Využití umělé inteligence v zobrazovacích metodách

Overview

Rozvoj využití umělé inteligence (AI) je v současnosti velmi dynamický a zasahuje do řady lidských činností. Výjimkou nejsou ani zobrazovací metody v lékařství. AI se zde může uplatnit při obrazové akvizici, při zpracování a augmentaci obrazu, při interpretaci nálezu, popř. v rámci pokročilé analýzy obrazových charakteristik, tzv. radiomiky. K dispozici je již řada certifikovaných komerčních řešení, jejich validace a dostatečné doklady pozitivního dopadu na zdravotní péči jsou však zatím omezené.

Role AI je v současnosti spíše podpůrná, to se však do budoucna nejspíše změní. Mezi rizika a nevýhody patří závislost na výpočetní síle, kvalitě vstupních dat a jejich zpracování lidským hodnotitelem pro potřeby učení neuronové sítě. Nedostatečná je transparence fungování algoritmů a problematická může být jejich přenositelnost. Užití AI s sebou přináší zcela nové etické a legislativní aspekty.

Budoucí vývoj AI v zobrazovacích metodách je obtížné odhadovat, pravděpodobné je však další rozšiřování možností využití a reálného nasazení v klinické praxi.

Klíčová slova:

umělá inteligence (AI) v medicíně, zobrazovací metody, radiomika, etické a legislativní aspekty, budoucí vývoj AI

ÚVOD

Jak by měl v současnosti začít článek o umělé inteligenci (AI)? Myslím, že to by nám mohla napsat AI sama, tak jsem se jí zeptal. Konkrétně modulu ChatGPT v3.5 volně dostupného na adrese chat.openAI.com. A během přepisu odpovědi jsem také zjistil, že vlastně nevím, jak by se užití těchto výstupů mělo v odborné literatuře správně citovat. Krátkým exkurzem po vyhledávači Google zjišťuji, že existuje několik způsobů, zajímavá je možnost citovat dialog s chatbotem jako „osobní komunikaci“. Takže tak také učiním a nabídnu níže přepis dotazu a odpovědi.

Osobní komunikace, ChatGPT v3.5, dostupné na chat.openAI.com, 15. 9. 2023:

Dotaz: Napiš úvod článku o využití umělé inteligence v zobrazovacích metodách. Odborný text pro lékařský časopis. Délka 1000 slov. Odborná stylistika. Zároveň odlehčená forma. Rozeber možnosti jejího využití, její výhody, nevýhody a rizika.

První výsledek byl pro potřeby tohoto článku dlouhý, požádáno tedy o zkrácení:

Dotaz: Zkrať výše uvedený příspěvek na 500 slov

Odpověď následuje.

Naděje a výzvy: Umělá inteligence v moderních zobrazovacích metodách v medicíně

Umělá inteligence (AI) vstoupila do světa medicíny jako nepostradatelný spojenec lékařů a výzkumníků. Její využití v zobrazovacích metodách otevírá dveře k novým dimenzím diagnostiky, léčby a výzkumu. Jak AI proměňuje obličej moderní medicíny a jaká rizika a výzvy přináší?

Zaostření na diagnostiku a rychlou detekci

AI přináší klíčové zlepšení v přesnosti diagnostiky. Díky pokročilým algoritmům a schopnosti identifikovat i drobné odchylky může AI odhalit problémy, které by lidskému oku unikly. V oblasti onkologie a neurologie, kde rychlost může znamenat život, se AI stává nepostradatelným nástrojem.

Personalizovaná léčba: AI jako průvodce

Každý pacient je jedinečný, a tak by měla být i jeho léčba. AI umožňuje analyzovat rozsáhlá data o pacientovi – od genetiky po reakci na léky. Tím se otevírá prostor pro vytváření personalizovaných terapií, minimalizujících vedlejší účinky a maximalizujících účinnost léčby.

Revoluce ve výzkumu a vývoji

AI přináší revoluční posun vpřed v medicínském výzkumu. Analyzování masivních datasetů umožňuje objevování nových souvislostí a hledání inovativních řešení, od vývoje léčiv po vylepšení zobrazovacích metod.

Ostré hrany: Výzvy a nebezpečí

S rozvojem nové technologie se vynořují i otázky a rizika. Klíčovým problémem je důvěra v AI. Je nezbytné vytvořit mechanismy zajišťující transparentnost a odpovědnost AI v léčebném procesu.

