Роль ШІ в медичній візуалізації для раннього виявлення аномалій

Ажіотаж навколо ШІ залишається поширеним у сфері охорони здоров’я, але особливо сильний у радіології. Якщо ви пам’ятаєте перші дні автоматизованого проектування (САПР), то досить вражає, наскільки далеко зайшла ця технологія. Уродженець ChatGPT, мабуть, стверджував би, що потрібно зробити багато роботи, перш ніж ШІ зможе повністю розкрити свій потенціал у цій галузі. Обидва погляди правильні. У цій статті ми розглянемо, чому штучному інтелекту так важко виявляти речі, як змінюється його роль і на які тенденції слід звернути увагу у 2025 році та далі.

Знайти голку в стозі сіна: виявити це важко.

Виявлення захворювання на ранніх стадіях важко, оскільки захворювання часто починаються з досить незначних відхилень від нормального вигляду в даних радіологічного зображення. Оскільки існує багато абсолютно нормальних природних відмінностей між індивідами, дуже важко визначити, які незначні зміни є справді ненормальними. Наприклад, легеневі вузлики починаються з дуже маленького розміру; дифузні захворювання легень починаються зі змін тканин, які легко не помітити.

Ось де машинне навчання (ML) відіграє важливу роль. Він може навчитися розпізнавати конкретні зміни, які не є нормальними, а скоріше пов’язані з хворобою, і відокремлювати їх від нормальної мінливості. Ця нормальна мінливість може мати різні джерела: індивідуальна анатомія, технічні відмінності в обладнанні для отримання зображень або навіть тимчасові зміни зовнішнього вигляду тканин, які є абсолютно нормальними. Нам потрібно навчити моделі машинного навчання великими обсягами даних, щоб вони могли формувати представлення цієї мінливості та ідентифікувати ті зміни, які вказують на захворювання.

Чи може ШІ допомогти нам швидше виявити аномалії?

ШІ може допомогти кількома способами. По-перше, він може розпізнавати конкретні моделі, пов’язані із захворюваннями, такими як рак, інтерстиціальні захворювання легенів або серцево-судинні захворювання в даних зображень. Навчаючись на максимально різноманітних даних, штучний інтелект здатний надійно виявляти знахідки, важливі для першого діагнозу. А аналізуючи цілі об’єми зображень, він може допомогти радіологам, виділяючи підозрілі ділянки, тим самим підвищуючи чутливість лікарів.

По-друге, штучний інтелект може використовувати функції зображення крім тих, які люди можуть легко спостерігати та повідомляти. При виявленні раку легенів радіологи спочатку оцінюють розмір, форму та категорію вузлика, щоб прийняти рішення щодо подальших дій у лікуванні пацієнта. Штучний інтелект може аналізувати тривимірну текстуру та дрібнозернисті характеристики поверхні вузлика, щоб більш надійно визначити, високий чи низький ризик злоякісності. Це має прямі наслідки в веденні окремих пацієнтів, наприклад, чи буде ця особа направлена ​​на біопсію, або тривалість і частота інтервалів спостереження.

У дослідженні від Адамс та ін. (JACR), було показано, що лікування випадкових вузликів на КТ грудної клітини засноване на поєднанні рекомендацій з Аналіз на основі ML може значно зменшити помилкові спрацьовування. Це означає як зменшення кількості непотрібних біопсій (у випадках, коли штучний інтелект говорить, що вузлик є доброякісним), так і прискорення лікування (у випадках, коли штучний інтелект говорить, що вузлик є злоякісним). Тут важливо підкреслити – ШІ ​​не виступає за скасування настанов. Натомість перед нами стоїть завдання доповнити необхідні рекомендації результатами ШІ. У цьому випадку, якщо оцінка ML суперечить настанові з високою достовірністю, вибирайте оцінку ML; в іншому випадку дотримуйтесь інструкцій. У майбутньому ми побачимо більше подібних додатків.

По-третє, штучний інтелект може допомогти кількісно визначити зміни з часом у пацієнтів, що, знову ж таки, має вирішальне значення для належного спостереження. Сучасні алгоритми в області ML і аналізу медичних зображень можуть вирівнювати кілька зображень від одного пацієнта – ми називаємо це «реєстрацією» – так, щоб ми могли дивитися на ту саму позицію в різні моменти часу. У випадку раку легенів додавання алгоритмів відстеження дозволяє нам представити радіологам всю історію кожного вузлика в легені, коли вони відкривають справу. Замість того, щоб шукати попередні сканування та переміщатися до потрібного місця для кількох прикладів вузликів, вони бачать усе одразу. Це має не тільки звільнити час, але й зробити роботу лікарів приємнішою.

Радіологія розвиватиметься завдяки ШІ. Питання в тому, як?

