Hét nap helyett hét perc
Hírek - Radiológia Világa | 2026. január 20. 06:25 | Utolsó módosítás dátuma - 2026. február 10. 10:45 | Forrás: radiologia.hu
Interjú a valódi munkafolyamatokról és a valódi problémákról Parminder Bhatia-val, a GE HealthCare mesterséges intelligencia alapú megoldások fejlesztésért felelős vezetőjével
A GE HealthCare meghívására, néhány nappal az RSNA után ült le beszélgetni a radiologia.hu Parminder Bhatia-val, a GE HealthCare Chief AI Officerével Budapesten. Az AI-ról, a radiológiáról és a kórházi működés jövőjéről kérdeztük. A beszélgetésben szó esik arról, miért volt a radiológia „eleve AI befogadásra kész” terület, mit jelent a „smart device”-ok világából a „smart system”-ek világába továbblépni, és hogyan tud egy Magyarországon fejlesztett megoldás egy sugárterápiás munkafolyamatot hét napról hét percre csökkenteni.
– Hogyan írná le a GE HealthCare-nél betöltött szerepét, valamint és a mesterséges intelligenciához fűződő kapcsolatát?
– Science and Technology csapatunk tagjaként a GE HealthCare globális Chief AI Officere vagyok, közvetlen főnököm a Global Chief Science and Technology Officer. Egy bizonyos nézőpontból a GE HealthCare egyszerre 130 éves és hároméves vállalat is: átfogó, több generációs múltunk van az orvostechnológia fejlesztésében, ugyanakkor a General Electricből történő kiválás után önálló cégként újra tudtuk gondolni, hogyan központosítjuk és skálázzuk az AI-képességeinket. Az én feladatom az, hogy az egész portfólióban felgyorsítsam az AI fejlesztéseket – a korábban különállóan, „szigetszerűen” futó kezdeményezéseket egységes, stratégiai képességgé szervezzem. Ha megnézzük az elmúlt három évet, nagyjából 40 FDA-engedélyezett AI-megoldásról mára 115 megoldásig jutottunk. Ezek az AI-képességek egyrészt az eszközeinkben vannak jelen: okosabbá és könnyebben használhatóvá teszik a berendezéseket és a kezelőpultokat a radiológusok és a radiográfusok számára, másrészt rendszerszinten is megjelennek: növelik a vizsgálati kapacitást, javítják a hozzáférést és a diagnosztikai minőséget olyan kórházakban, amelyek gyakran egy számjegyű árréssel működnek. Emellett jelentős befektetéseket teszünk felhő-alapú, foundation model és generatív AI területen is, hogy a smart device-októl (okoseszközöktől) a smart, összekapcsolt rendszerekig tudjunk eljutni – mindezt egy nagyon erős AI keretrendszerrel, amely egyszerre épít a transzparenciára és a magyarázhatóságra.
A radiológia volt az AI „első” alkalmazási területe
– Az Ön szemszögéből mi a radiológiai AI „titka”?
– A radiológia az egyik legkorábbi és legerősebb deep learning-adaptáló terület volt, és ez egyáltalán nem volt véletlen. Ha megnézzük az egészségügyben FDA-engedélyezett AI-megoldásokat, körülbelül 70%-uk a radiológiához kötődik. Közben a radiológia óriási kihívással néz szembe: mindenhol radiológushiányt látunk – még az Egyesült Államokban is a következő években körülbelül 20%-os szakember hiány várható –, sok más országban pedig ennél is súlyosabb a helyzet. Nő a vizsgálatszám, nő a komplexitás, és közben óriási adatrobbanás történik, de nincs elég szakember az adatok értelmezésére. Itt válik az AI valódi társsá: segít triázsolni, priorizálni a kritikus eseteket, összerakni a korábbi vizsgálati eredményeket és a klinikai előzményeket, és csökkenti a kognitív terhelést. Az képi interpretáció területén az evolúció a klasszikus gépi tanulástól indult a mélytanuláson át, most pedig a multimodális generatív AI korszakába lépünk be. A nagy nyelvi modellek már nem „csak” nyelvi modellek: tudnak szöveggel, képpel, hanggal, sőt videóval is dolgozni. Ez szinte rá van szabva a radiológiára, ahol a radiológusnak egyszerre kell néznie a képeket, a korábbi vizsgálatokat, a laboradatokat és a narratív klinikai anamnézist, majd mindezt egyetlen döntéssé szintetizálnia. A radiológiai AI „titka” az, hogy illeszkedik a munka multimodális természetéhez, miközben közvetlenül reagál a szakember hiányra és az iszonyatos adattúlterhelésre.