Dalším rizikem je etika a soukromí pacientů. Jak chránit data před zneužitím a diskriminací? Tyto otázky vyžadují pečlivé zamyšlení a etické zásahy.

Nesmírný potenciál: Co nás čeká v budoucnosti

AI má potenciál změnit medicínu. S rozvahou a etickým závazkem můžeme očekávat nové úrovně diagnostiky, léčby a výzkumu.

Závěr: Spojení lidstva a AI

AI a lidská inteligence tvoří nesporný tandem směřující k lépe diagnostikovaným, léčeným a uzdraveným pacientům. Společně otevírají novou kapitolu v léčbě na míru a objevování nových cest v medicíně.

Chatbotu trvalo sepsání krátké synopse asi minutu. Já budu tento článek dávat dohromady zcela jistě déle. A je nutné říci, že minimálně struktura a forma odpovědi, kterou AI poskytla, obstojí. O jejím obsahu však lze diskutovat a dožadovat se důkazů pro některá silná tvrzení.

V ČEM SPOČÍVÁ PŘÍNOS AI V ZOBRAZOVACÍCH METODÁCH (ZM)?

Algoritmy AI dokážou pomocí simulace funkce lidské nervové tkáně analyzovat velmi rychle velké objemy dat. V podstatě vše, co lze digitalizovat a „elektronicky zviditelnit“, je možné použít jako vstupní data pro AI, dnes nejčastěji zastoupenou tzv. hlubokým učením, popř. konvolučními neuronovými sítěmi.

Jedním z prvních uplatnění AI bylo právě rozeznávání objektů na digitálních/digitalizovaných fotografiích. Výstupy zobrazovacích metod jsou ve své podstatě také jen (trochu komplikovanější) fotografie. Není důležité, zda se jedná o klasický rentgen, výpočetní tomografii (CT) či metody nukleární medicíny (NM). V zobrazování se dnes používá jednotný obrazový formát DICOM. Ten reprezentuje obraz rozložený do pixelů. Každý pixel nese nějakou informaci – denzitu na CT nebo zachycenou aktivitu radiofarmaka u modalit NM. Komplikovanější může být situace u ultrazvuku (UZ), kdy do hry vstupuje i určitá nekonstantnost snímací techniky. Ostatní metody fungují více jako fotoaparát – při statickém snímání zachytí to, co je v zorném poli, snímání je jednorázové, není zatíženo manipulací operátorem. UZ sonda se však v rukou vyšetřujícího naklání, pohybuje. Nicméně digitalizovat získaný obraz lze také, ve formě videa či statického snímku nebo s využitím AI asistence on-line již při samotném vyšetření.

Nejvíce diskutovaným nasazením AI v ZM je patrně CAD, tedy computer aided diagnosis. Pod tím se rozumí přímý podíl AI na interpretaci obrazu, popř. vlastní stanovení diagnózy. To může nabrat různých podob. Může pomoci označením patologických nálezů a určitou asistencí lékaři při tom, aby je nepřehlédl. Může interpretovat hraniční léze. Může fungovat jako „druhé čtení“. Nebo naopak jako „první čtení“ – triáž všech došlých nálezů, identifikace akutních stavů, které předřadí k analýze lidskému hodnotiteli.

AI může být trénována jen na specifický úkol, obrazový jev či diagnózu. To může být nápomocné v regionech s omezenými lidskými zdroji a nedostatkem lékařů. Ale existují jistě ambice větší, tedy mít plnohodnotný automatický ekvivalent lékaře schopný správně diagnostikovat a popsat většinu vyšetření. Nemalé motivace k tomu budou i ekonomické. Cena lékařské práce v západních zemích, zejména USA, je vysoká. A člověk má proti AI jistá biologická i kapacitní omezení – stačí už jen prostý fakt srovnání možností lidské paměti s možnostmi přístupu AI k elektronickým úložištím a databázím.

