Роль ИИ в медицинской визуализации для более раннего обнаружения аномалий

Шумиха вокруг ИИ сохраняется в здравоохранении, но особенно сильна в радиологии. Если вы помните ранние дни компьютерного проектирования (CAD), то впечатляет, насколько далеко продвинулась технология. Родной ChatGPT, возможно, будет утверждать, что еще много работы предстоит сделать, прежде чем ИИ сможет достичь своего полного потенциала в этой области. Обе точки зрения верны. Эта статья исследует, почему так трудно ИИ обнаружить вещи, как меняется его роль и какие тенденции следует наблюдать в 2025 году и далее.

Поиск иголки в стоге сена: Обнаружение – трудная задача.

Обнаружение заболеваний на ранней стадии трудно, потому что заболевания часто начинаются с довольно тонких отклонений от нормального вида в радиологических изображениях. Поскольку существует много совершенно нормальной, естественной изменчивости между людьми, очень трудно определить, какие незначительные изменения действительно аномальны. Например, легочные узлы начинаются очень малыми; диффузные легочные заболевания начинаются с легко упускаемых из виду тканевых изменений.

Именно здесь Machine Learning (ML) играет важную роль. Он может научиться распознавать конкретные изменения, которые не являются нормальными, а связаны с заболеванием, 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 совершенно нормальны. Нам нужно обучать модели ML большими объемами данных, чтобы они могли сформировать представления об этой изменчивости и выявить изменения, указывающие на заболевание.

Может ли ИИ помочь нам обнаружить аномалии раньше?

ИИ может помочь несколькими способами. Во-первых, он может распознавать конкретные закономерности, связанные с заболеванием, такие как рак, интерстициальные легочные заболевания или сердечно-сосудистые заболевания в изображениях. Обучаясь на данных, которые являются как можно более разнообразными, ИИ может надежно обнаруживать находки, важные для первого диагноза. И, анализируя весь объем изображений, он может поддерживать радиологов, выделяя подозрительные области, тем самым увеличивая чувствительность врачей.

Во-вторых, ИИ может использовать функции изображений, которые люди с трудом могут наблюдать и сообщать. При обнаружении рака легких радиологи сначала оценивают размер, форму и категорию узла, чтобы решить, какие дальнейшие действия предпринять в управлении пациентом. ИИ может анализировать трехмерную текстуру и тонкие характеристики поверхности узла, чтобы более надежно определить, несет ли он высокий или низкий риск злокачественности. Это имеет прямые последствия для управления отдельными пациентами, такие как то, будет ли человек направлен на биопсию или продолжительность и частота интервалов наблюдения.

В исследовании Adams et al. (JACR) было показано, что сочетание рекомендаций по управлению случайными узлами в компьютерных томограммах груди с анализом на основе ML может значительно снизить количество ложных положительных результатов. Это переводится в снижение количества ненужных биопсий (в случаях, когда ИИ говорит, что узел доброкачественный) и более быстрое время до лечения (в случаях, когда ИИ говорит, что узел злокачественный). Здесь важно подчеркнуть – ИИ не выступает за исключение рекомендаций. Скорее, мы сталкиваемся с вызовом дополнить необходимые рекомендации результатами ИИ. В этом случае, если оценка ML противоречит рекомендации с высокой уверенностью, то следует довериться оценке ML; в противном случае придерживаться инструкций рекомендаций. Мы увидим больше таких применений в будущем.

В-третьих, ИИ может помочь количественно оценить изменения со временем у пациентов, что снова является крайне важным для правильного наблюдения. Текущие алгоритмы в области ML и анализа медицинских изображений могут выравнивать несколько изображений одного и того же пациента – мы называем это “регистрацией” – так, чтобы мы могли смотреть на одну и ту же позицию в разные моменты времени. В случае рака легких добавление алгоритмов отслеживания позволяет нам представить всю историю каждого узла в легких радиологам, когда они открывают дело. Вместо того, чтобы искать предыдущие сканы и навигировать к правильной позиции для нескольких примеров узлов, они видят все сразу. Это должно не только сэкономить время, но и сделать работу врачей более приятной.

