Szerokie wykorzystanie sztucznej inteligencji (AI) w wielu dziedzinach życia człowieka stało się faktem. To co jeszcze kilka lat temu wydawało się odległą przyszłością, dzisiaj już nikogo nie dziwi. Rozmawiamy z botami na infolinii, nasze zakupy w internecie wspierane są rekomendacjami, opracowanymi przez algorytmy czy też system w telefonie dobiera nam najszybszą drogę dojazdu do wybranego miejsca. Ostatnio jednak pojawiło się dużo narzędzi AI mających na celu wspierać ochronę zdrowia i życia człowieka. Firmy technologiczne analizując rynek, zauważyły, że mogą wykorzystać swój potencjał, opracowując systemy, które ułatwią pracę lekarzom. Zastosowanie AI w medycynie zostało „wymuszone” również przez braki kadrowe wśród lekarzy specjalistów. Pozostaje jednak pytanie, w jaki sposób projektować inteligentne rozwiązania które rzetelnie i efektywnie wspomagają diagnostykę medyczną?
Polscy informatycy postawili na medycynę
Przeglądając „Atlas sztucznej inteligencji” opracowany przez ekspertów z Ośrodka Przetwarzania Informacji – Państwowego Instytutu Badawczego (OPI PIB) widać, że w wielu polskich jednostkach naukowych realizowane są badania nad wykorzystaniem AI w medycynie. Badacze z AGH badają zastosowanie sieci neuronowych w kontekście obrazowania SPECT i rentgenowskiego. Na Politechnice Poznańskiej natomiast prowadzone są badania nad wykorzystaniem tych sieci w diagnostyce patomorfologicznej, segmentacji obrazowania okulistycznego oraz detekcji anomalii w tomografii komputerowej płuc. Oprócz sieci neuronowych prowadzone są badania z wykorzystaniem przetwarzania obrazów. Przykładowo Instytut Podstawowych Problemów Techniki PAN stosuje je do analizy obrazowania medycznego m.in. z wykorzystaniem algorytmów ewolucyjnych, a Politechnika Łódzka prowadzi badania nad wykorzystaniem przetwarzania obrazów do segmentacji tkanek w obrazach mikroskopowych, segmentacji naczyń krwionośnych w obrazowaniu tomografią komputerową, a także do analizy obrazowania MRI w diagnostyce onkologicznej i innych jednostkach chorobowych. W Polsce dysponujemy więc odpowiednim know-how i możemy stać się jednym z liderów wykorzystania AI w medycynie. Niewątpliwie jest to dziedzina, którą warto rozwijać i która może być bardzo dochodowa.
Problem słabej dostępności danych
Największym wyzwaniem obecnie dla rozwoju systemów IT w medycynie jest ograniczona dostępność danych. Problem ten może jednak zniwelować integracja leksykonów z systemami raportowania ustrukturyzowanego. Systemy te oparte są na organizacji tekstu opisu w dokument z wydzielonymi sekcjami, co daje możliwość poprawy jakości opisów diagnostycznych. Dodatkowo ich zastosowanie daje wiele korzyści, poprawiając komunikację wyników badań, rzetelność, czytelność i dokładność opisów oraz ich formę i dostępność. W ramach procesów komputerowo-wspomaganego raportowania (CAR – eng. Computer-assisted Reporting) można dodatkowo zintegrować sformalizowane modele, które na podstawie cech patologii określonych przez diagnostę, są w stanie dokonać rozpoznania, używając zamodelowanych wytycznych.
Referencyjne zbiory, wykorzystujące adnotacje danych przechwycone podczas procesów raportowania, można wykorzystać do zasilania modeli AI, a te z kolei mogą być użyte do obiektywnego i niezależnego przewidywania zmiennych pośrednich określanych przez diagnostę podczas przygotowywania raportu. Inspekcja estymacji poszczególnych atrybutów składających się na końcową diagnozę określoną w oparciu o modele formalne pozwala specjalistom na weryfikację rekomendowanych decyzji diagnostycznych. Stanowi to sposób na wprowadzenie sztucznej inteligencji do procesów diagnostycznych. Rozwiązanie takie może poprawić jakość diagnozy poprzez zintegrowanie obiektywnych miar i deskryptorów oraz działać jako “druga opinia” poddana weryfikacji przez lekarza. Wzmocnienie ścieżek klinicznych przy użyciu proponowanych metod otwiera nowe perspektywy dla medycyny spersonalizowanej poprzez możliwość integracji obrazu klinicznego wynikającego z czynników ryzyka, danych klinicznych, obrazowych, genetycznych i histopatologicznych na etapie diagnozy.
