Dirbtinio intelekto diagnostika radiologijoje ir patologijoje

Per pastaruosius kelerius metus dirbtinis intelektas (DI) iš futuristinės idėjos tapo realiu įrankiu ligoninėse. Ypač sparčiai jis skinasi kelią dviejose srityse – radiologijoje ir patologijoje, kur kasdien analizuojami tūkstančiai vaizdų ir mėginių. 2024–2025 m. pasaulyje jau diegiamos komercinės DI sistemos, padedančios greičiau ir tiksliau diagnozuoti ligas, o Europos Sąjunga, įskaitant Lietuvą, kuria aiškias DI taikymo sveikatoje taisykles.

Kas yra dirbtinio intelekto diagnostika medicinoje?

Dirbtinio intelekto diagnostika – tai kompiuterinių algoritmų (dažniausiai gilaus mokymosi) taikymas medicininių duomenų analizei. Svarbiausia, kad DI ne tik „skaito“ vaizdus, bet ir mokosi iš milijonų pavyzdžių, kad atpažintų subtilius požymius, kurių žmogaus akis gali nepastebėti.

Radiologijoje tai dažniausiai yra:

• rentgeno nuotraukos,
• kompiuterinės tomografijos (KT) tyrimai,
• magnetinio rezonanso tomografijos (MRT) vaizdai,
• mamografija, ultragarsas ir kt.

Patologijoje DI analizuoja:

• skaitmenizuotas histologines skaidres (audinių pjūvius),
• citologinius preparatus,
• imunohistocheminių dažymų rezultatus.

Pagrindinis tikslas – padėti gydytojams greičiau priimti pagrįstus sprendimus, sumažinti klaidų skaičių ir pagerinti pacientų gydymo rezultatus.

Kaip dirbtinis intelektas veikia radiologijoje?

Automatinis vaizdų analizavimas

Radiologijoje DI modeliai treniruojami su dideliais pažymėtų vaizdų rinkiniais. Kiekvienas vaizdas turi ground truth – patvirtintą diagnozę arba žymėjimus, kur yra patologija. Išmokęs atpažinti dėsningumus, DI gali:

• aptikti plaučių mazgelius KT tyrimuose,
• įvertinti insulto požymius galvos KT ar MRT,
• nustatyti plaučių uždegimo ar COVID-19 požymius rentgeno nuotraukose,
• analizuoti mamogramas ir pažymėti įtartinas sritis.

Šiuolaikinės sistemos veikia kaip „antra pora akių“: radiologas mato DI pasiūlymus, bet galutinį sprendimą priima pats. Tyrimai rodo, kad tokia sąveika dažnai padidina jautrumą (aptinkama daugiau atvejų) ir sumažina praleistų patologijų skaičių.

Tyrimų prioritetizavimas ir darbo eigos optimizavimas

Ligoninėse kasdien atliekama šimtai tyrimų, o radiologų trūksta. DI gali iš anksto „perbėgti“ per gaunamus vaizdus ir:

• pažymėti skubius atvejus (pvz., įtariamą kraujavimą į smegenis),
• sudaryti prioritetines eilės sąrašus,
• įspėti, jei tyrime matomi gyvybei pavojingi pokyčiai.

Tokiu būdu kritiniai pacientai sulaukia greitesnės apžiūros, o radiologai gali efektyviau planuoti savo laiką.

Kiekybiniai matavimai ir ligos eigos sekimas

DI ypač naudingas atliekant pakartotinius tyrimus. Jis gali:

• tiksliai išmatuoti naviko tūrį ir formą,
• palyginti dabartinį tyrimą su ankstesniais,
• automatiškai įvertinti ligos progresavimą ar regresiją.

Onkologijoje tai padeda objektyviau vertinti gydymo efektyvumą ir laiku koreguoti terapiją.

Dirbtinio intelekto vaidmuo patologijoje

Skaitmeninė patologija ir „visos skaidrės“ vaizdai

Tradicinėje patologijoje gydytojas žiūri į stiklelius per mikroskopą. Šiandien vis daugiau laboratorijų pereina prie skaitmeninės patologijos: skaidrės nuskenuojamos į itin didelės raiškos vaizdus (angl. whole slide images), kuriuos galima analizuoti kompiuteriu.

DI šiuose vaizduose gali:

• skaičiuoti ląsteles ir jų tipus,
• vertinti mitozes (ląstelių dalijimąsi),
• aptikti įtartinas sritis, kuriose gali būti vėžinių ląstelių,
• įvertinti naviko laipsnį ir agresyvumą.

Navikų žymėjimas ir grįžtamasis ryšys patologui

DI sistemos dažnai pateikia šilumos žemėlapius – spalvotai pažymi vietas, kuriose yra didžiausia patologijos tikimybė. Patologas gali:

• greičiau pereiti per didelį vaizdą,
• sutelkti dėmesį į įtartinas zonas,
• patikrinti, ar niekas nepraleista.

