Jak sztuczna inteligencja może zmienić przyszłość radiologii?

Termin sztuczna inteligencja (AI – artificial intelligence) jest stosowany, gdy urządzenie naśladuje funkcje poznawcze, takie jak uczenie się i rozwiązywanie problemów. Jako dziedzina informatyki opisuje ona tworzenie systemów zdolnych wykonać zadania, które wymagają ludzkiej inteligencji. Uczenie maszynowe (ML – machine learning), termin wprowadzony przez Arthura Samuela w 1959 r. jest podzbiorem AI, który obejmuje systemy uczące się na bazie dużych zestawów danych. Wśród wielu technik, które wchodzą w skład uczenia maszynowego, głębokie uczenie się (DL – deep learning) wydaje się jedną z bardziej obiecujących.

Uczenie maszynowe zawiera modele obliczeniowe i algorytmy, które imitują architekturę biologicznych sieci neuronowych w mózgu, tzw. Sztucznych sieci neuronowych (ANN – artificial neural networks). Jak pamiętamy z biologii neurony różnych warstw kory mózgowej są ze sobą połączone i zdolne do przekazywania sygnałów między sobą. W przypadku sieci neuronowych istnieją trzy rodzaje warstw: wejściowa (odbierająca dane wejściowe), wyjściowa (wytwarza wyniki przetwarzania danych) i ukryte warstwy pomiędzy nimi (wyodrębniające wzorce w danych).

Załóżmy, że systemowi opartemu na ANN udostępniamy liczną bazę zdjęć kotów i psów (dane wejściowe), a następnie kiedy system wybierze zdjęcie psa akceptujemy jego odpowiedź, a kiedy kota odrzucamy (dane wyjściowe). Przeprowadzamy w ten sposób proces uczenia sieci neuronowych, który skutkuje takim dostosowaniem warstw głębokich w taki sposób, że system zaczyna uzyskiwać coraz lepsze wyniki w rozpoznawaniu psów, także kiedy zastosujemy nową bazę danych.

Odwołując się do raportu Signify Research –  niezależnego dostawcy analizy rynku i doradztwa dla globalnego przemysłu technologii medycznych – światowy rynek firm oferujących systemy uczenia maszynowego w obrazowaniu medycznym jest nastawiony na okres silnego wzrostu, a jego wartość do 2023 r. przekroczy 2 miliardy dolarów (1). Liczba firm, która już dziś oferuje takie rozwiązania, albo nad nimi pracuje jest bardzo długa, a wśród nich możemy znaleźć:

 

Zebra Medical Vision – izraelski start – up, który zadebiutował w 2014r. i do tej pory w kilku rundach inwestycyjnych pozyskał 20 milionów dolarów. Do tej pory firma stworzyła ponad 40 algorytmów, wspomagających pracę lekarzy radiologów, dedykowanych do różnych jednostek chorobowych, z których 8 uzyskało już zatwierdzenie przez amerykańskie i europejskie ciała regulatorowe. System stworzony przez firmę ocenia w szpitalu każdego pacjenta, jeśli miał wykonywane badanie obrazowe i informuje lekarza prowadzącego jeśli wykryje jedną z wyuczonych patologii. Trzema najbardziej promowanymi wskazaniami, w których działa rozwiązanie są: detekcja kompresji rdzenia kręgowego, identyfikacja ROI w mammografii, wykrywanie odmy płucnej i krwotok śródmózgowych u nowo przyjętych pacjentów. (2)

 

Arterys – zlokalizowany w San Francisco start-up, który rozpoczął swoją drogę w 2011 r., uzyskał prawie 45 milionów dolarów dofinansowania i prezentuje trzy produkty oparte o wykorzystanie sztucznej inteligencji w obrazowaniu medycznym. Viewer AI to narzędzie do oceny obrazów radiologicznych komercyjnie dostępne w ponad stu krajach. Dostępny do uruchomienia przez przeglądarkę internetową software dostarcza analiz prowadzonych w czasie rzeczywistym przez system AI i poprawia komunikację między zespołem terapeutycznym. Rolą Cardio AI jest wsparcie lekarzy wykonujących echokardiografię. Według twórców pozwala na zmniejszenie o 30 % czasu badania, a system AI został opracowany na tysiącach obrazów i konsultowany przez międzynarodowych ekspertów. Z kolei Lung AI wspiera wykrywanie nowotworów płuc poprzez automatyczną detekcję podejrzanych zmian i umożliwia ich ocenę zgodną z RADS-score i śledzenie zmian ich wielkości w przypadku wykonania kolejnych badań. (3)

 

VoxelCloud – dofinansowany na kwotę prawie 80 milionów dolarów start-up, który na dzień dzisiejszy proponuje trzy produkty wspierające decyzje diagnostyczne na bazie analizy danych retrospektywnych przez sztuczną inteligencję. Oprócz systemu analizującego obrazy tomografii komputerowej klatki piersiowej, przygotowanego do detekcji raka płuc na wczesnych etapach rozwoju, firma przygotowała system wykrywający retinopatię cukrzycową (na podstawie analizy angiografii fluoresceinowej i OCT), a także program oceniający ryzyko wystąpienia choroby wieńcowej u pacjentów, który jak do tej pory jest stosowany w 75 klinikach na świecie.  (4)

 

Nie ma wątpliwości, że zastosowanie sztucznej inteligencji zmieni radiologię, otwartym pytaniem pozostaje jednak w jaki sposób. Wiele osób formułuje daleko idące wizje, w których systemy takie jak prezentowane wyżej w przyszłości zastąpią lekarzy radiologów, a jak reagują na to specjaliści?

Dr Vijay M. Rao – Pani Prezydent Radiology Society of North America (RSNA) wzywając liderów radiologii do zwalczania obaw powstających wokół sztucznej inteligencji całkowicie zaprzeczyła utartym schematom w komunikacji. Wskazując na korzyści, które niesie za sobą zastosowanie głębokiego uczenia w radiologii zwróciła uwagę że systemy te pomogą poradzić sobie z 50 bilionami obrazów radiologicznych, które rocznie powstają na całym świecie, a tym samym zapewnią lekarzom więcej czasu w codziennej pracy. Zdecydowanie zaprzeczyła, aby istniało zagrożenie zastąpienia specjalistów przez programy, zgadzając się co do tego że sztuczna inteligencja zmieni pracę radiologów, ale z całą pewnością ich nie wyeliminuje. RSNA wesprze radiologów w zdobywaniu wiedzy na temat sztucznej inteligencji poprzez sponsorowanie kursów i warsztatów oraz opracowanie nowego czasopisma internetowego w 2019 r. (4)

 

1 – https://www.signifyresearch.net/medical-imaging/ai-medical-imaging-top-2-billion-2023/

2 – https://www.zebra-med.com/

3 – https://www.arterys.com/

4 – http://www.voxelcloud.io/en/index.html

5 – https://rsna2018.rsna.org/dailybulletin/index.cfm?pg=18mon01