Ostatnimi czasy dużą rolę w rozwoju systemów wspomagania diagnozy odgrywają rozwiązania oparte na głębokim uczeniu, stanowiące część algorytmów uczenia maszynowego. Techniki te są zdolne do uczenia się wysokopoziomowych reprezentacji cech na podstawie analizy surowych danych przy użyciu sztucznych sieci neuronowych – metod inspirowanych biologicznymi strukturami neuronowymi. Nowym możliwościom rozwoju towarzyszą jednak zagrożenia i wyzwania. Modele uczenia głębokiego powinny przekazywać sugerowane decyzje diagnostyczne w sposób zrozumiały dla radiologów, aby mogli oni w pełni korzystać z metod wspomagania przez AI. Ich integracja z systemami CAR może usprawnić pracę lekarzy poprzez wzmocnienie procesów rozpoznawania i interpretacji zmian w wynikach analizy obrazu, w oparciu o wytłumaczalne i wiarygodne metody sztucznej inteligencji.
eRADS – przykład zastosowania AI w diagnostyce
Moje Laboratorium Stosowanej Sztucznej Inteligencji opracowało platformę badawczą eRADS, która służy do standaryzacji opisów raportów medycznych. Narzędzie to pozwala obiektywnie ocenić istotność kliniczną zmiany w prostacie na podstawie pięciostopniowej skali PI-RADS, szacowanej na bazie określonych cech obrazowych składających się na diagnozę. Zastosowano w tym przypadku sztuczną inteligencję do wspomagania procesów decyzyjnych. Platforma umożliwia także zbieranie danych z badań, co w przyszłości pomoże stworzyć rozwiązania, które automatycznie będą szacowały cechy istotne klinicznie. Przeprowadziliśmy badania pilotażowe, których celem była ocena rzetelności oraz wstępnej użyteczności klinicznej systemu eRADS. Wyniki badania pilotażowego są obiecujące. Oceny istotności klinicznej zmiany przez radiologów z wykorzystaniem narzędzia opracowanego przez naukowców OPI PIB są bardziej zgodne i kompletne, niż gdy dokonują oni analizy bez użycia platformy.
W naszym laboratorium badaliśmy wykorzystanie w diagnostyce raka prostaty różnych obszarów sztucznej inteligencji. Analizowaliśmy zastosowanie narzędzi wykorzystujących uczenie maszynowe i głębokie. Naszym celem było porównanie otrzymanych wyników z diagnozami postawionymi przez doświadczonych i niedoświadczonych radiologów. Model predykcyjny istotności klinicznej zmian, oparty o narzędzia uczenia maszynowego, bazował na cechach obrazu (np. jednorodności) w badanych zmianach patologicznych i ich otoczeniu. Uzyskaliśmy model trafnie klasyfikujący istotnie klinicznie zmiany z prawdopodobieństwem ok. 75 proc., co można porównać do dokładności diagnozy niedoświadczonego lekarza. Najbardziej obiecujące rezultaty otrzymaliśmy jednak z zastosowania wiedzy dziedzinowej w architekturze sieci neuronowych, poprzez wprowadzenie fuzji decyzyjnej w wielomodalnej sieci konwolucyjnej oraz użycie dedykowanej złożonej funkcji celu. Opracowane modele oferują lepszą dokładność diagnozy zmian nowotworowych w porównaniu z ocenami niedoświadczonych i doświadczonych radiologów, stawiając trafną diagnozę z prawdopodobieństwem 84 proc.
Proponowane przez laboratorium OPI PIB rozwiązania mają potencjał stać się praktycznymi interfejsami, za pomocą których lekarze wchodzą w kontakt z zaawansowanymi rozwiązaniami wyjaśnialnej sztucznej inteligencji.