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

Существует несколько направлений, где ИИ быстро прогрессирует. Очевидным является то, что мы собираем более разнообразные и представительные данные для построения прочных моделей, которые работают хорошо в клинических условиях. Это включает не только данные из разных типов сканеров, но и данные, связанные с коморбидностями, которые делают обнаружение рака более трудным.

Помимо данных, существует постоянный прогресс в разработке новых методов ML для улучшения точности. Например, одна из основных областей исследований изучает, как разделить биологическую изменчивость от различий в получении изображений;另一 область исследований изучает, как передать модели ML в новые области. Мультимодальность и предсказание представляют два особенно интересных направления, которые также намекают на то, как радиология может измениться в течение следующих нескольких лет. В персонализированной медицине интегрированная диагностика является критическим направлением, целью которого является 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. Это уже является стандартной практикой, например, в онкологических советах; ML просто войдет в обсуждение в будущем. Это вызывает вопрос: что должны делать модели ML со всеми этими интегрированными данными из нескольких источников? Одним из того, что мы можем сделать, является попытка предсказать будущее заболевание, а также реакцию человека на лечение. Вместе они обладают большой силой, которую мы можем использовать для создания “что, если” предсказаний, которые могут направлять решения о лечении.

Тенденции 2025 года: Формирование эффективности, качества и возмещения

Существует несколько факторов, стимулирующих ИИ в клинической практике. Два важных аспекта – это эффективность и качество.

Эффективность

Позволяя радиологам сосредоточиться на критическом и сложном аспекте своей работы – интеграции сложных данных – ИИ может помочь увеличить эффективность. ИИ может поддержать это, предоставляя важную и актуальную информацию в момент ухода – например, количественные значения – или автоматизируя несколько задач, таких как обнаружение или сегментация аномалии. Это имеет интересный побочный эффект: оно не только позволяет оценить изменения быстрее, но и переносит задачи, такие как пиксельная сегментация и вольметрия моделей заболеваний, из исследований в клиническую практику. Ручная сегментация крупных моделей совершенно невозможна во многих обстоятельствах, но автоматизация делает эту информацию доступной во время регулярного ухода.

Качество

ИИ влияет на качество работы. Под этим мы подразумеваем: улучшение диагностики, рекомендацию конкретного лечения, более раннее обнаружение заболеваний или более точную оценку реакции на лечение. Это выгоды для каждого отдельного пациента. На данный момент связь этих выгод с экономической эффективностью на системном уровне оценивается для изучения и установления воздействия внедрения ИИ в радиологии на здравоохранение.

Возмещение

Принятие ИИ больше не только вопрос эффективности; оно признается и вознаграждается за его осязаемые вклады в уход за пациентами и экономию средств. Его включение в схемы возмещения подчеркивает этот сдвиг. Хотя выгоды, такие как снижение количества ненужных процедур и ускорение лечения, кажутся очевидными в ретроспективе, путь был долгим. Теперь, когда появляются первые успешные случаи, трансформирующее воздействие ИИ становится ясным. Улучшая результаты для пациентов и оптимизируя процессы здравоохранения, ИИ меняет отрасль, и на горизонте появляются интересные разработки.

Формирование будущего медицинской визуализации

Медицинская визуализация проходит через фундаментальные трансформации. Персонализированная медицина, интегрированная диагностика и новые молекулярные диагностические технологии меняют способ принятия решений о лечении в все более сложном ландшафте вариантов терапии. ИИ является катализатором этого изменения, поскольку он позволяет врачам интегрировать больше характеристик, захваченных разными модальностями, и связать их с реакциями на лечение.

Еще потребуется время, чтобы принять эти инструменты в масштабе, из-за технических проблем, проблем интеграции и экономических проблем здравоохранения. Одним из того, что мы все можем сделать, чтобы ускорить процесс, является быть информированным пациентом. Мы все можем поговорить с нашими врачами о том, какие инструменты ИИ они могли протестировать или использовать в практике, и как эти инструменты дополняют их профессиональный опыт и знания. Рынок реагирует на спрос; поэтому, если мы требуем раннего и точного обнаружения, ИИ появится.