Роль штучного інтелекту в медичній візуалізації для раннього виявлення аномалій

Гіп навколо штучного інтелекту залишається поширеним у сфері охорони здоров’я, але особливо сильним у радіології. Якщо ви пам’ятаєте перші дні комп’ютерної допомоги дизайну (CAD), то досить вражаюче, як далеко просунулася технологія. Користувач ChatGPT, можливо, заперечить, що ще багато роботи потрібно зробити, щоб штучний інтелект досяг 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 у 2025 році та пізніше.

Знаходження голки в копиці сіна: Виявлення складне.

Виявлення захворювання 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.

Там саме грає важливу роль Машинне навчання (ML). Воно може навчиться розпізнавати конкретні зміни, які не є нормальними, а радше пов’язані з захворюванням, і відокремити їх від нормальної варіативності. Ця нормальна варіативність може мати різні джерела: індивідуальна анатомія, технічні відмінності в обладнанні зображення, або навіть тимчасові зміни в тканинному вигляді, які є абсолютно нормальними. Нам потрібно тренувати моделі ML з великими обсягами даних, щоб вони могли сформувати представлення цієї варіативності та ідентифікувати 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, такі як рак, інтерстиціальні легеневі захворювання або серцево-судинні захворювання в даних зображення. Навчаючись на якомога більш різноманітних даних, штучний інтелект може надійно виявляти знахідки, які важливі для першої діагностики. І, розбираючи весь об’єм зображення, він може підтримувати радіологів, виділяючи підозрілі області, тим самим збільшуючи чутливість лікарів.

По-друге, штучний інтелект може використовувати особливості зображення за межами тих, які люди можуть легко спостерігати та повідомляти. У виявленні раку легенів радіологи спочатку оцінюють розмір, форму та категорію вузла, щоб вирішити про наступні дії у пацієнта. Штучний інтелект може аналізувати тривимірну текстуру та тонкі характеристики поверхні вузла, щоб більш надійно визначити, чи несе він високий або низький ризик злоякісності. Це має прямий вплив на управління окремими пацієнтами, наприклад, чи буде людина направлена на біопсію, або тривалість і частота спостережень.

У дослідженні Adams et al. (JACR) було показано, що поєднання керівних принципів управління випадковими вузлами в КТ легенів з аналіз на основі ML міг суттєво зменшити кількість помилкових позитивних результатів. Це перекладується як у зменшення кількості непотрібних біопсій (у випадках, коли штучний інтелект каже, що вузол є доброякісним), так і у прискорення часу до лікування (у випадках, коли штучний інтелект каже, що вузол є злоякісним). Тут важливо підкреслити – штучний інтелект не пропагує ліквідацію керівних принципів. Натомість нас викликають доповнити необхідні керівні принципи результатами штучного інтелекту. У цьому випадку, якщо оцінка ML суперечить керівним принципам з високою впевненістю, то йти за оцінкою ML; інакше слідувати інструкціям керівних принципів. Ми побачимо більше застосувань, подібних до цього, у майбутньому.

По-третє, штучний інтелект може допомогти квантифікувати зміни у пацієнтів з часом, що знову ж таки є важливим для належного спостереження. Поточні алгоритми в області ML та медичної аналізу зображення можуть вирівнювати кілька зображень одного пацієнта – ми називаємо це “реєстрацією” – так, що ми можемо розглянути одну й ту ж позицію в різних точках часу. У випадку раку легенів додавання алгоритмів відстеження дозволяє нам представити всю історію кожного вузла в легенях радіологам, коли вони відкривають справу. Натомість ніж шукати попередні скани та навігацію до правильної позиції для декількох прикладних вузлів, вони бачать все одразу. Це повинно не тільки звільнити час, але й зробити роботу лікарів більш приємною.

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

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

Поза даними існує постійний прогрес у розробці нових методів ML для покращення точності. Наприклад, одна велика область дослідження розглядає, як розрізняти біологічну варіативність від відмінностей у придбанні зображення; інша область розглядає, як перенести моделі ML у нові області. Багатомодальна та передбачувальна діагностика представляють два особливо цікаві напрямки, які також натякають на те, як радіологія може змінитися протягом наступних кількох років. У персоналізованій медицині інтегрована діагностика є критичним напрямком, спрямованим на використання даних з радіології, лабораторної медицини, патології та інших діагностичних областей для прийняття рішень щодо лікування. Якщо ці дані використовуються разом, вони пропонують набагато більше інформації для керівництва рішеннями, ніж будь-який окремий параметр. Це вже стандартна практика, наприклад, у онкологічних радах; ML просто увійде у розмову вперед.

Тенденції для 2025 року: формування ефективності, якості та відшкодування

Є кілька факторів, які рухають штучний інтелект у клінічній практиці. Два важливі аспекти – це ефективність і якість.

Ефективність

Дозволяючи радіологам зосередитися на критичному та складному аспекті їхньої роботи – інтеграції складних даних – штучний інтелект може допомогти збільшити ефективність. Штучний інтелект може підтримати це, надавши критичну та актуальну інформацію на момент догляду – наприклад, кількісні значення – або автоматизуючи деякі завдання, такі як виявлення чи сегментація аномалій. Це має цікавий побічний ефект: воно не тільки дозволяє оцінці змін бути швидшою, але й приносить завдання, такі як піксельна сегментація та вимірювання захворювань, з дослідження до клінічної практики. Ручна сегментація великих закономірностей є абсолютно недоцільною у багатьох випадках, але автоматизація робить цю інформацію доступною під час регулярного догляду.

Якість

Штучний інтелект впливає на якість роботи. Під тим ми розуміємо: ставати краще у діагностиці, рекомендації конкретного лікування, ранньому виявленні захворювання або більш точному оцінюванні реакції на лікування. Це є перевагами для кожного окремого пацієнта. На даний момент відношення цих переваг до ефективності витрат на системному рівні оцінюється для вивчення та оцінки впливу впровадження штучного інтелекту в радіології на економіку охорони здоров’я.

Відшкодування

Впровадження штучного інтелекту вже не тільки про ефективність; воно визнається та винагороджується за його відчутні внески у догляд за пацієнтами та економію коштів. Його включення до схем відшкодування підкреслює цей зсув. Хоча переваги, такі як зменшення непотрібних процедур та прискорення лікування, здаються очевидними у ретроспективі, шлях був довгим. Тепер, з першими успішними випадками, трансформаційний вплив штучного інтелекту є очевидним. 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 проходить фундаментальні трансформації. Персоналізована медицина, інтегрована діагностика та нові молекулярні діагностичні технології змінюють спосіб прийняття рішень щодо лікування у все більш складному ландшафті варіантів терапії. Штучний інтелект є каталізатором цієї зміни, оскільки він дозволяє лікарям інтегрувати більше характеристик, захоплених різними модальностями, та пов’язати їх з реакціями на лікування.

Це ще займе час, щоб впровадити ці інструменти у великому масштабі через технічні складності, проблеми інтеграції та питання економіки охорони здоров’я. Одне, що ми всі можемо зробити, щоб прискорити процес, – це бути інформованим пацієнтом. Ми всі можемо поговорити з нашими лікарями про те, які інструменти штучного інтелекту вони можуть випробувати або використовувати у практиці, та як ці інструменти доповнюють їхній професійний досвід та знання. Ринок реагує на попит; тому якщо ми вимагатимемо раннє та точне виявлення, штучний інтелект прийде.