Pokud diskutujeme o případném nasazení AI v zobrazovacích metodách při intepretaci obrazu, můžeme již nyní uvést nesčetné množství příkladů, nejen z výzkumu, ale i z běžné diagnostické praxe. Často jde o certifikovaná, dostupná řešení. Práce, kterou publikovali van Leeuwen et al. v roce 2021 (1), se zabývala právě využitím komerčních aplikací AI v radiologii a sumarizovala informace o 100 nástrojích s CE certifikací. Úroveň kvality a síly důkazů efektivity však u většiny z těchto nástrojů hodnotila jako relativně slabou a pouze u 18 konstatuje reálný klinický dopad. Očekává se např. větší uplatnění AI u screeningové mamografie. Je již k dispozici značné množství publikací dokládajících, že zejména užití AI v režimu druhého čtení může zlepšit celkovou přesnost (2). Existují např. řešení pro analýzu MRI prostaty či neurodegenerací (3). Vývoji diagnostických nástrojů založených na AI se věnují i české subjekty – např. firma Carebot používá AI k hodnocení skiagramu hrudníku a mamografie (4).

Příkladů by bylo možno již dnes uvést velké množství, to je však nad rámec cílení tohoto spíše obecně a šířeji zaměřeného textu.

Velká očekávání se v ZM vkládají do tzv. radiomiky (5). Termín pochází z anglické teze, která je do češtiny obtížně přeložitelná: Images are more than pictures, they are data. Tedy snad: „Zobrazení jsou víc než obrázky, jsou to informace.“ Člověk je pomocí svého zraku a zkušeností schopen rozeznávání obrazových vzorců a jejich interpretace jen do určité míry. Pod pojmem radiomika se rozumí přístup, kdy se digitalizovaný obraz analyzuje pokročilými nástroji schopnými vyhodnotit velkou řadu parametrů nad rámec schopností lidských. Výstupem jsou pak objemné soubory dat, ve kterých se mohou objevovat opakující se vzorce vázané na konkrétní diagnózu. A pomocí další strojové analýzy těchto dat pak lze k této diagnóze dospět. Na tento výsledek následně může být navázáno terapeutické rozhodnutí.

Příkladem může být například radiomická analýza CT obrazu nádoru, která dokáže na základě obrazových charakteristik predikovat přítomnost konkrétní mutace. Tato mutace pak může být určující pro efekt konkrétní terapie (6). Jde o koncept, který je výhodný zejména v době nákladných cílených terapií – umožní nejen identifikaci pacientů s reálnou nadějí profitovat z léčby, ale i její racionálnější využití. AI se pak může uplatnit jak v hodnocení obrazu a měření dat, tak i při celkové analýze získaných radiomických parametrů a jejich výsledné interpretaci.

Možnosti uplatnění AI v ZM jsou však širší. Stejně jako je dnes pomalu standardem využívání různé formy vylepšení obrazu při zpracování fotografií v mobilních telefonech, se AI může uplatnit již ve fázi obrazového snímání na diagnostických přístrojích. Přepočet obrazových dat pomocí AI může pomoci jejich zpřesnění, minimalizaci artefaktů nebo zkrácení doby snímání, což může vést ke snížení radiační zátěže. Tyto aplikace se již stávají běžnou součástí dodávaných přístrojů (7). Případně může AI pomoci i s nastavením polohování pacienta při obrazové akvizici (8).

Se zobrazovacími metodami úzce souvisí plánování cílových objemů radioterapie. Konvenčně jsou zakreslovány radiačními onkology, což obnáší i velkou míru manuální a repetitivní práce. Jsou však již k dispozici automatizované systémy, např. na konturaci necílových orgánů, které jsou založeny právě na AI a mohou vést k výrazné časové úspoře (9).

Stejně jako AI dokáže v určité míře identifikovat objekty v obrazu, je možné ji použít i k analýze zvukového záznamu, případně k jeho převodu do psaného textu. To může urychlit tvorbu popisů. Aplikace založené na AI lze užít i k optimalizaci provozu a k plánování přístrojového času. A je možné, že brzy se budeme velmi často s AI setkávat jako s partnerem při komunikaci, při objednávání vyšetření, při zodpovídání některých dotazů nebo při edukaci. Od psané komunikace pak již není příliš dlouhá cesta ke komunikaci mluvené.