Taip sumažėja nuovargio ir žmogiškos klaidos rizika, ypač kai per dieną tenka peržiūrėti dešimtis ar šimtus preparatų.

Prognostiniai ir predikciniai biomarkeriai

Viena pažangiausių DI krypčių patologijoje – skaitmeniniai biomarkeriai. Algoritmai analizuoja ne tik tai, ar yra vėžys, bet ir:

• kaip naviko ląstelės išsidėsčiusios,
• koks jų santykis su imuninėmis ląstelėmis,
• kokie mikroskopiniai struktūriniai ypatumai.

Remiantis šiais duomenimis, kuriami modeliai, galintys prognozuoti:

• ligos atkryčio riziką,
• tikėtiną išgyvenamumą,
• tikimybę, kad pacientas gerai reaguos į konkrečią terapiją (pvz., imunoterapiją).

Tai žingsnis link personalizuotos onkologijos, kai gydymo planas pritaikomas ne tik pagal stadiją, bet ir pagal naviko „elgesį“ mikroskopiniame lygmenyje.

DI privalumai radiologijoje ir patologijoje

Didelis tikslumas ir nuoseklumas

Gerai apmokyti DI modeliai gali pasiekti ar net viršyti vidutinio specialisto lygį tam tikrose užduotyse (pvz., mamografijos atrankoje). Svarbu tai, kad algoritmas:

• nevargsta ir „nemiega“,
• visada taiko tas pačias taisykles,
• nėra veikiamas nuotaikos ar streso.

Žinoma, tai nereiškia, kad DI neklysta, tačiau jis klysta kitaip nei žmogus, todėl žmogaus ir algoritmo derinys dažnai yra saugiausias sprendimas.

Greitis ir našumo didinimas

DI gali per kelias sekundes apdoroti tai, kas specialistui užimtų minutes ar net valandas. Tai ypač svarbu:

• dideliuose tyrimų kiekiuose (pvz., atrankinė mamografija),
• skubios pagalbos skyriuose,
• didelių patologijos laboratorijų darbe.

Radiologas ar patologas daugiau laiko gali skirti sudėtingiems, neaiškiems atvejams ir bendravimui su klinicistais bei pacientais.

Pagalba regioninėms ligoninėms ir specialistų trūkumo mažinimas

Daugelis šalių, taip pat ir Lietuva, susiduria su radiologų ir patologų trūkumu, ypač regionuose. DI sprendimai, integruoti į debesijos platformas, leidžia:

• greičiau gauti preliminarią analizę net mažoje ligoninėje,
• siųsti duomenis konsultacijai į didesnius centrus,
• standartizuoti tyrimų vertinimą visoje šalyje.

Iššūkiai ir rizikos: nuo duomenų iki etikos

Duomenų kokybė ir šališkumas

DI modeliai yra tokie geri, kokie geri yra duomenys, kuriais jie mokomi. Jei mokymo rinkinys neatspindi realios populiacijos, kyla rizika, kad algoritmas:

• blogiau veiks kitose šalyse ar regionuose,
• bus šališkas tam tikrų amžiaus grupių ar lyčių atžvilgiu,
• praleis retas, bet kliniškai svarbias patologijas.

Todėl vis daugiau kalbama apie įvairovę ir reprezentatyvumą medicininių duomenų rinkiniuose bei apie vietinį (lokalų) algoritmų validavimą prieš pradedant juos naudoti kasdienėje praktikoje.

Paaiškinamumas ir pasitikėjimas

Gilaus mokymosi modeliai dažnai laikomi „juodosiomis dėžėmis“. Gydytojams ir pacientams svarbu suprasti, kodėl DI pateikė vieną ar kitą siūlymą. Todėl kuriami:

• paaiškinami DI metodai (angl. explainable AI),
• vizualizacijos (šilumos žemėlapiai, svarbiausių sričių pažymėjimas),
• aiškios naudojimo ribos ir įspėjimai.

Teisiškai ir etiškai atsakomybė už sprendimą vis tiek tenka gydytojui, todėl DI turi būti pagalbinis, o ne galutinis sprendėjas.

Teisinis reguliavimas ir duomenų apsauga

Europos Sąjungoje medicininiai DI sprendimai priskiriami medicinos prietaisams ir turi atitikti griežtus saugumo bei efektyvumo reikalavimus. Be to, galioja:

• BDAR (GDPR) nuostatos dėl asmens duomenų apsaugos,
• nacionalinės sveikatos informacijos tvarkymo taisyklės,
• naujas ES dirbtinio intelekto aktas, nustatantis aukštos rizikos DI sistemų reikalavimus.

Ligoninės turi užtikrinti, kad:

• pacientų duomenys būtų tinkamai anonimizuoti,
• prieiga prie sistemų būtų griežtai kontroliuojama,
• naudojami tik sertifikuoti, patikrinti sprendimai.

