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

Data publikacji: 11.12.2020 r.

Jak zdaniem Pana Profesora w przyszłości będzie rozwijało się zastosowanie sztucznej inteligencji w medycynie nuklearnej?

Po stronie wyzwań mamy rosnące wymagania, jakie narzuca się obrazowaniu PET i SPECT – maksymalnie precyzyjnemu i wysoce rozdzielczemu, czułemu, bramkowanemu, z efektem „zamrożonego ruchu”, dynamicznemu, z dodatkowymi parametrami poza SUV (jak Metabolic Rate czy Distribution Volume). Za tym idzie wprost proporcjonalna maksymalizacja ilości danych, jakie uzyskuje się w trakcie i po wykonaniu badań SPECT, SPECT/CT i PET/CT. Można więc oczekiwać, że napędzane sztuczną inteligencją aplikacje będą się pojawiały i usprawniały każdy krok postępowania (tzw. Imaging workflow) zaczynając od ustawienia kolejki i zaplanowania badań (order/ schedule), przez ich przygotowanie i opracowanie na stacji akwizycyjnej (parameters’ preparation), przez sam proces skanowania (acquisition), dalej przez proces obróbki danych i ocenę ilościową (postprocessing/ quantification) aż do interpretacji i opracowania ostatecznego raportu opisu (interpretation/ raport generation). Aby to się stało, wymagane są setki milionów wyselekcjonowanych obrazów i ich dokładnych sprawdzonych raportów, danych klinicznych oraz genomicznych, silna superwydajna ucyfrowiona infrastruktura międzynarodowa, zdolna udźwignąć setki eksperymentów AI dziennie i ogromne już zdobyte doświadczenie na polu uczenia maszynowego (machine learning) i aplikacji opartych o tak zwane pogłębione uczenie się (deep learning). W diagnostyce obrazowej, której częścią jest medycyna nuklearna, algorytmy sztucznej inteligencji już działają – głównie jako programy czy aplikacje wspomagające decyzje kliniczne. Wykorzystując sztuczną inteligencję, taki program analizuje kolejne obrazy, wyszukując nieprawidłowości. Oprogramowanie działa jak druga para oczu, zaznaczając na przykład guzki w płucach lub wskazując na obecność niefizjologicznego wychwytu znacznika, określając prawdopodobieństwo występowania zmiany.

Jak pracują współczesne algorytmy AI stosowane w medycynie?

Ogólnie mówiąc, widzimy, że sztuczna inteligencja (AI) określa proces, w którym maszyna, czyli komputer, uczy się i naśladuje funkcje poznawcze specyficzne dla człowieka, aby wykonywać zadania, jakie zwyczajowo wykonywane są przez ludzki umysł: rozpoznawanie obrazów, identyfikacja różnic czy stawianie logicznych wniosków i prognozowanie. W procesie deep learning, komputer już nie organizuje danych i nie wykonuje wcześniej zdefiniowanych ciągów równań, ale zbiera podstawowe parametry dotyczące tych danych i jest tak zaprogramowany, że przygotowuje się do samodzielnego uczenia się przez rozpoznawanie wzorców przy użyciu wielu kolejnych warstw przetwarzania. Trzeba mieć świadomość, że algorytmy AI będą tak dobre, jak dane, na których były trenowane. Wyzwaniem będzie zatem zgromadzenie odpowiednio opracowanych dużych zestawów danych oraz odpowiednio wydajnych centrów obliczeniowych. Szanse zastosowania AI w ogólnie ujętej medycynie to przede wszystkim digitalizacja wszystkich danych dotyczących konkretnego pacjenta, z uwzględnieniem takich aspektów jak: miejsce zamieszkania, historia chorób w rodzinie, dotychczasowe hospitalizacje, podejmowane wcześniej terapie lekowe i obecnie przyjmowane leki, styl życia, rodzaj wykonywanej pracy, kondycja psychofizyczna. Ta ilość danych może być przetworzona przez wydajne komputery. Jeśli maszyny będą miały zaimplementowane algorytmy deep learning, jest szansa, że wesprą specjalistów w szybszej i trafniejszej diagnostyce oraz lepszej opiece farmakologicznej. Korzyści z wdrożeń sztucznej inteligencji może odnieść zatem cały system opieki zdrowotnej, w tym: świadczeniodawca, lekarz, ale przede wszystkim – sam pacjent. Poruszając zagadnienie z samego początku rozmowy: czy sztuczna inteligencja zastąpi lekarzy (na przykład opisujących badania medycyny nuklearnej), można się pokusić o stwierdzenie, że lekarze, którzy będą używać z dużą rozwagą i odpowiedzialnością systemów opartych na sztucznej inteligencji zastąpią tych, którzy ich nie będą używać.

Panie Profesorze, dziękuję za rozmowę.

Rozmawiała Marta Sułkowska

Przypisy:

1 McDonald RJ, Schwartz KM, Eckel LJ, Diehn FE, Hunt CH, Bartholmai BJ, et al. (2015): The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload

2 The Royal College of Radiologists (2017): UK workforce census 2016 report.

3 Berlin L: Faster Reporting Speed and Interpretation Errors: Conjecture, Evidence, and Malpractice Implications. International version.