Dirbtinio intelekto naudojimas medicininių vaizdų diagnostikoje

Dirbtinis intelektas (DI) iš nišinės technologijos per kelis metus tapo viena svarbiausių inovacijų medicininėje diagnostikoje. Ypač sparčiai DI diegiamas medicininių vaizdų analizėje – nuo rentgeno ir kompiuterinės tomografijos (KT) iki magnetinio rezonanso tomografijos (MRT) ir mamografijos.

Kas yra dirbtinis intelektas medicininių vaizdų diagnostikoje?

Medicininių vaizdų diagnostikoje dirbtinis intelektas – tai algoritmai, dažniausiai paremti giliuoju mokymusi (angl. deep learning), kurie išmokomi atpažinti ligų požymius nuotraukose ar skenavimuose:

• rentgeno nuotraukose (plaučių, kaulų ir kt.);
• KT tyrimų vaizduose (galvos, krūtinės, pilvo);
• MRT vaizduose (smegenų, sąnarių, stuburo);
• mamografijoje (krūtų vėžio patikra);
• ultragarsiniuose tyrimuose (širdies, vaisiaus, pilvo organų).

DI sistemos išmoksta iš šimtų tūkstančių pažymėtų vaizdų ir vėliau gali automatiškai pasiūlyti tikėtiną diagnozę, pažymėti įtartinas sritis ar įvertinti ligos progresą.

Kaip DI veikia praktikoje?

1. Vaizdų ikidiagnostinis apdorojimas

Prieš vertinant ligos požymius, DI gali pagerinti vaizdo kokybę:

• pašalinti triukšmą ir artefaktus;
• pagerinti kontrastą ir ryškumą;
• sulyginti skirtingų aparatų parametrus, kad vaizdai būtų palyginami.

2. Automatizuotas struktūrų atpažinimas

DI modeliai segmentuoja organus ir audinius – pažymi jų ribas ir sukuria tikslius 3D modelius. Tai svarbu:

• chirurginiam planavimui (pvz., naviko pašalinimo apimtis);
• radioterapijos planavimui (tikslus apšvitinimo tūris);
• ligos eigos stebėjimui (pvz., naviko tūrio pokyčiai).

3. Patologinių pakitimų aptikimas

Čia DI dažniausiai ir naudojamas. Algoritmai gali:

• aptikti plaučių mazgelius KT tyrimuose (ankstyvas plaučių vėžys);
• įvertinti insulto požymius galvos KT ar MRT;
• atpažinti lūžius rentgeno nuotraukose;
• nustatyti įtartinas sritis mamografijoje.

4. Rizikos ir prognozės vertinimas

Nauja kryptis – ne tik nustatyti ligą, bet ir prognozuoti jos eigą:

• numatyti, kaip greitai augs navikas;
• įvertinti pakartotinio insulto riziką;
• parinkti tinkamiausią gydymo taktiką, remiantis vaizdų ir klinikiniais duomenimis.

DI taikymo sritys medicininiuose vaizduose

Onkologija

Vėžio diagnostika – viena svarbiausių sričių, kur DI jau naudojamas kasdien:

• plaučių vėžio ankstyva diagnostika žemo dozavimo KT tyrimuose;
• krūtų vėžio patikra mamografijoje ir tomosintezėje;
• prostatos, kepenų, smegenų navikų vertinimas MRT ir KT vaizduose.

DI padeda sumažinti „pražiopsotų“ navikų skaičių ir standartizuoja vertinimą tarp skirtingų radiologų ir įstaigų.

Neurologija

Smegenų vaizdavime DI taikomas:

• ūmaus insulto diagnostikai ir perfuzijos žemėlapių analizei;
• išsėtinės sklerozės židinių skaičiavimui ir sekimui;
• neurodegeneracinių ligų (Alzheimerio ir kt.) ankstyviems požymiams aptikti.

Kardiologija

Širdies ir kraujagyslių ligų diagnostikoje DI padeda:

• analizuoti širdies echoskopijos (ultragarsinius) vaizdus;
• įvertinti širdies funkciją MRT tyrimuose;
• aptikti vainikinių arterijų susiaurėjimus KT angiografijoje.

Ortopedija ir traumatologija

DI sistemoms patikima:

• automatiškai nustatyti lūžius rentgeno vaizduose;
• įvertinti sąnarių degeneracinius pakitimus (artrozę);
• padėti planuoti sąnarių endoprotezavimo operacijas.

Privalumai gydytojams ir pacientams

Greitesnė diagnostika

DI gali per kelias sekundes preliminariai įvertinti tyrimą ir atkreipti dėmesį į skubius atvejus, pvz., įtariamą insultą ar plaučių emboliją. Tai ypač svarbu didelę apkrovą patiriančiose ligoninėse ir skubios pagalbos skyriuose.

Didesnis tikslumas ir mažiau klaidų

Algoritmai nepavargsta ir klaidų daro kitokio pobūdžio nei žmonės. Derinant radiologo patirtį ir DI pasiūlymus:

• mažėja pražiūrėtų pakitimų tikimybė;
• pagerėja smulkių, ankstyvų ligos požymių atpažinimas;
• diagnostika tampa nuoseklesnė ir labiau standartizuota.