Є кілька напрямків, де ШІ швидко прогресує. Очевидно, що ми збираємо більш різноманітні та репрезентативні дані для створення надійних моделей, які добре працюють у клінічних умовах. Це включає не лише дані різних типів сканерів, а й дані про супутні захворювання, які ускладнюють виявлення раку.

Крім даних, існує постійний прогрес у розробці нових методів машинного навчання для підвищення точності. Наприклад, одна з головних областей дослідження полягає в тому, як відокремити біологічну мінливість від відмінностей у отриманні зображень; інша сфера розглядає, як перенести моделі машинного навчання на нові домени. Мультимодальність і прогнозування представляють два особливо захоплюючі напрямки, які також натякають на те, як радіологія може змінитися протягом наступних кількох років. У прецизійній медицині інтегрована діагностика є критичним напрямком, спрямованим на використання даних радіології, лабораторної медицини, патології та інших діагностичних областей для прийняття рішень щодо лікування. Якщо ці дані використовувати разом, вони пропонують набагато більше інформації для прийняття рішень, ніж будь-який окремий параметр окремо. Це вже стандартна практика, наприклад, у дошках пухлин; ML просто вступить у дискусію, рухаючись вперед. У зв’язку з цим виникає запитання: що повинні робити моделі ML з усіма цими інтегрованими даними з багатьох джерел? Одне, що ми могли б зробити, це спробувати передбачити майбутнє захворювання, а також реакцію людини на лікування. Разом вони володіють великою силою, яку ми можемо використати для створення прогнозів «що, якщо», які можуть керувати рішеннями щодо лікування.

Тенденції на 2025 рік: Ефективність формування, якість та відшкодування

У клінічній практиці штучний інтелект реалізується декількома факторами. Два важливі аспекти – це ефективність і якість.

Ефективність

Дозволяючи радіологам зосередитися на важливому та складному аспекті своєї роботи – інтеграції складних даних – ШІ ​​може допомогти підвищити ефективність. Штучний інтелект може підтримувати це, надаючи важливу та релевантну інформацію на момент надання допомоги – наприклад, кількісні значення – або автоматизуючи кілька завдань, таких як виявлення або сегментація аномалії. Це має цікавий побічний ефект: це не тільки дає змогу швидше оцінювати зміни, але й переносить такі завдання, як попіксельна сегментація та об’ємність моделей захворювань, із досліджень у клінічну практику. Сегментація великих візерунків вручну є абсолютно неможливою за багатьох обставин, але автоматизація робить цю інформацію доступною під час звичайного догляду.

Якість

ШІ впливає на якість роботи. Під цим ми маємо на увазі: покращення діагностики, рекомендації щодо специфічного лікування, раннє виявлення захворювання або точнішу оцінку відповіді на лікування. Це переваги для кожного окремого пацієнта. На даний момент оцінюється взаємозв’язок цих переваг із економічною ефективністю на системному рівні, щоб вивчити та порівняти вплив впровадження ШІ в радіологію на економіку охорони здоров’я.

Відшкодування

Запровадження штучного інтелекту більше не залежить лише від ефективності; її визнають і винагороджують за її відчутний внесок у лікування пацієнтів і економію коштів. Його включення до схем відшкодування підкреслює цю зміну. Хоча переваги, такі як зменшення кількості непотрібних процедур і прискорення лікування, здаються заднім числом очевидними, шлях був довгим. Тепер, коли з’являються перші успішні випадки, трансформаційний вплив ШІ очевидний. Покращуючи результати лікування пацієнтів і оптимізуючи процеси охорони здоров’я, штучний інтелект змінює форму індустрії з захоплюючими подіями на горизонті.

Формування майбутнього медичної візуалізації

Медична візуалізація зазнає фундаментальних трансформацій. Прецизійна медицина, інтегрована діагностика та новітні технології молекулярної діагностики змінюють засоби прийняття рішень щодо лікування у дедалі складнішому ландшафті варіантів терапії. ШІ є каталізатором цих змін, оскільки він дозволяє лікарям інтегрувати більше характеристик, отриманих різними модальностями, і пов’язувати їх із реакцією на лікування.

Через технічні проблеми, проблеми інтеграції та проблеми економіки охорони здоров’я все ще потрібен час, щоб запровадити ці інструменти в масштабі. Одне, що ми всі можемо зробити, щоб пришвидшити процес, — це бути поінформованим пацієнтом. Ми всі можемо поговорити з нашими лікарями про те, який штучний інтелект вони, можливо, перевірили або використовують на практиці, і як ці інструменти доповнюють їхній професійний досвід і знання. Ринок говорить про попит; тому, якщо ми вимагаємо раннього точного виявлення, ШІ з’явиться.