Роль ИИ в медицинской визуализации для раннего обнаружения аномалий

Шумиха вокруг ИИ по-прежнему распространена в здравоохранении, но особенно сильна в радиологии. Если вспомнить ранние дни автоматизированного проектирования (САПР), то весьма впечатляет, насколько далеко продвинулась эта технология. Выходец из ChatGPT, возможно, утверждал бы, что нужно проделать большую работу, прежде чем ИИ сможет раскрыть весь свой потенциал в этой области. Оба мнения верны. В этой статье мы рассмотрим, почему ИИ так сложно обнаруживать вещи, как меняется его роль и за какими тенденциями стоит следить в 2025 году и далее.

Найти иголку в стоге сена: Обнаружить ее непросто.

Раннее выявление заболеваний затруднено, поскольку заболевания часто начинаются с довольно незначительных отклонений от нормального вида в данных рентгенологических изображений. Поскольку существует множество совершенно нормальных, естественных различий между людьми, очень сложно определить, какие незначительные изменения действительно являются ненормальными. Например, узелки в легких начинаются с очень маленьких размеров; диффузные заболевания легких начинаются с легко упускаемых из виду изменений тканей.

Вот где Машинное обучение (ML) играет важную роль. Он может научиться распознавать конкретные изменения, которые не являются нормальными, а скорее связаны с болезнью, и отделять их от нормальной изменчивости. Эта нормальная изменчивость может иметь разные источники: индивидуальная анатомия, технические различия в оборудовании для получения изображений или даже временные изменения внешнего вида тканей, которые являются совершенно нормальными. Нам необходимо обучать модели ML с большими объемами данных, чтобы они могли формировать представления этой изменчивости и идентифицировать те изменения, которые указывают на болезнь.

Может ли ИИ помочь нам раньше обнаруживать аномалии?

ИИ может помочь несколькими способами. Во-первых, он может распознавать определенные закономерности, связанные с заболеваниями, такими как рак, интерстициальные заболевания легких или сердечно-сосудистые заболевания в данных визуализации. Обучаясь на максимально разнообразных данных, ИИ способен надежно обнаруживать результаты, которые важны для первой диагностики. А анализируя целые объемы изображений, он может оказывать поддержку рентгенологам, выделяя подозрительные области, тем самым повышая чувствительность врачей.

Во-вторых, ИИ может использовать характеристики изображения, выходящие за рамки тех, которые люди могут легко наблюдать и сообщать. При обнаружении рака легких рентгенологи сначала оценивают размер, форму и категорию узелка, чтобы принять решение о следующем действии в лечении пациента. ИИ может анализировать трехмерную текстуру и мелкозернистые характеристики поверхности узелка, чтобы более надежно определить, несет ли он высокий или низкий риск злокачественности. Это имеет прямые последствия при лечении отдельных пациентов, например, будет ли этот человек отправлен на биопсию или продолжительность и частота интервалов последующего наблюдения.

В исследовании Адамс и др. (JACR), было показано, что парное лечение случайных узелков на КТ грудной клетки на основе рекомендаций Анализ на основе ML может значительно сократить ложноположительные результаты. Это означает как сокращение количества ненужных биопсий (в случаях, когда ИИ говорит, что узел доброкачественный), так и сокращение времени лечения (в случаях, когда ИИ говорит, что узел злокачественный). Здесь важно подчеркнуть — ИИ не выступает за отмену руководств. Вместо этого нам предлагают дополнить необходимые руководства результатами ИИ. В этом случае, если оценка ML противоречит руководству с высокой степенью уверенности, то используйте оценку ML; в противном случае придерживайтесь инструкций руководства. В будущем мы увидим больше подобных приложений.

В-третьих, ИИ может помочь количественно оценить изменения у пациентов с течением времени, что, опять же, имеет решающее значение для надлежащего последующего наблюдения. Текущие алгоритмы в области МЛ и анализа медицинских изображений могут совмещать несколько изображений одного и того же пациента — мы называем это «регистрацией» — так что мы можем смотреть на одно и то же положение в разные моменты времени. В случае рака легких добавление алгоритмов отслеживания позволяет нам представлять полную историю каждого узелка в легком рентгенологам, когда они открывают дело. Вместо того, чтобы искать предыдущие сканирования и переходить к нужному положению для нескольких примеров узелков, они видят все сразу. Это должно не только освободить время, но и сделать работу врачей более приятной.