Kaip DI keičia gydytojo radiologo ir patologo darbą?

Nuo „vaizdų vertėjo“ prie klinikinio konsultanto

Radiologai ir patologai vis dažniau tampa ne tik vaizdų „interpretatoriais“, bet ir pilnaverčiais klinikiniais konsultantais. DI gali perimti dalį rutininio darbo, o gydytojas:

• daugiau laiko skiria sudėtingoms byloms,
• aktyviau dalyvauja daugiadisciplinėse komandomis,
• padeda parinkti individualizuotą gydymą.

Naujų kompetencijų poreikis

DI diegimas reikalauja ir naujų įgūdžių. Radiologams ir patologams vis svarbiau:

• suprasti pagrindinius DI veikimo principus,
• gebėti kritiškai vertinti algoritmų pasiūlymus,
• dalintis grįžtamuoju ryšiu su kūrėjais, kad sistemos nuolat tobulėtų.

Universitetai ir rezidentūros programos jau įtraukia DI temas į mokymo planus, o ligoninės organizuoja mokymus personalui.

Praktiniai pavyzdžiai ir tendencijos 2024–2025 m.

Nors konkrečios sistemos skiriasi, pasaulyje ir Europoje jau plačiai diegiami sprendimai, skirti:

• plaučių mazgelių aptikimui ir sekimui KT tyrimuose,
• insulto požymių atpažinimui skubios pagalbos skyriuose,
• mamografijos atrankos tyrimų dvigubam vertinimui,
• skaitmeninės patologijos skaidrių analizavimui onkologijoje.

Lietuvoje taip pat vyksta pilotiniai projektai ir tyrimai, kuriuose vertinama, kaip DI gali integruotis į vietines darbo eigos sistemas, atsižvelgiant į kalbos, infrastruktūros ir teisinių reikalavimų ypatumus.

Ko tikėtis ateityje?

Per artimiausius metus tikėtina:

• dar gilesnė DI integracija į PACS ir laboratorines informacines sistemas,
• vieningesni standartai, leidžiantys lengviau dalintis duomenimis tarp įstaigų,
• daugiau „hibridinių“ sprendimų, kai kelios DI sistemos dirba kartu (pvz., radiologijos ir patologijos duomenų sujungimas),
• aiškesnis teisinis ir etinis DI naudojimo karkasas ES mastu.

Tačiau svarbiausia – išliks žmogaus vaidmuo. DI nepakeis radiologų ir patologų, bet pakeis tai, kaip jie dirba, leisdama jiems sutelkti dėmesį į tai, kur jų žinios ir patirtis yra nepakeičiamos.

Išvada

Dirbtinio intelekto diagnostika radiologijoje ir patologijoje jau dabar keičia medicinos veidą. Nuo greitesnio ir tikslesnio vaizdų vertinimo iki personalizuotų prognozių – DI tampa svarbiu įrankiu, padedančiu gydytojams priimti geresnius sprendimus.

Sėkmingas šių technologijų diegimas priklauso nuo trijų ramsčių: kokybiškų duomenų, atsakingo reguliavimo ir glaudaus gydytojų bei technologų bendradarbiavimo. Tada DI taps ne grėsme, o patikimu partneriu kovoje už pacientų sveikatą.

DUK: dirbtinis intelektas radiologijoje ir patologijoje

Ar dirbtinis intelektas pakeis radiologus ir patologus?

Ne. Dabartinės ir artimiausios ateities DI sistemos yra pagalbiniai įrankiai, o ne gydytojų pakaitalai. Jos padeda greičiau ir tiksliau atlikti rutinines užduotis, bet galutinę atsakomybę už diagnozę ir gydymo planą vis tiek prisiima gydytojas. Praktika rodo, kad geriausi rezultatai pasiekiami derinant žmogaus ir DI stiprybes.

Ar DI diagnostika yra saugi pacientams?

DI sprendimai, naudojami klinikinėje praktikoje, turi būti sertifikuoti kaip medicinos prietaisai ir atitikti griežtus saugumo bei efektyvumo kriterijus. Prieš diegiant juos ligoninėje, rekomenduojama atlikti vietinį testavimą ir užtikrinti, kad gydytojai suprastų sistemos ribotumus. Tinkamai naudojamas DI gali net sumažinti klaidų skaičių.

Kaip apsaugomi pacientų duomenys, naudojami DI sistemoms?

Medicininiai vaizdai ir skaidrės, naudojami DI mokymui ir veikimui, turi būti anonimizuoti – pašalinami asmens identifikavimo duomenys. Prieiga prie sistemų ribojama tik įgaliotiems specialistams, o duomenų tvarkymas turi atitikti BDAR ir nacionalinius teisės aktus. Ligoninės privalo turėti aiškias duomenų saugumo ir incidentų valdymo procedūras.