Роль штучного інтелекту в медичній візуалізації для раннього виявлення аномалій

Гіперболізоване оточення штучного інтелекту все ще панує в сфері охорони здоров’я, але особливо сильне в радіології. Якщо ви пам’ятаєте перші дні комп’ютерної допомоги дизайну (CAD), то досить вражаюче, як далеко просунулася ця технологія. Користувач ChatGPT, можливо, буде стверджувати, що ще багато роботи потрібно зробити, перш ніж штучний інтелект зможе досягти свого повного потенціалу в цій галузі. Обидві точки зору правильні. Ця стаття розгляне, чому так складно штучному інтелекту виявляти речі, як його роль змінюється та які тенденції слід спостерігати в 2025 році та пізніше.

Знаходження голки в копиці сена: Виявлення складне.

Виявлення захворювань на ранній стадії складне, оскільки захворювання часто починаються з досить тонких відхилень від нормального вигляду в радіологічних даних. Через те, що існує багато абсолютно нормальної, природної варіативності між індивідами, дуже складно визначити, які незначні зміни є дійсно аномальними. Наприклад, легеневі вузли починаються з дуже малих розмірів; дифузні легеневі захворювання починаються з легко-помітних тканинних змін.

Це саме там, де Машинне навчання (ML) грає важливу роль. Воно може навчиться розпізнавати конкретні зміни, які не є нормальними, а пов’язані з захворюванням, і відокремити їх від нормальної варіативності. Ця нормальна варіативність може мати різні джерела: індивідуальна анатомія, технічні відмінності в обладнанні збору зображень, або навіть тимчасові зміни в тканинному вигляді, які є абсолютно нормальними. Нам потрібно тренувати моделі ML на великих обсягах даних, щоб вони могли створити уявлення про цю варіативність і визначити ті зміни, які вказують на захворювання.

Чи може штучний інтелект допомогти нам виявити аномалії раніше?

Штучний інтелект може допомогти кількома способами. По-перше, він може розпізнавати конкретні закономірності, пов’язані з захворюванням, такими як рак, інтерстиціальні легеневі захворювання або захворювання серцево-судинної системи в даних зображень. Навчаючись на якомога більш різноманітних даних, штучний інтелект може надійно виявляти результати, важливі для першої діагностики. А розбираючи весь об’єм зображень, він може підтримувати радіологів, виділяючи підозрілі області, тим самим збільшуючи чутливість лікарів.

По-друге, штучний інтелект може використовувати функції зображень за межами тих, які люди можуть легко спостерігати і повідомляти. При виявленні раку легенів радіологи спочатку оцінюють розмір, форму і категорію вузла, щоб вирішити про наступні дії в управлінні пацієнтом. Штучний інтелект може аналізувати тривимірну текстуру і тонкі характеристики поверхні вузла, щоб більш надійно визначити, чи несе він високий або низький ризик злоякісності. Це має прямі наслідки в управлінні окремими пацієнтами, наприклад, чи буде людина направлена на біопсію, або тривалість і частота інтервалів спостереження.

У дослідженні Adams et al. (JACR) було показано, що поєднання керівництв з управлінням випадкових вузлів в комп’ютерних томографіях грудної клітки з аналізом на основі ML може суттєво зменшити кількість хибно-позитивних результатів. Це перекладується як у зменшення кількості непотрібних біопсій (у випадках, коли штучний інтелект говорить, що вузол є доброякісним), так і в прискорення часу до лікування (у випадках, коли штучний інтелект говорить, що вузол є злоякісним). Тут важливо підкреслити – штучний інтелект не пропагує ліквідацію керівництв. Натомість нас викликають до того, щоб доповнити необхідні керівництва результатами штучного інтелекту. У цьому випадку, якщо оцінка ML суперечить керівництву з високою впевненістю, то слід іти за оцінкою ML; інакше слід дотримуватися інструкцій керівництва. Ми побачимо більше застосунків, подібних до цього, в майбутньому.

По-третє, штучний інтелект може допомогти квантитативно оцінити зміни з часом у пацієнтів, що знову ж таки є важливим для правильного спостереження. Поточні алгоритми в області ML і медичної візуалізації можуть вирівняти кілька зображень одного пацієнта – ми називаємо це “реєстрацією” – так, щоб ми могли розглянути одну й ту ж позицію в різні моменти часу. У випадку раку легенів додавання алгоритмів відстеження дозволяє нам представити всю історію кожного вузла в легенях радіологам, коли вони відкривають справу. Натомість того, щоб шукати попередні скани та переміщуватися до правильної позиції для кількох прикладних вузлів, вони бачать все одночасно. Це повинно не тільки звільнити час, але й зробити роботу лікарів більш приємною.