– Globálisan milyen erők formálják az egészségügy átalakulást?
– Amikor világszerte egészségügyi rendszerekről beszélünk, négy téma jön elő újra és újra. Az első téma a munkaerőhiány és a kiégés: sok rendszernek egyszerűen nincs elég orvosa és ápolója, és azokra, akik ott vannak, hatalmas nyomás nehezedik – ezt Magyarországon sincs másképp: a következő években több ezer orvos és több tízezer ápoló hiányával számolnak. A második erő a költségek emelkedése: az ellátás egyre drágább, a kórházi fedezet óriási nyomás alatt van, így a hatékonyság már nem „opcionális” kategória, hanem a túlélést jelenti. A harmadik erő a hozzáférés kérdése: globálisan körülbelül 4,5 milliárd ember nem jut hozzá ahhoz az egészségügyi ellátáshoz, amire szüksége lenne, ezért megoldásokat kell találnunk arra, hogyan visszük el a magas színvonalú diagnosztikát és terápiát még több helyre. A negyedik meghatározó erő pedig az adatok és ellátási útvonalak széttöredezettsége: az egészségügy a világ adatainak nagyjából egyharmadát termeli, mégis talán csak 3%-át használjuk érdemben, mert a többi szigetszerű rendszerekben van elzárva. Ez a négy erő együtt egy olyan helyzetet teremt, ahol az AI különösen gyakorlatias módon tud segíteni: a kórházi működés áramvonalasításában, az eszközök használatának egyszerűsítésében és gyorsításában, illetve abban, hogy a kihasználatlan adatokból valódi klinikai felismerések szülessenek. Konkrét példa az MR-ben elérhető Air Recon DL technológiánk: deep learning alapú rekonstrukcióval akár 50%-kal csökkenthetjük a vizsgálati időt. Akik korábban nem bírtak 30 percet az MR-ben tölteni, ma 15 perc alatt végezhetnek, a kórházak pedig nagyobb vizsgálati kapacitást érnek el. Világszerte már 80 milliónál is több vizsgálat készült el ezzel a technológiával. Ez az AI valós, nagy volumenű alkalmazása – nem pusztán látványos prototípus.
Hosszú távú AI-vízió
– Hogyan magyarázná el a GE HealthCare hosszú távú AI-vízióját a magyar radiológusoknak?
– Stratégiailag három szintben gondolkodunk. Az első, hogy okosabbá tesszük az egyes osztályokat és eszközöket: AI-t építünk be közvetlenül az MR-be, CT-be, röntgenbe, ultrahangba, hogy javítsuk a képminőséget, csökkentsük a vizsgálati időt, automatizáljuk az ismétlődő lépéseket, és könnyebbé tegyük a kezelőpult használatot. Az Air Recon DL az MR-ben jó példa erre az első pillérre. A második szint az ellátási terület – vagyis amikor nem egyetlen eszközben gondolkodunk, hanem teljes ellátási útvonalakat tervezünk újra AI segítségével. Erős példa erre az intelligens sugárterápia. A daganatos betegek körülbelül 60%-a kap sugárterápiát, de a tervezéstől a kezelésig vezető folyamat sokszor töredezett több rendszer és szakterület között, rengeteg manuális kontúrozással és ismétlődő adatbevitellel. A mi intelligens sugárterápia (Intelligent Radiation Therapy – iRT) megoldásunkban, amely gyártófüggetlen módon több eszközt kapcsol össze, AI-t használunk – köztük Magyarországon fejlesztett MR-kontúrozási technológiánkat – a kulcslépések automatizálására és a folyamat levezénylésére. Korai klinikai értékelésekben azt láttuk, hogy a tervezéstől a kezelésig tartó folyamat hét napról nagyjából hét percre csökkenthető. A harmadik szint a „foundation model” és a generatív AI: olyan multimodális „gerincmodelleket” építünk, amelyek kevesebb adattal is sok feladatra adaptálhatók, így skálázhatjuk az AI-t radiológiában, kardiológiában és azon túl is – mindezt természetesen a felelős mesterséges intelligencia alapelveinek megfelelően.
