W dobie zwiększającego się zapotrzebowania na badania obrazowe a także ilości danych oraz wymagań względem lekarzy, AI pozwoli na bezpieczniejszą i wyższej jakości pracę w obecnym środowisku. Lekarska codzienność to dziś duże obciążenie pracą, presja czasu, większe oczekiwania klinicystów, pacjentów, potrzeba podejmowania szybkich i co ważne trafnych decyzji, które przecież coraz częściej poddawane są weryfikacji oraz wreszcie powszechny screening. To wszystko zaś w obliczu ogromnej ilości dostępnych do przenalizowania danych medycznych.
Diagnostyka obrazowa obok radioterapii i chirurgii robotycznej to jeden z obszarów medycyny, w którym technologia ma kluczowe znaczenie i bodaj najbardziej wpływa na końcowy efekt pracy lekarza.
Klasyczne zdjęcie rentgenowskie to jeden obraz… nowoczesna tomografia komputerowa zawiera ich tysiące. Szacuje się, że w 1980 na świecie wykonano około 3 mln badań tomografii komputerowej, w 2015 roku już ponad 80 mln. W wielu obszarach naszego życia słyszymy, że nie nadążamy za technologią… limity ludzkich możliwości niejednokrotnie ograniczają maszyny, niejednokrotnie zaś maszyny wyprzedzają ludzi… kamera rejestruje obraz szybciej niż ludzkie oko… komputer analizuje dane szybciej niż ludzki mózg, który, nota bene, sam w sobie ma o wiele większe zdolności…
W takich właśnie dziedzinach uwidoczni się dynamiczny rozwój technologii, która w obliczu nowych wyzwań będzie dla lekarza… wsparciem!
Wespół w zespół
Sztuczna inteligencja nie zastąpi radiologów! Zastąpią ich inni radiolodzy umiejący zmaksymalizować korzyści z niej płynące. Synergia radiologów i algorytmów AI opartych na deep learning zapewnią najwyższą jakość i dokładność wyników badań.
Algorytm DLAD (deep learning automatic detection), analizując obrazy angiografii MR samodzielnie wykrył tętniaki mózgu z czułością 91%–93% a wspierając radiologa w rozpoznaniu poprawił prawdopodobieństwo wykrycia tętniaka o 4,8%–13%. Krótko mówiąc dzięki takiej współpracy od 5 do 13 pacjentów więcej na 100 badanych mogło zostać prawidłowo zdiagnozowanych.
Radiolodzy przeprowadzający opisy badań pacjentów z podejrzeniem COVID19 z pomocą AI, w istotny sposób zwiększali swoją wydajność- dokładność wzrosła z 85 do 90%. Niewiele, pomyślicie? A gdyby w tych 5 lepiej zdiagnozowanych przypadkach na 100 było wasze dziecko, rodzice?
Mniej znaczy więcej.
W przyszłym roku minie 50 lat od wykonania pierwszego badania CT. Pogoń za jakością oraz rozszerzeniem możliwości diagnostycznych sprawił, że jedno badanie CT zajmuje dziś nawet kilka GB.
Dzięki dostępnej niskodawkowej technologii, badanie CT to jedynie 20 razy więcej promieniowania niż klasyczne prześwietlenie głowy (zaś kilkaset razy więcej zdjęć!) i niemal tyle ile prawdopodobnie przyjmiesz podczas jednego międzykontynentalnego lotu. Wsparcie AI w przetwarzaniu obrazu i dostosowaniu parametrów pozwoli na nieznaną w dotychczasowej skali obniżkę promieniowania i poprawę bezpieczeństwa. AI spowoduje postęp w akwizycji obrazu za pomocą wszystkich technik obrazowania (CT, MR i PET/CT)
Już dziś algorytmy AI pozwoliły na poprawę jakości przesiewowych badań tomografii komputerowej klatki piersiowej o niespotykanie niskiej dawce promieniowania, niemal równej zdjęciu RTG. Radiolodzy uznali ponad trzykrotnie więcej badań wykonanych przy wsparciu AI za obrazy diagnostyczne, czyli takie, które pozwalają im ocenić stan pacjenta, w porównaniu do badań nie objętych wsparciem algorytmu.
Badacze Stanford University wykorzystali algorytmy do wsparcia wykonywania badań PET/CT. Dzięki temu udało im się wykonać badania, co prawda na razie jedynie w warunkach laboratoryjnych, używając jedynie 1% dotychczasowej dawki.
Takie rezultaty zmienią postrzeganie roli badań obrazowych w procesie leczenia. Bezpieczne badanie, wykonane kilkukrotnie szybciej, obniża koszty, pozwala zwiększyć ich częstotliwość a tym samym poprawić nadzór nad procesem leczenia. Dzięki większej wydajności zaś, zwiększa dostępność do badań- przy tej samej ilości aparatów, można ich wykonać więcej, skracając kolejki oczekiwania.
Czy medycyna jest powtarzalna?
