AIs rolle i medisinsk bildebehandling for tidligere oppdagelse av anomalier

Hypen rundt AI er fortsatt utbredt i helsevesenet, men er spesielt sterk innen radiologi. Hvis du husker de første dagene med datastøttet design (CAD), er det ganske imponerende hvor langt teknologien har kommet. En innfødt ChatGPT vil kanskje hevde at mye arbeid må gjøres før AI kan nå sitt fulle potensial på dette feltet. Begge synspunktene er riktige. Denne artikkelen vil undersøke hvorfor det er så vanskelig for AI å oppdage ting, hvordan dens rolle endrer seg, og hvilke trender du bør se i 2025 og utover.

Finne en nål i en høystakk: Det er vanskelig å oppdage.

Å oppdage sykdom tidlig er vanskelig fordi sykdommer ofte starter med ganske subtile avvik fra normalt utseende i radiologiske bildedata. Fordi det er mye helt normal, naturlig variasjon mellom individer, er det veldig vanskelig å bestemme hvilke mindre endringer som virkelig er unormale. For eksempel starter lungeknuter veldig små; diffuse lungesykdommer begynner med lett oversett vevsforandringer.

Det er der Maskinlæring (ML) spiller en viktig rolle. Den kan lære å gjenkjenne de spesifikke endringene som ikke er normale, men snarere assosiert med sykdom og skille dem fra normal variasjon. Denne normale variasjonen kan ha forskjellige kilder: individuell anatomi, tekniske forskjeller i bildeopptaksutstyret, eller til og med tidsmessige endringer i vevs utseende som er helt normalt. Vi må trene ML-modeller med store mengder data slik at de kan danne representasjoner av denne variabiliteten og identifisere de endringene som peker på sykdom.

Kan AI hjelpe oss med å oppdage anomalier tidligere?

AI kan hjelpe på flere måter. For det første kan den gjenkjenne spesifikke mønstre som er assosiert med sykdom, som kreft, interstitielle lungesykdommer eller hjerte- og karsykdommer i bildedata. Ved å trene på så forskjellige data som mulig, er AI i stand til robust å oppdage funn som er viktige for den første diagnosen. Og ved å analysere hele bildevolumer, kan den støtte radiologer ved å fremheve mistenkelige områder, og dermed øke legenes følsomhet.

For det andre kan AI bruke bildefunksjoner utover de som mennesker enkelt kan observere og rapportere. Ved påvisning av lungekreft vurderer radiologer først størrelsen, formen og kategorien til en knute for å bestemme neste handling i pasientbehandlingen. AI kan analysere tredimensjonal tekstur og finkornede egenskaper til en knutes overflate for å mer pålitelig avgjøre om den har høy eller lav risiko for malignitet. Dette har direkte konsekvenser i håndteringen av enkeltpasienter, for eksempel om vedkommende skal sendes til biopsi eller ikke, eller lengden og hyppigheten av oppfølgingsintervallene.

I en studie av Adams et al. (JACR), ble det vist at sammenkoblingsveiledningsbasert behandling av tilfeldige knuter i CT-er med ML-basert analyse kan redusere falske positiver betydelig. Dette betyr både et redusert antall unødvendige biopsier (for tilfeller der AI sier at knuten er godartet) og raskere tid til behandling (for tilfeller der AI sier at knuten er ondartet). Her er det viktig å understreke – AI tar ikke til orde for å fjerne retningslinjer. I stedet blir vi utfordret til å komplettere de nødvendige retningslinjene med AI-resultater. I dette tilfellet, hvis ML-poengsummen motsier retningslinjen med høy sikkerhet, så gå med ML-poengsummen; ellers hold deg til veiledende instruksjoner. Vi vil se flere slike søknader i fremtiden.

For det tredje kan AI bidra til å kvantifisere endring over tid hos pasienter, noe som igjen er avgjørende for riktig oppfølging. Gjeldende algoritmer innen ML og medisinsk bildeanalyse kan justere flere bilder fra samme pasient - vi kaller dette "registrering" - slik at vi kan se på samme posisjon på forskjellige tidspunkter. Når det gjelder lungekreft, lar det å legge til sporingsalgoritmer oss presentere hele historien til hver knute i en lunge for radiologene når de åpner en sak. I stedet for å måtte slå opp tidligere skanninger og navigere til riktig posisjon for noen få eksempler på knuter, ser de alt på en gang. Dette skal ikke bare frigjøre tid, men også gi en mer behagelig arbeidsopplevelse for legene.

Radiologi vil utvikle seg på grunn av AI. Spørsmålet er hvordan?