RIZIKA A NEVÝHODY

S využitím AI v lékařství je obecně spojena řada rizik, stejně tomu je i u ZM. Nástroje založené na AI vykazují v řadě případů velmi dobrou funkčnost, nicméně ze své podstaty neumožňují blíže poznat, jak přesně fungují a jak k jednotlivým rozhodnutím dospějí. Základem jejich funkce je učení. K tomu, aby začaly správně pracovat, potřebují velké množství výukového materiálu, který je označen lidským hodnotitelem. U ZM jsou to tedy anotované nálezy. Limitujícím faktorem pro správnou funkci pak může být právě množství a kvalita tohoto tréninkového materiálu. A otázkou je, zda a jak AI dokáže kvalitativně překonat lidského hodnotitele, na jehož referenčních datech jsou sítě trénovány.

Právě proto, že u konkrétního algoritmu nevíme úplně přesně, jak a podle čeho se rozhoduje, se v praxi setkáváme s problémem přenositelnosti. Odchylky v obrazové kvalitě podmíněné použitím jiného modelu přístroje či jiných akvizičních parametrů mohou způsobit zhoršení efektivity AI, která byla vytrénována jen na obrazech nasnímaných homogenní metodikou.

Významná je nutnost legislativního zakotvení využití AI. Jde v podstatě o softwarový zdravotnický prostředek, se všemi důsledky pro certifikaci. Některé systémy AI se průběžně vyvíjejí a dále učí, a jejich závěry se tedy mohou lišit v čase. Na což navazuje základní otázka: Kdo a v jakých situacích by měl za výstupy AI ovlivňující klinickou praxi nést právní zodpovědnost? V současnosti se stále pohybujeme v modelu, kdy za nález je zodpovědný lékař a AI má asistivní roli.

AI patří mezi koncepty s vysokou náročností na výpočetní sílu. Ta byla patrně hlavní limitací jejího širšího rozvoje v minulosti. Nejde totiž o novinku – základní principy jejího fungování jsou známy již od poloviny minulého století (10). Teprve rozvoj hardware v posledních několika letech však umožnil dosáhnout technických parametrů, díky kterým je již zpracování dat nutných pro funkci AI možné v akceptovatelných časech. Lze očekávat, že technický vývoj bude i v budoucnu dále pokračovat, možnosti AI se budou rozšiřovat a výsledky zlepšovat.

Výpočetní výkon se na jednu stranu progresivně zvyšuje, je ovšem nutné si uvědomit, že není zadarmo. Vyžaduje velké investice do technické infrastruktury, a proto podporu rozvoje AI, včetně medicínských aplikací, vidíme zejména u ekonomicky silných korporátních firem, jako jsou Google, Amazon či Microsoft. Jejich motivací je samozřejmě dosažení zisku v dohledném čase, nicméně řada projektů je přístupná, alespoň částečně, i v neplaceném režimu. Například právě na začátku textu zmíněná OpenAI.

Dalším rizikem či otazníkem je přijetí používání AI ve zdravotnictví ze strany společnosti. Je populace připravena přijmout fakt, že zásadní rozhodnutí o zdraví pacienta nebude dělat člověk nebo si alespoň o těchto rozhodnutích nechá radit strojem? V těchto úvahách se však patrně dostáváme výrazně dále, než jaké jsou současné možnosti. Lze předpokládat, že tím hlavním, co pacient ve zdravotnickém zařízení očekává, je lidský kontakt – a ten zůstane velmi pravděpodobně ještě dlouho nezastupitelný. I když je nutno přiznat, že AI může někdy komunikovat s pacienty lépe a s větší empatií než lékař-člověk (11). A k hodnocení obrazové informace lze vytrénovat i holuby, kteří prokázali schopnost číst histologické preparáty karcinomu mammy (12).

Že se na péči postupně v nějakém rozsahu podílejí expertní automatické systémy, se stává realitou již nyní a pacienti to ani neregistrují. Klíčové je důsledné průběžné testování přesnosti a ověřování bezpečnosti tak, jak ho známe z oblasti léčiv a zdravotnických prostředků.

Vše je otázkou míry, jaké využití AI v ZM dosáhne. Vlastní výkon lékařského povolání s sebou nese určitou řemeslnou stránku úkonů každodenní praxe. Dovednosti vznikají opakováním často velmi jednotvárných činností. U odborníka tak vzniká rutina, jistota a schopnost fungovat rychleji, efektivněji a vypořádat se pak i se složitějšími případy. Delegací rutinních činností na automatické systémy se tento tréninkový podnět oslabí a zároveň se stáváme na přístrojové technice závislými. Zde však není zásadní rozdíl oproti dalším odvětvím lidské činnosti, ve kterých se používají pokročilé technologie.

