraan Medis untuk Deteksi Anomali Lebih Awal

Hype seputar AI masih meluas di bidang kesehatan, terutama di radiologi. Jika Anda ingat hari-hari awal desain yang dibantu komputer (CAD), itu sangat mengesankan seberapa jauh teknologi telah berkembang. Seorang penduduk asli ChatGPT mungkin akan berpendapat bahwa masih banyak pekerjaan yang harus dilakukan sebelum AI dapat mencapai potensinya secara penuh di bidang ini. Kedua pandangan tersebut benar. Artikel ini akan membahas mengapa deteksi anomali sangat sulit bagi AI, bagaimana peran AI berubah, dan tren apa yang perlu kita perhatikan pada tahun 2025 dan seterusnya.

Mencari jarum di tumpukan jerami: Deteksi sangat sulit.

Deteksi penyakit lebih awal sangat sulit karena penyakit sering dimulai dengan perubahan yang sangat halus dari penampilan normal dalam data pencitraan radiologi. Karena ada banyak variasi alami yang sepenuhnya normal antara individu, sangat sulit untuk menentukan perubahan kecil mana yang benar-benar tidak normal. Misalnya, nodul paru-paru dimulai dengan sangat kecil; penyakit paru-paru menyebar dengan perubahan jaringan yang mudah diabaikan.

Itulah di mana Machine Learning (ML) memainkan peran penting. ML dapat belajar mengenali perubahan yang tidak normal, tetapi terkait dengan penyakit dan memisahkannya dari variasi normal. Variasi normal ini dapat memiliki sumber yang berbeda: anatomi individu, perbedaan teknis dalam peralatan akuisisi gambar, atau bahkan perubahan temporal dalam penampilan jaringan yang sepenuhnya normal. Kami perlu melatih model ML dengan jumlah data yang besar sehingga mereka dapat membentuk representasi dari variasi ini dan mengidentifikasi perubahan yang menunjukkan penyakit.

Apakah AI dapat membantu kita mendeteksi anomali lebih awal?

AI dapat membantu dalam beberapa cara. Pertama, AI dapat mengenali pola tertentu yang terkait dengan penyakit, seperti kanker, penyakit paru-paru interstisial, atau penyakit kardiovaskular dalam data pencitraan. Dengan melatih AI pada data yang sangat beragam, AI dapat mendeteksi temuan yang penting untuk diagnosis pertama. Dan dengan menganalisis volume gambar secara keseluruhan, AI dapat mendukung radiolog dengan menyoroti area yang mencurigakan, sehingga meningkatkan sensitivitas dokter.

Kedua, AI dapat menggunakan fitur gambar di luar yang dapat dengan mudah diamati dan dilaporkan oleh manusia. Dalam deteksi kanker paru-paru, radiolog pertama-tama menilai ukuran, bentuk, dan kategori nodul untuk memutuskan tindakan selanjutnya dalam pengelolaan pasien. AI dapat menganalisis tekstur tiga dimensi dan karakteristik halus permukaan nodul untuk lebih dapat diandalkan menentukan apakah nodul tersebut memiliki risiko tinggi atau rendah keganasan. Ini memiliki konsekuensi langsung dalam pengelolaan pasien individu, seperti apakah pasien akan dikirim untuk biopsi atau panjang dan frekuensi interval tindak lanjut.

Dalam sebuah studi oleh Adams et al. (JACR), ditunjukkan bahwa menggabungkan manajemen pedoman berbasis kejadian nodul di CT dada dengan analisis berbasis ML dapat secara signifikan mengurangi hasil positif palsu. Ini diterjemahkan menjadi pengurangan jumlah biopsi yang tidak perlu (untuk kasus di mana AI mengatakan nodul tersebut jinak) dan waktu yang lebih cepat untuk perawatan (untuk kasus di mana AI mengatakan nodul tersebut ganas). Di sini penting untuk menekankan – AI tidak mendukung penghapusan pedoman. Sebaliknya, kita ditantang untuk melengkapi pedoman yang diperlukan dengan hasil AI. Dalam hal ini, jika skor ML bertentangan dengan pedoman dengan kepastian tinggi, maka ikuti skor ML; jika tidak, patuhi instruksi pedoman. Kita akan melihat lebih banyak aplikasi seperti ini di masa depan.

Ketiga, AI dapat membantu mengkuantifikasi perubahan seiring waktu pada pasien, yang lagi-lagi sangat penting untuk tindak lanjut yang tepat. Algoritma saat ini di bidang ML dan analisis gambar medis dapat menyelaraskan beberapa gambar dari pasien yang sama – kita menyebut ini “registrasi” – sehingga kita dapat melihat posisi yang sama pada titik waktu yang berbeda. Dalam kasus kanker paru-paru, menambahkan algoritma pelacakan memungkinkan kita untuk menyajikan seluruh sejarah setiap nodul di paru-paru kepada radiolog ketika mereka membuka kasus. Sebagai gantinya, mereka harus mencari scan sebelumnya dan menavigasi ke posisi yang tepat untuk beberapa contoh nodul, mereka melihat semuanya sekaligus. Ini seharusnya tidak hanya membebaskan waktu, tetapi juga membuat pengalaman kerja yang lebih menyenangkan bagi dokter.

