Rola AI w obrazowaniu medycznym dla wcześniejszego wykrywania anomalii

Hype wokół AI utrzymuje się w sektorze opieki zdrowotnej, a szczególnie w radiologii. Jeśli pamiętasz wczesne dni komputerowego wspomagania projektowania (CAD), to naprawdę imponujące, jak daleko zaawansowała ta technologia. Rodowity użytkownik ChatGPT mógłby twierdzić, że przed AI w tym zakresie jest jeszcze wiele pracy do wykonania, zanim osiągnie swój pełny potencjał. Obie opinie są słuszne. Artykuł ten będzie badał, dlaczego AI ma trudności z wykrywaniem rzeczy, jak jego rola ulega zmianie oraz jakie trendy będziemy obserwować w 2025 roku i później.

Wyszukiwanie igły w stogu siana: Wykrywanie jest trudne.

Wczesne wykrywanie chorób jest trudne, ponieważ choroby często zaczynają się od dość subtelnych odchyleń od normalnego wyglądu w danych obrazowych. Ponieważ istnieje wiele całkowicie normalnej, naturalnej zmienności między osobami, bardzo trudno określić, które niewielkie zmiany są naprawdę nieprawidłowe. Na przykład, guzki płucne zaczynają się jako bardzo małe; rozproszone choroby płuc zaczynają się od łatwo pomijalnych zmian tkanek.
To tam Machine Learning (ML) odgrywa ważną rolę. Może nauczyć się rozpoznawać konkretne zmiany, które nie są normalne, ale są związane z chorobą i oddzielić je od normalnej zmienności. Ta normalna zmienność może mieć różne źródła: anatomia osobnicza, techniczne różnice w sprzęcie do pozyskiwania obrazów lub nawet zmiany temporalne w wyglądzie tkanek, które są całkowicie normalne. Musimy trenować modele ML z dużymi ilościami danych, aby mogły utworzyć reprezentacje tej zmienności i zidentyfikować te zmiany, które wskazują na chorobę.

Czy AI może pomóc nam wykryć anomalie wcześniej?

AI może pomóc na kilka sposobów. Po pierwsze, może rozpoznać konkretnych wzorców związanych z chorobą, takich jak rak, choroby płuc lub choroby serca w danych obrazowych. Dzięki trenowaniu na jak najbardziej zróżnicowanych danych, AI jest w stanie solidnie wykryć wyniki, które są ważne dla pierwszej diagnozy. A poprzez parsowanie całych woluminów obrazów, może wspierać radiologów, podkreślając podejrzane obszary, co zwiększa wrażliwość lekarzy.

Po drugie, AI może wykorzystywać cechy obrazu poza tymi, które ludzie mogą łatwo obserwować i zgłaszać. W przypadku wykrywania raka płuc, radiolodzy najpierw oceniają rozmiar, kształt i kategorię guzka, aby podjąć decyzję o dalszym postępowaniu z pacjentem. AI może analizować trójwymiarową teksturę i drobne cechy powierzchni guzka, aby bardziej niezawodnie określić, czy niesie ono wysokie czy niskie ryzyko złośliwości. To ma bezpośrednie konsekwencje w zarządzaniu poszczególnymi pacjentami, takimi jak czy osoba ta zostanie skierowana na biopsję, czy długość i częstotliwość kontroli.

W badaniu przeprowadzonym przez Adams et al. (JACR) wykazano, że łączenie zarządzania guzkami przypadkowymi w tomografii komputerowej z analizą opartą na ML może znacznie zmniejszyć fałszywe wyniki pozytywne. To tłumaczy się zarówno zmniejszeniem liczby niepotrzebnych biopsji (w przypadkach, gdy AI stwierdza, że guzek jest łagodny), jak i szybszym czasem leczenia (w przypadkach, gdy AI stwierdza, że guzek jest złośliwy). Tutaj ważne jest podkreślenie, że AI nie opowiada się za eliminacją wytycznych. Zamiast tego, jesteśmy wyzwani do uzupełnienia koniecznych wytycznych wynikami AI. W tym przypadku, jeśli wynik ML sprzeczny z wytyczną z wysokim prawdopodobieństwem, to idźmy za wynikiem ML; w przeciwnym razie trzymajmy się wytycznych. Zobaczymy więcej aplikacji takich w przyszłości.

Trzeci, AI może pomóc w ilościowaniu zmian w czasie u pacjentów, co jest ponownie kluczowe dla właściwego monitorowania. Bieżące algorytmy w dziedzinie ML i analizy obrazów medycznych mogą wykorzystywać rejestrację wielu obrazów od tego samego pacjenta – nazywamy to “rejestracją” – abyśmy mogli spojrzeć na to samo miejsce w różnych punktach czasowych. W przypadku raka płuc, dodanie algorytmów śledzących pozwala nam przedstawić całą historię każdego guzka w płucu radiologom, gdy otwierają sprawę. Zamiast musieć szukać poprzednich skanów i nawigować do odpowiedniej pozycji dla kilku przykładowych guzków, widzą wszystko na raz. To nie tylko powinno uwolnić czas, ale również sprawić, że praca lekarzy będzie przyjemniejsza.

Radiologia będzie ewoluować dzięki AI. Pytanie brzmi, jak?