BUDOUCNOST

Technologický vývoj neprobíhá lineárně. Dlouhou dobu – desetiletí, možná staletí – se nic významného dít nemusí. Praktický každodenní život člověka ve 12. a 14. století se od sebe zásadně nelišil. Obvykle však díky zlomovým objevům dochází k akceleraci a epizodickému rozvoji s exponenciálními charakteristikami. Stačí se jen zamyslet nad extrémně rychlým rozvojem elektronizace a informačních technologií v posledních cca 40 letech. Podobnou trajektorii může mít i vývoj AI. Na druhou stranu se vždy setkáváme s disproporcí mezi očekáváními a realitou, kdy očekávání bývají nezřídka přemrštěná.

Je tedy obtížné odhadovat, jaký vývoj bude mít implementace AI v ZM, popřípadě obecně v medicíně. Na jedné straně stojí například názor psychologa a respektovaného vědce dlouhodobě se zabývajícího AI Geoffreyho Hintona, který v roce 2016 řekl, že bychom měli přestat s výcvikem radiologů, protože do 5 let se jim AI vyrovná, případně je i předčí (13). Na opačném konci názorového spektra potom stojí skeptici, kteří předpokládají, že z důvodů popsaných výše k masivnějšímu rozvoji a rutinnímu nasazení AI v ZM nedojde.

Je třeba si uvědomit, že tempo vývoje AI je skutečně velmi rychlé, široce akceleruje v mnoha lidských činnostech a nikdo se dnes už nepozastaví nad tím, že AI mu zlepšuje kvalitu fotografií vytvořených pomocí mobilního telefonu, pomáhá při vyhledávání na internetu nebo s ním komunikuje jako chatbot a generuje obrázky podle slovního zadání. Přitom jsme teprve na začátku, protože jde o fenomén posledních měsíců, respektive několika málo let.

Racionálně lze u AI a ZM očekávat následující:

1. Implementace AI poroste, a to v technologiích obrazové akvizice, předzpracování a augmentace obrazu i v zapojení při interpretaci nálezů.
2. Při interpretaci nálezu bude zřejmě AI ještě dlouhou dobu hrát roli asistivního nástroje pro lidského hodnotitele. Zejména při diagnostice definovaných diagnóz, případně u úkolů, kde je vysoká pracovní zátěž vyžadující zvýšenou časovou investici lékaře. Vhodným příkladem jsou screeningové programy (mammografie, CT plic apod.). V místech omezených zdrojů však může být z pragmatických důvodů její nasazení intenzivnější, případně může lékaře zcela zastoupit (regiony s nízkými počty lékařů, např. diagnostika tuberkulózy z prostého snímku).
3. Vývoj však bude nejspíš směřovat k univerzálnímu automatickému interpretačnímu nástroji, který bude schopný obraz extenzivně parametrizovat, interpretovat a s dalším rozvojem řečových schopností i formulovat nález jako popis.
4. Zánik profese lékaře-specialisty v oblasti zobrazovacích metod zřejmě očekávat nelze. Spíš dojde ke změnám jeho pracovní náplně a posunu směrem k „informačnímu specialistovi“, který bude stále muset rozumět nálezu a principům metod. Bude se však také muset orientovat v nově vznikajících velkých objemech dat, které budou nové technologie produkovat. A bude tyto nové nástroje a informace muset přeložit a zapojit je do klinické praxe. Nebude v tom však pravděpodobně sám, protože těmto výzvám budou čelit i lékaři dalších odborností.

Poděkování

Autor děkuje prof. MUDr. Martinu Šámalovi, DrSc., za revizi textu a cenné připomínky.

Čestné prohlášení

Autor práce prohlašuje, že v souvislosti s tématem, vznikem a publikací tohoto článku není ve střetu zájmů a vznik ani publikace článku nebyly podpořeny žádnou firmou.

Adresa pro korespondenci:

doc. MUDr. David Zogala, Ph.D.
Ústav nukleární medicíny 1. LF UK a VFN
U nemocnice 5, 128 08  Praha 2
e-mail: david.zogala@vfn.cz