Радиология будет развиваться благодаря ИИ. Вопрос в том, как?

Есть несколько направлений, в которых ИИ быстро прогрессирует. Очевидное из них — мы собираем более разнообразные и репрезентативные данные для создания надежных моделей, которые хорошо работают в клинических условиях. Сюда входят не только данные с разных типов сканеров, но и данные, связанные с сопутствующими заболеваниями, которые затрудняют обнаружение рака.

Помимо данных, наблюдается постоянный прогресс в разработке новых методов МО для повышения точности. Например, одна из основных областей исследований изучает, как отделить биологическую изменчивость от различий в получении изображений; другая область изучает, как переносить модели МО в новые области. Мультимодальность и предикация представляют собой два особенно интересных направления, которые также намекают на то, как радиология может измениться в течение следующих нескольких лет. В точной медицине интегрированная диагностика является критически важным направлением, нацеленным на использование данных из радиологии, лабораторной медицины, патологии и других диагностических областей для принятия решений о лечении. Если эти данные используются вместе, они предлагают гораздо больше информации для принятия решений, чем любой отдельный параметр по отдельности. Это уже стандартная практика, например, в комиссиях по опухолям; МО просто войдет в обсуждение в будущем. Это наводит на вопрос: что должны делать модели МО со всеми этими интегрированными данными из нескольких источников? Одна из вещей, которую мы могли бы сделать, — это попытаться предсказать будущее заболевание, а также реакцию человека на лечение. Вместе они обладают большой силой, которую мы можем использовать для создания прогнозов «что если», которые могут направлять решения о лечении.

Тенденции 2025 года: формирование эффективности, качества и возмещения

Существует несколько факторов, определяющих применение ИИ в клинической практике. Два важных аспекта — эффективность и качество.

Эффективность

Позволяя рентгенологам сосредоточиться на решающем и сложном аспекте их работы — интеграции сложных данных — ИИ может помочь повысить эффективность. ИИ может поддержать это, предоставляя критически важную и релевантную информацию в месте оказания помощи — например, количественные значения — или автоматизируя несколько задач, таких как обнаружение или сегментация аномалии. Это имеет интересный побочный эффект: это не только позволяет быстрее оценивать изменения, но и переносит такие задачи, как попиксельная сегментация и объемный анализ паттернов заболеваний, из исследований в клиническую практику. Ручная сегментация больших паттернов совершенно невозможна во многих обстоятельствах, но автоматизация делает эту информацию доступной во время рутинного ухода.

Компенсация

ИИ влияет на качество работы. Под этим мы подразумеваем: улучшение диагностики, рекомендации по определенному лечению, более раннее выявление заболевания или более точную оценку ответа на лечение. Это преимущества для каждого отдельного пациента. В настоящее время оценивается связь этих преимуществ с экономической эффективностью на системном уровне для изучения и сравнения влияния внедрения ИИ в радиологии на экономику здравоохранения.

возмещение

Внедрение ИИ больше не связано исключительно с эффективностью; его признают и вознаграждают за его ощутимый вклад в уход за пациентами и экономию средств. Его включение в схемы возмещения расходов подчеркивает этот сдвиг. Хотя преимущества, такие как сокращение ненужных процедур и ускорение лечения, кажутся очевидными в ретроспективе, путь был долгим. Теперь, когда появились первые успешные случаи, преобразующее влияние ИИ очевидно. Улучшая результаты лечения пациентов и оптимизируя процессы здравоохранения, ИИ меняет отрасль, и на горизонте появляются захватывающие разработки.

Формирование будущего медицинской визуализации

Медицинская визуализация претерпевает фундаментальные изменения. Точная медицина, интегрированная диагностика и новые технологии молекулярной диагностики меняют способы принятия решений о лечении во все более сложном ландшафте вариантов терапии. ИИ является катализатором этих изменений, поскольку он позволяет врачам интегрировать больше характеристик, полученных различными модальностями, и связывать их с ответами на лечение.

Потребуется время, чтобы внедрить эти инструменты в масштабе из-за технических проблем, проблем интеграции и проблем экономики здравоохранения. Единственное, что мы все можем сделать, чтобы ускорить процесс, — это быть информированным пациентом. Мы все можем поговорить с нашими врачами о том, какой ИИ они могли бы протестировать или использовать на практике, и как эти инструменты дополняют их профессиональный опыт и знания. Рынок говорит о спросе; поэтому, если мы потребуем раннего, точного обнаружения, ИИ придет.