Radiologi akan berkembang karena AI. Pertanyaannya adalah, bagaimana?

Ada beberapa arah di mana AI berkembang pesat. Yang paling jelas adalah kita mengumpulkan data yang lebih beragam dan representatif untuk membangun model yang robust yang bekerja dengan baik di pengaturan klinis. Ini termasuk tidak hanya data dari jenis pemindai yang berbeda, tetapi juga data terkait komorbiditas yang membuat deteksi kanker lebih sulit.

Selain data, ada kemajuan terus-menerus dalam mengembangkan metode ML baru untuk meningkatkan akurasi. Misalnya, salah satu area penelitian utama adalah bagaimana memisahkan variabilitas biologis dari perbedaan dalam akuisisi gambar; area lain adalah bagaimana mentransfer model ML ke domain baru. Multi-modality dan prediksi representasi dua arah yang sangat menarik yang juga memberi petunjuk tentang bagaimana radiologi mungkin berubah dalam beberapa tahun ke depan. Dalam kedokteran presisi, diagnostik terintegrasi adalah arah kritis yang menggunakan data dari radiologi, laboratorium, patologi, dan area diagnostik lain untuk keputusan perawatan. Jika data ini digunakan bersama, mereka menawarkan lebih banyak informasi untuk memandu keputusan daripada parameter tunggal. Ini sudah menjadi praktik standar, misalnya, dalam tumor board; ML akan memasuki diskusi ini ke depan. Ini memunculkan pertanyaan: apa yang harus dilakukan model ML dengan semua data terintegrasi dari sumber yang berbeda? Salah satu hal yang bisa kita lakukan adalah mencoba memprediksi penyakit di masa depan serta respons individu terhadap perawatan. Bersama-sama, mereka memiliki kekuatan besar yang dapat kita manfaatkan untuk membuat prediksi “apa yang terjadi jika” yang dapat memandu keputusan perawatan.

Tren untuk 2025: Membentuk Efisiensi, Kualitas, dan Pembayaran

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

Efisiensi

Dengan memungkinkan radiolog untuk fokus pada aspek kritis dan menantang dari pekerjaan mereka – mengintegrasikan data kompleks – AI dapat membantu meningkatkan efisiensi. AI dapat mendukung ini dengan menyediakan informasi kritis dan relevan pada titik perawatan – misalnya, nilai kuantitatif – atau dengan mengotomatisasi beberapa tugas seperti deteksi atau segmentasi anomali. Ini memiliki efek sampingan yang menarik: tidak hanya memungkinkan penilaian perubahan menjadi lebih cepat, tetapi juga membawa tugas seperti segmentasi piksel-demi-piksel dan volumetri pola penyakit dari penelitian ke praktik klinis. Mengsegmentasikan pola besar secara manual tidak mungkin dalam banyak keadaan, tetapi otomatisasi membuat informasi ini dapat diakses selama perawatan rutin.

Kualitas

AI mempengaruhi kualitas pekerjaan. Dengan ini, kami maksudkan: menjadi lebih baik dalam diagnosis, rekomendasi perawatan spesifik, deteksi penyakit lebih awal, atau penilaian respons perawatan yang lebih akurat. Ini adalah manfaat bagi setiap pasien individu. Saat ini, hubungan antara manfaat ini dengan efisiensi biaya pada tingkat sistem sedang dievaluasi untuk mempelajari dan membandingkan dampak ekonomi kesehatan dari pengenalan AI dalam radiologi.

Pembayaran

Adopsi AI tidak lagi hanya tentang efisiensi; AI diakui dan dihargai karena kontribusinya yang nyata pada perawatan pasien dan penghematan biaya. Inklusi AI dalam skema pembayaran menyoroti perubahan ini. Sementara manfaatnya – seperti mengurangi prosedur yang tidak perlu dan mempercepat perawatan – tampaknya sederhana, perjalanan menuju sini telah panjang. Sekarang, dengan kasus sukses pertama muncul, dampak transformatif AI menjadi jelas. Dengan meningkatkan hasil pasien dan mengoptimalkan proses perawatan kesehatan, AI membentuk industri, dengan perkembangan menarik di cakrawala.

Membentuk Masa Depan Pencitraan Medis

Pencitraan medis mengalami transformasi mendasar. Kedokteran presisi, diagnostik terintegrasi, dan teknologi diagnostik molekuler baru mengubah cara pengambilan keputusan perawatan dalam lanskap pilihan terapi yang semakin kompleks. AI adalah katalis perubahan ini, karena AI memungkinkan dokter untuk mengintegrasikan karakteristik yang lebih banyak yang ditangkap oleh modalitas yang berbeda dan menghubungkannya dengan respons perawatan.

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