Najważniejsze zastosowania sztucznej inteligencji w diagnostyce medycznej

Sztuczna inteligencja (AI), a w szczególności rozpoznawanie obrazów AI, ma potencjał zrewolucjonizowania diagnostyki medycznej. Przewiduje się, że do 2023 r. wartość rynku obrazowania medycznego AI wyniesie około 2 mld USD. Obecnie około 17% świadczeniodawców korzysta z technologii AI, a szacuje się, że liczba ta wzrośnie do 30%. Oprócz umożliwienia wczesnego wykrywania chorób, AI w medycynie może usprawnić procesy diagnostyczne i poprawić przepływ pracy radiologów poprzez przyspieszenie czasu odczytu i automatyczne nadawanie priorytetów pilnym przypadkom.

Nowa technologia i narzędzia do przetwarzania danych

Sztuczna inteligencja w medycynie jest już wykorzystywana przez radiologów do rozpoznawania obrazów w celu wykrywania oznak patologii. Jednak choć mają oni do dyspozycji szereg metod obrazowania, często muszą stosować je w połączeniu, aby dokładnie zdiagnozować pacjenta. Doskonałym przykładem jest konieczność uzupełnienia badania rentgenowskiego klatki piersiowej o tomografię komputerową w celu dokładniejszego zbadania podejrzanej zmiany. Stanowi to istotną przeszkodę dla oprogramowania do analizy obrazów opartego na sztucznej inteligencji, które może przetwarzać tylko jedno lub drugie. W związku z tym oprogramowanie AI musi być w stanie łączyć i interpretować dane z różnych źródeł. Rozpoznawanie oznak choroby na obrazach pochodzących z wielu technik obrazowania wymaga jednak niezwykle wysokiego poziomu wyszkolenia, przewyższającego to, co jest już wymagane w przypadku AI rozpoznającej obrazy z jednej modalności. Sama ilość zbiorów danych, czas i siła robocza potrzebne do osiągnięcia tego celu oznaczają, że z biznesowego punktu widzenia nie jest to jeszcze możliwe do wdrożenia przez firmy zajmujące się sztuczną inteligencją.

Oprogramowanie AI powinno również posiadać zdolność do rozpoznawania wielu chorób. Obecnie analizy oparte na SI koncentrują się zazwyczaj na diagnozowaniu ograniczonego zakresu patologii. Ograniczając liczbę chorób, z którymi zetknęła się SI, ogranicza się również jej potencjalne zastosowanie, ponieważ SI może przeoczyć objawy choroby, do rozpoznawania której nie została przeszkolona. Może to prowadzić do błędnych diagnoz i rosnącego braku zaufania społeczeństwa do tej technologii, co utrudnia jej wdrożenie. Dlatego oprogramowanie powinno być szkolone pod kątem szerszego zakresu chorób i obejmować wiele rodzajów nieprawidłowości związanych z każdą z nich. Zwiększa to liczbę patologii, które oprogramowanie może pomóc zdiagnozować, i zapewnia możliwość ich identyfikacji w wielu grupach demograficznych i typach tkanek, osiągając poziom czułości i swoistości wymagany przez patologów i radiologów.

Ponadto oprogramowanie powinno być kompatybilne z istniejącym sprzętem i bezproblemowo integrować się z obecnymi przepływami pracy. Jednym ze sposobów osiągnięcia tego celu jest zintegrowanie sztucznej inteligencji rozpoznającej obrazy bezpośrednio z urządzeniami do obrazowania. Ułatwiłoby to automatyzację analizy obrazów medycznych przy jednoczesnym uniknięciu problemu łączności. Wadą takiego rozwiązania jest to, że szpitale nie mogłyby wybierać dostawcy oprogramowania, ponieważ byłoby ono powiązane z ich sprzętem. W związku z tym wartość i zastosowanie takiej metody zależałyby od poziomu wydajności i możliwości zintegrowanego oprogramowania sztucznej inteligencji.

Zastosowania w chorobach

Przykłady udanych zastosowań AI lub obiecujących podejść sięgają od wykorzystania oprogramowania AI do wstępnego przetwarzania obrazów medycznych po zastosowanie algorytmów głębokiego uczenia do klasyfikacji podtypów patologicznych.

Rak

W niedawno opublikowanym badaniu wykazano, że technologie AI mogą osiągać takie same wyniki jak radiolodzy w ocenie mammografii cyfrowej1. Oprócz potencjału w ocenie nowotworów, AI może jeszcze bardziej zautomatyzować proces wstępnej interpretacji obrazów i pomóc w wyborze optymalnej interwencji terapeutycznej. Sztuczna inteligencja może być również wykorzystywana do oceny rokowania i przewidywania wyników klinicznych po zakończeniu leczenia.

