Роль ИИ в медицинской визуализации для более раннего обнаружения аномалий

Шум вокруг ИИ сохраняется в здравоохранении, но особенно сильный в радиологии. Если вы помните ранние дни компьютерного проектирования (CAD), то впечатляет, как 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.

Найти иголку в стоге сена: Обнаружение сложно.

Обнаружение заболеваний на ранней стадии сложно, 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.

Вот где Машинное обучение (ML) играет важную роль. Оно может научиться распознавать конкретные изменения, которые не являются нормальными, а связаны с заболеванием, и отделить их от нормальной изменчивости. Эта нормальная изменчивость может иметь разные источники: индивидуальная анатомия, технические различия в оборудовании для съемки 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, которые указывают 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, как можно более разнообразных, ИИ может надежно обнаруживать находки, которые важны для первого диагноза. И, анализируя целые объемы изображений, он может поддерживать радиологов, выделяя подозрительные области, тем самым увеличивая чувствительность врачей.

Во-вторых, ИИ может использовать изображения за пределами того, что люди могут легко наблюдать и сообщать. При обнаружении рака легких радиологи сначала оценивают размер, форму и категорию узла, чтобы решить, какие 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 в управлении отдельными пациентами, такие как то, будет ли этот 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 как в снижение количества ненужных биопсий (в случаях, когда ИИ говорит, что узел доброкачественный) и более быстрое время до начала лечения (в случаях, когда ИИ говорит, что узел злокачественный). Здесь важно подчеркнуть – ИИ не выступает за исключение рекомендаций. Вместо этого мы вынуждены дополнить необходимые рекомендации результатами ИИ. В этом случае, если оценка ML противоречит рекомендации с высокой уверенностью, то следует руководствоваться оценкой ML; в противном случае следует придерживаться инструкций рекомендаций. Мы увидим больше таких применений в будущем.

Третьим, ИИ может помочь количественно оценить изменения со временем у пациентов, что опять же крайне важно для правильного наблюдения. Текущие алгоритмы в области ML и медицинского анализа изображений могут выравнивать несколько изображений одного и того же пациента – мы называем это “регистрацией” – так, чтобы мы могли смотреть на одно и то же положение 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 правильному положению для нескольких примеров узлов, они видят все сразу. Это должно не только сэкономить время, но и сделать работу врачей более приятной.

Радиология будет эволюционировать из-за ИИ. Вопрос в том, как?

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

Помимо данных, есть 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 изучает, как передать модели ML в новые области. Мультимодальность и предсказание представляют собой 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 предоставляют намного больше информации для принятия решений, чем любой отдельный параметр. Это уже стандартная практика, например, в онкологических консультациях; 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 могли бы сделать, является попытка предсказать будущие заболевания, а также реакцию отдельного человека на лечение. Вместе они обладают большой силой, которую мы можем использовать для создания “что, если” прогнозов, которые могут руководить решениями о лечении.

Тенденции 2025 года: Формирование эффективности, качества и возмещения

Есть несколько факторов, которые стимулируют 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 оказания медицинской помощи – например, количественные значения – или автоматизируя несколько задач, таких как обнаружение или сегментация аномалий. 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 больших моделей совершенно неосуществима 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 отношение этих выгод к эффективности затрат на системном уровне оценивается для изучения и оценки воздействия ИИ на радиологию.

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 очевидно. Улучшая результаты для пациентов и оптимизируя процессы здравоохранения, ИИ меняет отрасль, и на горизонте появляются интересные разработки.

Формирование будущего медицинской визуализации

Медицинская визуализация проходит 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.

Все еще потребуется время, чтобы принять эти инструменты в большом масштабе из-за технических проблем, проблем интеграции и вопросов экономики 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, какой 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, точного обнаружения, ИИ придет.