– A decemberi amerikai radiológus kongresszuson (RSNA) milyen innovációk képviselték ezt az irányt?
– Ez egy kifejezetten erős RSNA volt számunkra: több mint 40 terméket és innovációt mutattunk be, ezek közül hetet kiemelten a standon is. Az eszközoldalon az egyik fontos bejelentés a fotonszámláló CT volt. A hagyományos CT remek munkát végez, de a röntgenfotonok feldolgozása egy adott módon történik; a fotonszámláló módszertan lehetővé teszi, hogy sokkal több információt rögzítsünk és dolgozzunk fel, és ezt fejlett AI-alapú rekonstrukcióval és zajcsökkentéssel párosítjuk, így lényegesen nagyobb felbontást kapunk. A klinikusok számára ez magabiztosabb diagnózist jelent, különösen komplex esetekben. Ahhoz viszont, hogy ez a mindennapi gyakorlatban is működjön, komoly számítási kapacitás kell – ezért kötöttünk stratégiai partnerséget az NVIDIA-val. Ez lehetővé teszi, hogy bizonyos helyzetekben akár ötvenszer több adatot is feldolgozzunk, miközben klinikailag elfogadható idő alatt kapjuk meg az eredményt. Aztán ott van a váltás az eszközökről a felhő alapú technológiára. Ma a radiológusok idejük 60-65%-át nem diagnosztikus feladatokra költik: vizsgálatok megnyitására, adatok mozgatására rendszerek között, algoritmusok indítására, korábbi vizsgálatok rendezésére. A készülő, felhő alapú képnézegető rendszerünkkel, – amely AI-t is tartalmaz, és jelenleg 510(k) tanúsítási folyamaton megy keresztül – ezt akarjuk megváltoztatni. A radiológusok biztonságosan, gyakorlatilag bárhonnan elérhetik majd a vizsgálatokat egy könnyű, kliensoldali hozzáférést biztosító megoldáson keresztül, és az AI eszközök a leletezési folyamatba beágyazva jelennek meg, nem pedig utólag „hozzáfűzve”. Végül pedig bemutattuk Chicagóban az Autonomous X-et is: ez egy fejlesztés alatt álló, autonómabb röntgenrendszer-koncepciót, amely robotikát és fejlett vizualizációs technológiákat használ. Ez a fejlesztés még korai fázisban van, de tudatosan megosztjuk ezeket a fejlesztési irányokat, hogy a partnereink visszajelzést adhassanak, és felkészülhessenek, mire ezek a rendszerek klinikailag éretté válnak.
– Mely AI-technológiák lesznek a legnagyobb hatással a radiológia világára a következő öt évben?