Istnieją kilka kierunków, w których AI postępuje szybko. Oczywisty jest fakt, że zbieramy coraz bardziej zróżnicowane i reprezentatywne dane, aby zbudować solidne modele, które działają dobrze w środowiskach klinicznych. Obejmuje to nie tylko dane z różnych typów skanerów, ale również dane związane z chorobami współistniejącymi, które utrudniają wykrywanie raka.
Ponadto, istnieje ciągły postęp w rozwoju nowych metod ML, aby poprawić dokładność. Na przykład, jednym z głównych obszarów badań jest sposób, w jaki oddzielić zmienność biologiczną od różnic w pozyskiwaniu obrazów; innym obszarem jest sposób, w jaki przenieść modele ML do nowych dziedzin. Wielomodalność i predykcja reprezentują dwa szczególnie ekscytujące kierunki, które również wskazują, jak radiologia może się zmienić w ciągu najbliższych kilku lat. W medycynie precyzyjnej, zintegrowana diagnostyka jest kluczowym kierunkiem, który ma na celu wykorzystanie danych z radiologii, medycyny laboratoryjnej, patologii i innych obszarów diagnostycznych do podejmowania decyzji terapeutycznych. Jeśli te dane są wykorzystywane razem, oferują znacznie więcej informacji do podejmowania decyzji niż każdy parametr osobno. To już jest standardowa praktyka, na przykład, w komitetach ds. guzów; ML po prostu wejdzie do dyskusji w przyszłości. To rodzi pytanie: co powinny robić modele ML z tymi zintegrowanymi danymi z wielu źródeł? Jedną rzeczą, którą możemy zrobić, jest próba przewidzenia przyszłych chorób, a także reakcji pacjenta na leczenie. Razem posiadają dużą moc, którą możemy wykorzystać, aby stworzyć “co-by” przewidywania, które mogą pomóc w podejmowaniu decyzji terapeutycznych.

Trendy na 2025: Kształtowanie wydajności, jakości i refundacji

Istnieją kilka czynników, które napędzają AI w praktyce klinicznej. Dwa ważne aspekty to wydajność i jakość.

Wydajność

Pozwalając radiologom skoncentrować się na kluczowych i wymagających aspektach ich pracy – integrując złożone dane – AI może pomóc zwiększyć wydajność. AI może wspierać to, dostarczając krytyczne i istotne informacje w punkcie opieki – np. wartości ilościowe – lub automatyzując niektóre zadania, takie jak wykrywanie lub segmentacja anomalii. To ma interesujący efekt uboczny: nie tylko umożliwia ocenę zmian, aby była szybsza, ale również przywozi zadania, takie jak piksel-na-piksel segmentacja i wolumentria wzorców chorobowych z badań do praktyki klinicznej. Ręczna segmentacja dużych wzorców jest całkowicie niewykonalna w wielu okolicznościach, ale automatyzacja czyni te informacje dostępnymi podczas rutynowej opieki.

Jakość

AI wpływa na jakość pracy. Mamy na myśli: stawanie się lepszym w diagnozie, rekomendacji konkretnego leczenia, wcześniejszym wykrywaniu chorób lub dokładniejszej ocenie reakcji na leczenie. To są korzyści dla każdego pacjenta. W tym momencie relacja tych korzyści z efektywnością kosztów na poziomie systemowym jest oceniana, aby zbadać i ocenić wpływ ekonomiczny wprowadzenia AI w radiologii.

Refundacja

Adopcja AI nie jest już tylko kwestią wydajności; jest uznawana i nagradzana za jej wymierne wkład w opiekę nad pacjentem i oszczędności kosztów. Włączenie do systemów refundacji podkreśla tę zmianę. Chociaż korzyści – takie jak redukcja niepotrzebnych procedur i przyspieszenie leczenia – wydają się proste windsight, podróż była długa. Teraz, z pierwszymi udanymi przypadkami, transformacyjny wpływ AI jest jasny. Poprzez poprawę wyników pacjentów i optymalizację procesów opieki zdrowotnej, AI zmienia branżę, z ekscytującymi rozwojami na horyzoncie.

Kształtowanie przyszłości obrazowania medycznego

Obrazowanie medyczne przechodzi podstawowe transformacje. Medycyna precyzyjna, zintegrowana diagnostyka i nowa technologia diagnostyki molekularnej zmieniają sposób podejmowania decyzji terapeutycznych w coraz bardziej złożonym krajobrazie opcji terapeutycznych. AI jest katalizatorem tej zmiany, ponieważ umożliwia lekarzom integrowanie więcej cech ujętych przez różne modality i łączenie ich z reakcjami na leczenie.

Nadal zajmie to czas, aby przyjąć te narzędzia na dużą skalę z powodu wyzwań technicznych, problemów integracyjnych i obaw ekonomicznych. Jedną rzeczą, którą możemy wszystkim zrobić, aby przyspieszyć ten proces, jest być świadomym pacjentem. Możemy wszystkim porozmawiać z naszymi lekarzami o tym, jakie AI mogli przetestować lub używać w praktyce i jak te narzędzia uzupełniają ich doświadczenie i wiedzę. Rynek mówi o popycie; jeśli będziemy domagać się wczesnego, dokładnego wykrywania, AI przyjdzie.