Радіологія буде розвиватися через штучний інтелект. Питання в тому, як?

Є кілька напрямків, в яких штучний інтелект швидко просунувся. Очевидний напрям – те, що ми збираємо більш різноманітні та репрезентативні дані для побудови надійних моделей, які працюють добре в клінічних умовах. Це включає не тільки дані з різних типів сканерів, але й дані, пов’язані з коморбідними станами, які роблять виявлення раку більш складним.

Поза даними існує постійний прогрес у розробці нових методів ML для покращення точності. Наприклад, одна велика область досліджень розглядає, як розрізняти біологічну варіативність від відмінностей у зборі зображень; інша область розглядає, як перенести моделі ML в нові області. Багатомодальність і передбачення представляють два особливо цікаві напрямки, які також натякають на те, як радіологія може змінитися над наступні кілька років. У персоналізованій медицині інтегрована діагностика є критичним напрямком, який спрямований на використання даних з радіології, лабораторної медицини, патології та інших діагностичних областей для прийняття рішень щодо лікування. Якщо ці дані будуть використані разом, вони пропонують набагато більше інформації для прийняття рішень, ніж будь-який окремий параметр. Це вже стандартна практика, наприклад, в онкологічних радах; штучний інтелект просто ввійде в обговорення в майбутньому. Це викликає питання: що мають робити моделі ML з цими інтегрованими даними з кількох джерел? Одне, що ми могли б зробити, – це спробувати передбачити майбутнє захворювання, а також реакцію окремої особи на лікування. Разом вони володіють великою силою, яку ми можемо використати для створення “що-якби” прогнозів, які можуть спрямовувати рішення щодо лікування.

Тенденції 2025 року: Формування ефективності, якості та відшкодування

Є кілька чинників, які рухають штучний інтелект в клінічній практиці. Два важливі аспекти – ефективність і якість.

Ефективність

Допускаючи радіологам зосередитися на критичному та складному аспекті їхньої роботи – інтеграції складних даних – штучний інтелект може допомогти збільшити ефективність. Штучний інтелект може підтримувати це, надаючи критичну та актуальну інформацію на момент надання медичної допомоги – наприклад, кількісні значення – або автоматизуючи деякі завдання, такі як виявлення чи сегментація аномалії. Це має цікавий побічний ефект: воно не тільки дозволяє оцінити зміни швидше, але й приносить завдання, такі як піксель-за-пікселем сегментація та вимірювання захворювань, з досліджень в клінічну практику. Ручна сегментація великих закономірностей є абсолютно недоцільною в багатьох обставинах, але автоматизація робить цю інформацію доступною під час регулярної медичної допомоги.

Якість

Штучний інтелект впливає на якість роботи. Під цим ми розуміємо: покращення діагностики, рекомендації конкретного лікування, раннє виявлення захворювань або більш точну оцінку реакції на лікування. Це переваги для кожного окремого пацієнта. На даний момент відносини цих переваг з економічною ефективністю на рівні системи оцінюються для вивчення та оцінки впливу впровадження штучного інтелекту в радіологію.

Відшкодування

Впровадження штучного інтелекту вже не тільки про ефективність; його впровадження в схеми відшкодування підкреслює цю зміну. Хоча переваги, такі як зменшення кількості непотрібних процедур і прискорення лікування, здаються очевидними в ретроспективі, шлях був довгим. Тепер, з першими успішними випадками, трансформаційний вплив штучного інтелекту очевидний. Покращуючи результати лікування пацієнтів та оптимізуючи процеси охорони здоров’я, штучний інтелект змінює галузь, з цікавими розробками на горизонті.

Формування майбутнього медичної візуалізації

Медична візуалізація переживає фундаментальні перетворення. Персоналізована медицина, інтегрована діагностика та нові молекулярні діагностичні технології змінюють спосіб прийняття рішень щодо лікування в дедалі більш складному ландшафті варіантів терапії. Штучний інтелект є каталізатором цієї зміни, оскільки він дозволяє лікарям інтегрувати більше характеристик, захоплених різними модальностями, і пов’язати їх з реакціями на лікування.

Все ще буде потрібно часу, щоб впровадити ці інструменти у великому масштабі через технічні складності, проблеми інтеграції та питання охорони здоров’я. Одне, що ми всі можемо зробити, щоб прискорити процес, – це бути інформованими пацієнтами. Ми всі можемо говорити з нашими лікарями про те, які інструменти штучного інтелекту вони можуть бути протестовані або використані в практиці, і як ці інструменти доповнюють їхній професійний досвід і знання. Ринок говорить про попит; якщо ми вимагаємо раннього та точного виявлення, штучний інтелект прийде.