Era exabajtów danych, czyli jak zastosowanie AI przekłada się na medycynę nuklearną

Czy możliwości polskich ośrodków nadążają za dynamicznym rozwojem techniki?

Z jednej strony mamy lawinowy wzrost dostępnych technik badań, ale w ślad za nim nie następuje niestety proporcjonalny wzrost liczby dostępnych lekarzy specjalistów, którzy mogliby je szybko i rzetelnie przeprowadzić. Brakuje także wyszkolonych techników, korzystających z zaawansowanych metod akwizycji z zastosowaniem narzędzi, jakie oferuje dany skaner. Specjaliści migrują coraz częściej do kolejnych ośrodków, także zagranicznych. Dziś w praktyce każdy zakład medycyny nuklearnej w Polsce musi się liczyć z chwilowymi brakami personelu oraz związaną z nim koniecznością wyksztalcenia nowych pracowników, wyszkolenia ich w zakresie funkcjonowania nowych programów i aplikacji oraz zdobycia niezbędnego doświadczenia. Skutkiem takiej sytuacji jest przeciążenie ilością pracy poszczególnych grup specjalistów i często coraz dłuższy czas oczekiwania na opisanie badań. Znamy to wszyscy z doświadczenia: oczekiwania rosną, a czasu na interpretację wyników jest coraz mniej. Co istotne, presja obniża jakość pracy. Jak pokazują badania, jeśli skróci się o 50 proc. czas na interpretację badania radiologicznego, to stosunek błędów interpretacyjnych wzrośnie o niemal 17 proc.!³

Wzrost szybkości w zakresie realizacji procedur to jeden z wyróżników zastosowań sztucznej inteligencji w medycynie nuklearnej?

Zdecydowanie. Trzeba tutaj wspomnieć także o wzrostowym trendzie pojemności danych akwizycyjnych nowoczesnych technik diagnostycznych, które już dawno przestały być tylko akwizycjami statycznymi. Coraz powszechniejsze są tak zwane badania dynamiczne, bramkowane, i to podwójnie – ze 100-proc. liczbą zliczeń w tym samym czasie, co w przypadku badań standardowych. Podstawowa wielkość SUV – standaryzowanego współczynnika gromadzenia znacznika – już nie wystarcza. Dziś chcemy znać również szybkość metabolizmu danego znacznika na obrazach PET. Z systemów analogowych przechodzimy na cyfrowe. W tych nowoczesnych rozwiązaniach nie mówimy już o wielkości danych generowanych przy badaniach i dalej poddawanych processingowi w gigabajtach, terabajtach czy nawet petabajtach. Bardzo szybko nadchodzi era exabajtów danych.

Czy specjaliści medycyny nuklearnej są w stanie skutecznie zarządzić procesami związanymi z zastosowaniem sztucznej inteligencji przy użyciu obecnie dostępnych narzędzi?

Jak najbardziej. Zresztą w tym przypadku niepodważalnego potwierdzenia dostarczają liczby. Opierając się na statystykach ze scopus.com można stwierdzić, że liczba publikacji, których tematem przewodnim jest AI w medycynie nuklearnej, zaczyna gwałtownie narastać od 2016 roku i rośnie nadal. Ich analiza⁴ wskazuje na kilka głównych obszarów rozwoju AI w hybrydowej medycynie nuklearnej i niewątpliwie są to między innymi: rekonstrukcja obrazów wielomodalnych (SPECT/CT, PET/CT lub PET/MR); automatyczna detekcja (wyszukiwanie) zmian metabolicznych o zadanym progu SUV; automatyczna segmentacja i prezentacja w 3D zmian w badaniach CT narządów miąższowych, w tym w: płucach, wątrobie oraz w węzłach chłonnych wraz z automatycznym pomiarem zmiany (zgodnie z kryteriami oceny odpowiedzi na leczenie guzów RECIST 1.1); automatyczna segmentacja jednego i wielu ognisk jednocześnie powyżej określonego rozmiaru lub wartości wychwytu SUV; automatyczna detekcja określonych struktur i ich numeryzacja (na przykład: żeber, kręgów czy też guzków w płucach); automatyzowana klasyfikacja (na przykład w badaniach PET klasyfikacja zmian w węzłach chłonnych według pięciopunktowej klasyfikacji Deauville); predykcja wyników leczenia w danym typie nowotworu czy dalszego rozwoju choroby po stopniu jej zaawansowania w obrazowaniu molekularnym, a wreszcie predykcja rozwoju chorób neurodegeneracyjnych, takich jak na przykład choroba Alzheimera czy chorób serca po badaniu perfuzyjnym SPECT i PET. To wszystko dzieje się już dziś, a potwierdzeniem tego są najnowsze publikacje, które pokazują, że AI może udoskonalić dotychczasowy proces rozpoznawania i wyszukiwania zmian metabolicznych – w raku szyjki macicy, w raku płuca czy chłoniakach.