Det er flere retninger hvor AI utvikler seg raskt. Den åpenbare er at vi samler inn mer varierte og representative data for å bygge robuste modeller som fungerer godt i kliniske omgivelser. Dette inkluderer ikke bare data fra ulike typer skannere, men også data knyttet til komorbiditeter som gjør det vanskeligere å oppdage kreft.

Bortsett fra data, er det en kontinuerlig fremgang i utviklingen av nye ML-metoder for å forbedre nøyaktigheten. For eksempel er et stort forskningsområde å se på hvordan man kan skille biologisk variasjon fra forskjeller i bildeopptak; et annet område ser på hvordan man overfører ML-modeller til nye domener. Multimodalitet og predikasjon representerer to spesielt spennende retninger som også antyder hvordan radiologi kan endre seg i løpet av de neste årene. I presisjonsmedisin er integrert diagnostikk en kritisk retning som tar sikte på å bruke data fra radiologi, laboratoriemedisin, patologi og andre diagnostiske områder for behandlingsbeslutninger. Hvis disse dataene brukes sammen, gir de mye mer informasjon for å veilede beslutninger enn en bestemt parameter alene. Dette er allerede standard praksis, for eksempel i svulstbrett; ML vil ganske enkelt gå inn i diskusjonen fremover. Dette reiser spørsmålet: hva skal ML-modeller gjøre med alle disse integrerte dataene fra flere kilder? En ting vi kan gjøre er å prøve å forutsi fremtidig sykdom så vel som et individs respons på behandling. Sammen har de mye makt som vi kan utnytte for å lage "hva-hvis"-spådommer som kan lede behandlingsbeslutninger.

Trender for 2025: Utforming av effektivitet, kvalitet og refusjon

Det er flere faktorer som driver AI i klinisk praksis. To viktige aspekter er effektivitet og kvalitet.

Effektivitet:

Ved å la radiologer konsentrere seg om det avgjørende og utfordrende aspektet ved arbeidet sitt – integrering av komplekse data – kan AI bidra til å øke effektiviteten. AI kan støtte dette ved å gi kritisk og relevant informasjon på pleiepunktet – f.eks. kvantitative verdier – eller ved å automatisere noen få oppgaver som deteksjon eller segmentering av en anomali. Dette har en interessant bieffekt: det gjør det ikke bare mulig å vurdere endringer raskere, men det bringer også oppgaver som piksel-for-piksel segmentering og volumetri av sykdomsmønstre fra forskning til klinisk praksis. Manuell segmentering av store mønstre er helt umulig i mange tilfeller, men automatisering gjør denne informasjonen tilgjengelig under rutinemessig behandling.

Quality

Ai påvirker kvaliteten på arbeidet. Med det mener vi: å bli bedre på diagnose, anbefaling av spesifikk behandling, jo tidligere oppdagelse av sykdom, eller mer nøyaktig vurdering av behandlingsrespons. Dette er fordeler for hver enkelt pasient. For øyeblikket blir forholdet mellom disse fordelene og kostnadseffektiviteten på systemnivå evaluert for å studere og benchmarke den helseøkonomiske effekten av introduksjonen av AI i radiologi.

refusjon

AI-adopsjon handler ikke lenger bare om effektivitet; den blir anerkjent og belønnet for sine konkrete bidrag til pasientbehandling og kostnadsbesparelser. Inkluderingen i refusjonsordningene fremhever denne endringen. Mens fordelene – som å redusere unødvendige prosedyrer og fremskynde behandling – virker enkle i ettertid, har reisen vært lang. Nå, med de første vellykkede tilfellene som dukker opp, er den transformative effekten av AI tydelig. Ved å forbedre pasientresultatene og optimalisere helsevesenet, omformer AI industrien, med spennende utvikling i horisonten.

Former fremtiden for medisinsk bildebehandling

Medisinsk bildediagnostikk gjennomgår grunnleggende transformasjoner. Presisjonsmedisin, integrert diagnostikk og ny molekylær diagnostisk teknologi endrer metodene for å ta behandlingsbeslutninger i et stadig mer komplekst landskap av terapialternativer. AI er en katalysator for denne endringen, siden den gjør det mulig for leger å integrere flere egenskaper fanget av ulike modaliteter og koble dem til behandlingsresponser.

Det vil fortsatt ta tid å ta i bruk disse verktøyene i stor skala på grunn av tekniske utfordringer, integrasjonsproblemer og helseøkonomiske bekymringer. En ting vi alle kan gjøre for å fremskynde prosessen er å være en informert pasient. Vi kan alle snakke med legene våre om hvilken kunstig intelligens de kan ha testet eller bruker i praksis og hvordan disse verktøyene utfyller deres profesjonelle erfaring og kunnskap. Markedet taler til etterspørselen; så hvis vi krever tidlig, nøyaktig deteksjon, vil AI komme.