– A ma engedélyezett 115 AI-megoldásunk már jól látható eredmény; a jövőbeli fejlődés igazi motorja pedig a „foundation modelbe” és a generatív AI-ba tett befektetésünk lesz. Korábban, ha valaki egy teljes radiológiai munkafolyamatot akart támogatni – például szervszegmentációt, méréseket, lézió-kategorizálást, riportírást –, akkor tucatnyi külön algoritmust kellett összefűznie. A „foundation model” más megközelítést ad: egyetlen multimodális gerinc, amely érti a 3D képeket és a szöveget, és viszonylag kis adatmennyiséggel több feladatra adaptálható. Tavaly bejelentettük, értelmezésünk szerint az iparág első 3D MR foundation model-jét, és idén vezető intézmények – például a Massachusetts General Hospital/Brigham&Women’s Hospital vagy a Wisconsini Egyetem – már elkezdték értékelni prosztata-MR területén. A prosztata-képalkotás nem egyszerű feladat: konzisztens akvizíció kell, pontos szervszegmentáció, lézió-kategorizálás és standardizált riportolás. Korai vizsgálatokban azt láttuk, hogy száz minta alapján körülbelül 70%-ról 90% környékére ugrott a pontosság, ami kifejezetten ígéretes. Emellett vizsgáljuk az „ügynök jellegű” nyelvi modelleket is, amelyek természetes nyelvi interakciót tesznek lehetővé: a radiológus nem kattintgat sok képernyőn, hanem megkérdezheti például, hogy „Mutasd meg a legfontosabb változásokat a hat hónappal ezelőtti vizsgálathoz képest”, vagy „Foglaljad össze a beteg onkológiai kórtörténetét”, és a rendszer a képekből, leletekből és klinikai jegyzetekből dolgozva ad választ. Nagy érdeklődés van a riportolás körül is: az AI előkészíti a strukturált leletet a képek és az előzmények alapján, így a radiológus az idejét ellenőrzésre és döntésre fordíthatja, nem pedig gépelésre. Ezen a területeken látom a következő évek egyik legnagyobb gyakorlati hatását.
A kórházi működés optimalizálása
– A képalkotáson túl hogyan használ a GE HealthCare AI-t a kórházi működés támogatására?
– Sokan nem gondolnak rá elsőre, de a GE HealthCare jelentős munkát végez a betegáramlás-optimalizálás területén. Ma világszerte közel 500 kórházi egységet és 50 000+ ágyat támogatunk ezekkel a megoldásokkal. Az alapgondolat az, hogy az elektronikus betegadatokból, ágymenedzsmentből, képalkotásból, labordiagnosztikából és humánerőforrás-rendszerekből származó adatokat egyesítjük, és AI segítségével valós idejű, prediktív képet adunk a működésről: mely ágyak szabadulnak fel, hol alakul ki szűk keresztmetszet, hogyan érdemes a személyzetet ehhez igazítani. Jó példa erre a hawaii The Queen’s Health System. Egy ilyen úgynevezett „command center” bevezetése után kevesebb mint egy év alatt egy nappal tudták csökkenteni az átlagos ápolási időt. Ez olyan, mintha új ágyakat adnánk a rendszerhez anélkül, hogy új épületeket kellene építeni. Náluk ez több mint 20 millió dollárnyi pénzügyi előnyt jelentett, miközben javította a betegáramlást is. Itt is ugyanaz a tervezési filozófia működik, mint az intelligens sugárterápia esetében: az adatok sok rendszerben szét vannak szórva, és az AI és egy jó design képes ebből koherens, cselekvésre alkalmas képet adni a klinikusoknak, és persze a kórházmenedzsmentnek.
A magyar GE HealthCare csapat szerepe
– Milyen szerepet játszik a magyar GE HealthCare csapat az AI-innovációban?