Jak można określić stopień zaawansowania wdrożeń sztucznej inteligencji w medycynie nuklearnej?

Mówiąc o sztucznej inteligencji w medycynie nuklearnej(ale nie tylko), warto nawiązać do znanych pięciu poziomów automatyzacji: I – działania manualne; II – działania maszynowo-manualne; III – zautomatyzowane działania maszynowo-manualne; IV – automatyzacja, ale „z ludzką ręką”; V – pełna automatyzacja. Niewątpliwie stopień zaawansowania automatyzacji i sztucznej inteligencji w obszarze medycyny nuklearnej to obecnie poziom III i IV. Na poziomie III (warunkowej automatyzacji) skaner czy system opisowy pod wpływem operatora dostosowuje się do narzucanych mu warunków i wykonuje zlecone zadanie. Obecnie obserwujemy duże przyspieszenie technologiczne i wejście na poziom IV (wysokiej automatyzacji), kiedy to system automatycznie przetwarza samodzielnie pozyskane dane i dostarcza specjaliście wstępnie przeanalizowane informacje. Ma to miejsce na przykład wówczas, kiedy system zeskanuje ułożonego na stole skanera PET/TK pacjenta i na podstawie swego rodzaju skanu topogramowego, w oparciu o analizę danych anatomicznych chorego zaproponuje wykonanie skanu PET i TK (z uwzględnieniem wskazania klinicznego i sylwetki pacjenta). Odbywa się to z użyciem automatycznie dostosowanych parametrów akwizycji, z minimum wymaganej dawki promieniowania ze strony TK. Algorytm po stronie PET ustala: szybkość przesuwu łóżka podczas płynnego skanowania różnych części ciała pacjenta, zastosowanie różnych matryc rekonstrukcyjnych, zastosowanie bramkowania oddechowego dla odpowiedniego obszaru klatki piersiowej i tułowia (ważne, że bramkowanie zostanie wykonane bez konieczności założenia na przykład pasa piersiowego dla uzyskania przebiegu falowego wykresu cyklu oddechowego). Co więcej, taki sam protokół skaner zastosuje, kiedy pacjent pojawi się na kolejnym badaniu w ramach follow up).

Jakie korzyści daje zastosowanie algorytmów opartych na sztucznej inteligencji w medycynie?

Wysoki stopień automatyzacji procedur medycznych daje gwarancję oszczędności czasu, pozwala na pełną standaryzację i powtarzalność badań, uniknięcie błędów ludzkich i zapewnia spersonalizowane skanowanie dopasowane do potrzeb klinicznych. To uzyskamy po stronie skanera. Po stronie stacji opisowej badania będą lepiej przygotowane do weryfikacji i końcowej oceny. Dla przykładu, pierwsze badanie pacjenta i kolejne, na przykład po trzech cyklach chemioterapii i kolejnych trzech, zostaną wstępnie przygotowane w tle, tak samo zrekonstruowane, aby ostatecznie dla opisującego je lekarza trzy pozyskane zestawy obrazów pokazały się w tym samym ułożeniu (na przykład czołowym czy strzałkowym). Dzięki inteligentnym algorytmom zostaną precyzyjnie dopasowane w oparciu o ich anatomiczne wyznaczniki tak, by synchronicznie się przewijając, ukazywały automatycznie te same zmiany w różnych punktach czasowych na wszystkich przekrojach. Umożliwia to łatwiejszą ocenę zmian. Dodatkowo, system wykona segmentację dla wielu zmian jednocześnie na każdym z obrazów tego pacjenta w trzech punktach czasowych (Multi-foci Segmentation (MFS)), klasyfikując wychwyt znacznika jako typowy = „fizjologiczny“ i nietypowo podwyższony = „nie-fizjologiczny“ – przygotowując to do weryfikacji opisującego lekarza. Dodatkowo, system przeanalizuje i zdefiniuje łączną wielkość guzów, aby określić (skalkulować) takie wskaźniki, jak: TLG i MTV, czyli Total Lesion Glycolysis (całkowita glikoliza guza) i Metabolic Tumor Volume (objętość metaboliczna guza), będące silnymi wyznacznikami prognostycznymi w chorobach nowotworowych płuc, albo (w innym przypadku klinicznym) wykona automatycznie kalkulację dla określenia oceny zaawansowania zmian w węzłach chłonnych według pięciopunktowej klasyfikacji Deauville.