Choroby układu sercowo-naczyniowego

Zdjęcia rentgenowskie klatki piersiowej są zwykle pierwszym badaniem obrazowym zalecanym w przypadku, gdy pacjent skarży się na duszności lub ma inne objawy związane z chorobą serca. Diagnoza jest wówczas stawiana na podstawie analizy różnych struktur serca i naczyń krwionośnych. Automatyzacja z wykorzystaniem sztucznej inteligencji może przyspieszyć ten proces i pomóc w ujawnieniu nieprawidłowości w budowie serca na zdjęciach rentgenowskich klatki piersiowej. Systemy te można nauczyć dokładnej oceny kardiomegalii (powiększenia serca), co pozwoli radiologom wykluczyć problemy płucne i kardiologiczne oraz zmniejszyć ryzyko postawienia błędnej diagnozy. Sztuczna inteligencja może nawet w przyszłości odgrywać rolę w analizowaniu wyników elektrokardiogramu (EKG), umożliwiając znacznie szybsze diagnozowanie arytmii i innych elektrycznych zaburzeń pracy serca.

Demencja

Choroba Alzheimera jest najczęstszą formą demencji i występuje najczęściej u osób powyżej 65 roku życia. Naukowcy wykorzystali technologię pozytonowej tomografii emisyjnej 18-F-fluorodeoksyglukozy (FDG-PET) i algorytmy głębokiego uczenia się do przewidywania wczesnego początku choroby Alzheimera u pacjentów2. Technika ta wykorzystuje związek radioaktywny wstrzykiwany do krwiobiegu i pobierany przez komórki mózgowe jako wskaźnik aktywności metabolicznej, co pozwala przewidzieć rozwój choroby Alzheimera nawet na wiele lat przed postawieniem konwencjonalnej diagnozy. Wczesne wykrywanie może spowolnić lub nawet zatrzymać postęp choroby u tych pacjentów.

Zakłócenia w diagnostyce medycznej w przyszłości

Wprowadzenie technologii sekwencjonowania nowej generacji doprowadziło do stałego wzrostu wydajności, co zwiększyło wartość wykorzystania genetyki molekularnej w diagnostyce medycznej. W połączeniu ze zwiększoną identyfikacją zarówno diagnostycznych, jak i prognostycznych markerów patologii, może to potencjalnie znacząco poprawić możliwości terapii celowanej i utorować drogę medycynie spersonalizowanej, która stanie się normą, a nie wyjątkiem3. Ponadto proces gromadzenia danych jest w coraz większym stopniu przekształcany w format cyfrowy, co daje możliwość zautomatyzowania procesu gromadzenia i analizy wyników, do których szeroki krąg zainteresowanych może mieć łatwy dostęp. Daje to możliwość lepszej wymiany informacji między instytucjami i placówkami, dzięki czemu pacjenci mogą być włączani do większej liczby badań klinicznych z bardziej ukierunkowanymi terapiami.

Sztuczna inteligencja w medycynie, wraz z technikami głębokiego uczenia i uczenia maszynowego, może zrewolucjonizować diagnostykę z wykorzystaniem tych danych cyfrowych. AI jest na najlepszej drodze do wprowadzenia jej do rutynowych medycznych procedur diagnostycznych, co usprawni metody diagnostyczne poprzez ułatwienie klasyfikacji podtypów chorób, a tym samym umożliwi lepsze spersonalizowane leczenie. Jednym z ciekawych zastosowań AI w przyszłości jest przeprowadzanie symulacji, prognozowanie przebiegu choroby nowotworowej i przewidywanie potencjalnego wpływu różnych strategii terapeutycznych3. Symulacje te mogą pomóc w wyborze metody leczenia, która będzie najbardziej obiecująca dla każdego pacjenta, minimalizując skutki uboczne i potencjalne powikłania.

LabTAG firmy GA International jest wiodącym producentem wysokowydajnych etykiet specjalistycznych oraz dostawcą rozwiązań w zakresie identyfikacji stosowanych w medycynie.oraz dostawcą rozwiązań identyfikacyjnych stosowanych w laboratoriach badawczych i medycznych, a także w placówkach służby zdrowia.

Referencje:

1. Rodriguez-Ruiz A, Lang K, Gubern-Merida A, et al.Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. JNCI J Natl Cancer Inst. 2019;111(9).
2. Ding Y, Sohn JH, Kawczynski MG, et al. A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using ^18F-FDGPET of the Brain. Radiology. 2019;290(2):456-464.
3. Walter W, Haferlach C, Nadarajah N, et al.How artificial intelligence might disrupt diagnostics in hematology in the near future. Oncogene. 2021;40:4271-4280.