Technologia AI odegra znaczącą rolę w analizie porównawczej wyników badań. Zdolność do identyfikowania zmian i postępów w czasie jest głównym wyzwaniem, szczególnie w przypadku rosnącej liczby przypadków onkologicznych, sercowo-naczyniowych i neurologicznych, gdzie regularne badania stają się nieodłącznym elementem „zarządzania” procesem leczniczym.
Wczesne rozpoznanie postępu choroby spowoduje szybsze dostosowanie leczenia w konsekwencji zaś poprawę jego wyników i obniżenie kosztów. Każdego roku w USA wykonuje się około 400 000 zabiegów endoprotezoplastyki stawu biodrowego. Każdy pacjent przechodzi coroczne badania kontrolne. Wyniki wymagają porównania z wieloma wcześniejszymi badaniami. AI analizując poprzednie obrazy, szacuje ryzyko i informuje lekarza o konieczności podjęcia działań, jak choćby skierowanie na dalsze badania.
Wyzwaniem jest również monitoring pacjenta z chorobą przewlekłą np. nowotworową. Jeśli radiolog ma pod kontrolą kilka obszarów objętych chorobą, algorytm automatycznie dokonuje ich pomiaru i informuje o tym, które z nich uległy zmianie i w jakim kierunku. Taka informacja jest obiektywną wskazówką co do skuteczności proponowanego pacjentowi leczenia oraz konieczności podjęcia dodatkowych działań.
Jak rozwiązać węzeł gordyjski?
Wszyscy członkowie systemu, w tym producenci sprzętu i oprogramowania, pracują nad poprawą efektywności dzięki standaryzacji nazewnictwa, schematów, trafnego ustalania priorytetów, dostępu do informacji o pacjencie i ustrukturyzowanego raportowania. Nowoczesne zintegrowane rozwiązania powinny stawić czoła wyzwaniom związanym z pilnymi przypadkami, wizytami kontrolnymi, harmonogramami radiologów i bieżącym rosnącym obciążeniem pracą, również w oparciu o metaanalizę baz danych. Wyniki badań wskazują,, że niektórzy radiolodzy spędzają „aż 35% swojego dnia, próbując ustalić priorytety w dokonywaniu opisów.”
Średnio 46 sekund zaoszczędzonych na dostępie do zintegrowanego systemu danych klinicznych i obrazów może na pierwszy rzut oka wydawać się stosunkowo nieistotne, przy założeniu opisywania 20 badań dziennie w ciągu roku radiolog może oszczędzić ponad…60 godzin!
Dopiero integracja rozwiązań EDM i PACS w zakresie deep learning i zaawansowanej analizy danych z historii choroby, leków, wyników badań laboratoryjnych, planów leczenia w połączeniu z danymi z obrazowania diagnostycznego otworzy przed nami nowe możliwości i wniesie niespotykaną dziś jakość i precyzję.
A gdyby tak można było zrobić to 10 razy szybciej?
Badanie rezonansem magnetycznym są bezpieczne dla zdrowia, ich ilość dynamicznie rośnie. Niestety są również niezwykle czasochłonne, zajmują obecnie od 10 minut do godziny, i nie da się ich w stosunkowo prosty sposób przyspieszyć- jak w tomografie -zwiększając liczbę detektorów. Techniką przyspieszającą skanowanie jest obrazowanie równoległe. Niemniej dotychczas komputer wykorzystywał jedynie wcześniejsze informacje (poprzednie badanie pacjenta), albo te pobrane z bardzo niewielkiej liczby obrazów referencyjnych.
W sierpniu 2018 r. Facebook i New York University School of Medicine ogłosiły współpracę przy wykorzystaniu sztucznej inteligencji w celu przyspieszenia czasu potrzebnego na wykonanie skanów MRI nawet 10-krotnie.
Testowany właśnie algorytm sztucznej inteligencji zwany DeepcomplexMRI umożliwia obrazowanie równoległe opierając się na dokładnej analizie ogromnej liczby obrazów wykorzystanych jako dane do szkolenia i tworzenia algorytmów sztucznej inteligencji, w rezultacie może doprowadzić zaś do 10 krotnego skrócenia czasu badania.
Algorytmy AI wspierają radiologów ponadto na etapie opisów badań, m.in. w dokonywaniu zautomatyzowanej segmentacji struktur serca, skraca to ten etap pracy nad opisem badania z 238 s do 0,38 s(!).
Technologiczne esperanto
VNA nowy standard przechowywania obrazów w ujednoliconym formacie i interfejsie, dzięki czemu są dostępne dla pracowników służby zdrowia bez względu na to, jaki aparat wytworzył obrazy. Systemy z jakimi mamy do czynienie dziś, zastrzeżone dla konkretnego producenta, zależne, zamknięte o ograniczonej dostępności i wprowadzające niestandardowe rozwiązania staną się mniej atrakcyjne dla całego środowiska radiologicznego rozwijającego się w kierunku rosnącej roli sztucznej inteligencji.