– Magyarország nagyon jó példája annak, hogyan lehet helyi csapatokkal globális hatást elérni. Tavaly volt a GE HealthCare magyarországi telephelyének 25. születésnapja, ami elég nagy mérföldkő. De ami igazán izgalmas – a csapatnak és nekem is –, az nem csak az elmúlt 25 év, hanem az, mit tudunk építeni a következő 25 évben. Az intelligens sugárterápia (iRT), amiről beszéltem, jó esettanulmány ehhez: az MR-kontúrozási komponens és a szoftveres „gerinc” jelentős része Magyarországon készült, és itt is értékelték először. Magyar helyszíneken teszteltük, és ma már globálisan is bevezetés alatt áll. Ez az „invent here, impact everywhere” elv (itt született innováció, amely világszerte hatást gyakorol) a gyakorlatban. Emellett a magyar csapat aktív kutatási együttműködésekben is, például Alzheimer-kór képalkotásának fejlesztésében, theranosztika és szintetikus adatok területén – mint például az IHI-támogatott Synthia programban, ahol klinikusok és technológusok közösen dolgoznak szintetikus adatmegközelítéseken. Több fejlett vizualizációs, felhő-alapú és szoftverfejlesztési csapatunk is működik itt, így a globális termékek jelentős részének „kódja” Budapesten készül. Túlzás nélkül állíthatom: Magyarország nem csak felhasználója a GE HealthCare technológiának, hanem formálója is a közös szakmai jövőnek.
Kiváltja-e az AI a radiológusokat?
– Ön szerint az AI hosszú távon kiváltja a radiológusokat?
– Az AI-t társnak és co-agentnek látom. Nem fogja helyettesíteni az orvosokat. Ne felejtsük el, a beszélgetés elején a szakemberhiányról és a kiégésről beszéltünk. A probléma nem az, hogy túl sok radiológusunk van, hanem az, hogy nincs elég, és eközben adminisztratív és ismétlődő feladatok tömegében fuldokolnak. Amikor egy folyamatot hét napról hét percre csökkentünk, a cél nem az, hogy kiváltsuk a klinikust, a radiológust, hanem az, hogy visszaadjuk neki az időt a valódi döntéshozatalra. Ugyanez igaz az „ügynök jellegű AI” rendszerekre is: sokan attól tartanak, hogy egy „ügynök” mindent automatizál, de valójában az történik, hogy heterogén adatokat szed össze, hogy a radiológus jobb döntéseket hozzon. Képzeljék el, hogy a képek mellett egyben látható a korábbi vizsgálatok idővonala, a tumorméret változása az elmúlt hat hónapban, releváns genomikai markerek, kulcs klinikai jegyzetek és az aktuális irányelvek is – mindezt egy helyen. Ezt manuálisan rendkívül nehéz megcsinálni, különösen nagy volumenben. Az AI képes ezt a kontextust „összehangolni”, de továbbra is a radiológus az, aki értelmez és dönt. Ezért egyetértek azzal a mondással, hogy az AI-t használó orvosok előnyt fognak élvezni azokkal szemben, akik nem használálják az AI-t – a mi feladatunk pedig az, hogy olyan eszközöket adjunk a kezükbe, amelyek megbízhatóak, átláthatók és valóban hasznosak.
– Van bármi, amit még hozzátennél a radiologia.hu olvasóinak?
– Talán csak egy záró gondolat: sok ügyfelünk azt mondja, „kérlek, ne egy újabb önálló, szigetszerű megoldást kínáljatok”. Mi is így gondoljuk. Ők olyan technológiákat szeretnének, amelyek a teljes értékláncban segítenek – az időpontfoglalástól és a vizsgálatvégzéstől az értelmezésen és a riportoláson át a nyomon követésig. Ezért fektetünk foundation model-ekbe, ügynök megoldásokba és integrált platformokba, nem pedig izolált appokba. Akár egy budapesti radiológus MR-t leletez, akár egy sugárterápiás onkológus kezelést tervez, akár egy kórházi csapat próbálja menedzselni az ágykapacitást, a cél ugyanaz: csökkenteni a súrlódást, a megfelelő információt a megfelelő időben felszínre hozni, hogy végső soron ezáltal javuljanak a betegkimenetelek, valamint szélesebb körűvé váljon az ellátáshoz való hozzáférés. Az AI ehhez egy igencsak hatékony eszköz, de csak akkor, ha valódi munkafolyamatokhoz és valódi problémákhoz kapcsolódik – és mi pontosan erre fókuszálunk.