Geriau išnaudojami ištekliai

DI gali automatiškai atrinkti normalius tyrimus arba pirmenybę teikti įtartiniems atvejams. Taip radiologai daugiau laiko skiria sudėtingiems pacientams ir konsultacijoms su klinicistais.

Nauda pacientams

• greitesni atsakymai ir mažesnis laukimo laikas;
• ankstesnė ligų diagnostika, geresnės gydymo galimybės;
• mažiau perteklinių tyrimų, kai DI padeda išvengti dubliavimo.

Iššūkiai ir rizikos

Duomenų kokybė ir šališkumas

DI kokybė tiesiogiai priklauso nuo mokymo duomenų. Jei modelis mokytas tik iš vienos šalies ar vieno tipo aparatų vaizdų, jis gali prasčiau veikti kitose ligoninėse ar kitų populiacijų pacientams.

„Juodosios dėžės“ problema

Gilusis mokymasis dažnai nepaaiškina, kodėl priėmė tam tikrą sprendimą. Tai kelia pasitikėjimo, teisinės atsakomybės ir etikos klausimus – ypač kai sprendžiama dėl gyvybiškai svarbių intervencijų.

Reguliavimas ir atsakomybė

Europos Sąjungoje (įskaitant Lietuvą) DI medicinos srityje laikomas aukštos rizikos technologija. Reikalingas griežtas sertifikavimas, aiškus atsakomybės pasiskirstymas tarp gamintojo, įstaigos ir gydytojo.

Privatumas ir duomenų apsauga

Medicininių vaizdų analizė reikalauja didelių duomenų rinkinių. Būtina užtikrinti:

• duomenų anonimizavimą;
• GDPR ir nacionalinių teisės aktų laikymąsi;
• saugų duomenų perdavimą ir saugojimą.

DI ir radiologai: partnerystė, o ne konkurencija

Dažna baimė – kad dirbtinis intelektas pakeis radiologus. Dabartinė praktika rodo priešingai: DI tampa išmaniu pagalbiniu įrankiu, o galutinį sprendimą priima gydytojas.

Radiologo vaidmuo keičiasi iš „vaizdo skaitytojo“ į:

• kompleksinį klinikinį konsultantą;
• DI rezultatų interpretatorių ir kokybės kontrolierių;
• komandos narį, padedantį parinkti optimalią diagnostikos strategiją.

Ateities tendencijos iki 2030 m.

• Daugiamodaliniai modeliai – sujungiami vaizdai, laboratoriniai, genetiniai ir klinikiniai duomenys.
• Personalizuota diagnostika – DI pritaikytas konkrečiam pacientui, atsižvelgiant į jo rizikos profilį.
• Realaus laiko pagalba – DI integracija į operacines ir intervencines procedūras (pvz., biopsijas, endoskopijas).
• Lokaliai pritaikyti modeliai – algoritmai, adaptuojami konkrečios ligoninės duomenims ir aparatūrai.

DI diegimas Lietuvos medicinoje

Lietuvoje jau vyksta pilotiniai projektai universiteto ligoninėse, kur DI padeda analizuoti radiologinius tyrimus, ypač onkologijoje ir neurologijoje. Svarbiausi žingsniai sėkmingam diegimui:

• kokybiški, anonimizuoti duomenų rinkiniai mokymui ir validavimui;
• aiškūs protokolai, kada ir kaip naudojami DI rezultatai;
• gydytojų mokymai ir skaitmeninio raštingumo stiprinimas;
• skaidrus bendradarbiavimas su technologijų įmonėmis.

Išvados

Dirbtinis intelektas medicininių vaizdų diagnostikoje nėra mados tendencija – tai struktūrinis pokytis, kuris jau dabar keičia radiologijos praktiką. Teisingai diegiant ir prižiūrint, DI gali padėti diagnozuoti ligas anksčiau, tiksliau ir efektyviau, kartu išlaikant esminį principą: galutinę atsakomybę ir sprendimų kontrolę turi gydytojas.

DUK: dažniausiai užduodami klausimai

Ar dirbtinis intelektas gali suklysti diagnozuodamas?

Taip. Kaip ir gydytojai, DI gali suklysti, ypač jei tyrimo kokybė prasta arba paciento situacija labai netipinė. Todėl DI nenaudojamas kaip vienintelis sprendėjas – jo išvadas visada vertina ir patvirtina gydytojas radiologas.

Ar mano tyrimo duomenys saugūs, jei naudojamas DI?

Licencijuotos DI sistemos turi atitikti griežtus duomenų apsaugos reikalavimus. Vaizdai anonimizuojami, o prieiga prie jų ribojama. Pacientas turi teisę žinoti, kaip ir kokiais tikslais naudojami jo duomenys.

Ar galiu paprašyti, kad mano tyrimą įvertintų ir DI, ir gydytojas?

Jei gydymo įstaiga naudoja DI sprendimus, dažniausiai jie jau yra integruoti į įprastą darbo eigą. Praktikoje tai reiškia, kad jūsų tyrimą automatiškai analizuoja DI, o galutinę išvadą pateikia gydytojas, įvertinęs tiek savo, tiek algoritmo pastebėjimus.