Mesterséges intelligencia a radiológiában: barát vagy ellenség? Hol tartunk most és hová tartunk?

Közösségek - AI - Mesterségs Intelligencia | 2019. augusztus 29. 06:50 | Utolsó módosítás dátuma - 2024. október 08. 23:34 | Forrás: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6385326/pdf/10.1177_2058460119830222.pdf

A mesterséges intelligencia (AI) használata gyorsan fejlődik az orvostudományban, különösen a radiológiában. Az AI az utóbbi években nagyszerű innováció-forrás és kiemelkedő vitatéma a radiológiai társaságokban és egy úttörő kutatás. A kockázatok és minőségbiztosítási problémák ellenére, az AI alapjaiban változtathatja meg, hogy hogyan nyújtunk radiológiai szolgáltatásokat. Elképzelhető továbbá, hogy az AI a radiológus megbízható, szorgos barátjává válhat ellenség helyett, mindamellett, hogy hasznos képzési eszköz a radiológus gyakornokok számára.

 

Bevezetés

A mesterséges intelligenciát olyan számítógépes rendszerekként definiálták, amelyek képesek normális esetben humán intelligenciát igénylő feladatok elvégzésére, mint például vizuális percepció, beszédfelismerés, döntéshozatal és nyelvi fordítás. Egy másik egyszerű módja az AI leírására egy olyan számítógépes program, vagy gép, amely képes arra, hogy gondolkodjon és tanuljon. Ez szintén egy kutatási terület, amely megpróbálja a számítógépeket „okossá” tenni. Önállóan dolgoznak, előre kódolt parancsok felhasználása nélkül. Valójában az AI egy gyűjtőfogalom, ami két komponensből áll: gépi tanulásból (machine learning=ML) és agy ihlette mély tanulási konvolúciós neurális hálózatból (convolutional neural networks =CNN). A radiológia területén belül, az AI mindig a mély tanulás fejlettebb komponenseit jelenti.

Leírás

AI algoritmusok, különösen a mély tanulásban használtak, már figyelemre méltó célt találtak a képfelismerési feladatokban. Az AI módszerek kiválóak a képi adatok komplex mintáinak automatikus felismerésében, és a képi jellemzők kvantitatív értékelésében. A mély tanulási CNN-hálózatok ugyanúgy működnek, mint az értelmes emberi agy, és lényegében az emberi neurális-hálózat működését utánozzák. Olyan input szakaszokra támaszkodnak, amelyekbe adatokat visznek be, és a neurális sorok legalább egy (bár gyakran sok) rejtett rétegére. Minden neuron-szerű egység kölcsönhatásba lép a szomszédos egységgel. Az neurális sorok utolsó rétege képezi a kimeneti réteget. Az AI-ban leggyakrabban használt programozási nyelvek a Python és az R, és mint ahogy korábban beillesztették a radiológiai tantervbe a röntgen, ultrahang- és MRI képzést, elképzelhető, hogy a közeljövőben a programozási nyelvekre vonatkozó alapvető információkat is tartalmazni fogja a curriculum.

 Fejlődés

A radiológia egy olyan orvosi specialitás, amely szervesen kapcsolódik a technológiához, és nagy mértékben függ a gépektől; így szinte állandó fejlődésen ment keresztül, összehasonlítva más orvosi specialitásokkal. Ugyanakkor, amint az jól ismert, az információtechnológia (IT) területe hatalmas fejlődést mutatott az új évezred során. Néhány újítás, aminek már tanúi vagyunk, az önvezető autók fejlesztése, az automata chatbotok az online banki szolgáltatásokhoz, az AI-vezérelt multimédia, a sebészeti robotkarok, a mobiltelefon-alkalmazások, az iPhone Siri-asszisztense, a Google Chrome böngészőben zajló fejlesztések, az anyagok, növények és élőlények felismerésére alkalmas applikációk, a tanuló robotok és AI-alapú stratégiák a nagy üzleti láncok számára. Ráadásul, szinte minden pénzügyi ágazatban széles körben alkalmazzák, ideértve az egészségügyet is, és nagyon népszerű téma lett a radiológia területén, különösen a radiológiai társaságok és az új úttörő kutatások körében.

 Jelen és jövőbeli irányok

Kérdés nélkül az AI előtt fényes jövő áll, valószínűleg játékszabályokat újraíró eszköz az egészségügyben. Azonban ez a lenyűgöző technológiai fejlesztés nem jön a félelem egyik elemének bevezetése nélkül a radiológiai tudomány területén, a félelem, ami szorongást váltott ki világszerte a radiológiai társaságokban, mivel néhány radiológiai szakember felvetette a kérdést, hogy az AI felválthatja-e a képzett radiológusok szükségességét. Ezzel szemben más elismert radiológiai kutatók számos bíztató kijelentést tettek, különösen a 2018-as RSNA kongresszuson az USA-ban. Például, az RSNA elnöke, Dr. Vijay M Rao, felszólította a vezetőket a radiológia területén az AI-al kapcsolatos félelem leküzdésére azáltal, hogy nyilatkozatában promotálja annak előnyeit, hogy hogyan támogatja és augmentálja az AI a radiológiát. Dr. Rao elmondta, hogy az ő intézményében egyes társult dékánok megemlítették az orvostanhallgatóknak, hogy a radiológiát fel fogja váltani az AI, és azt tanácsolták, hogy ne menjenek radiológusnak, ami a fiatal orvos gyakornokok körében növekvő szorongást okozott. A radiológia területén az AI, vagy pontosabban a CNN egyelőre kutatási téma szerepkörére korlátozódott. Vagyis nincs kiegészítő módszerként  sem alkalmazva az AI a radiológiai gyakorlatban a nyugati országokban. Ugyanakkor megnőtt az AI-vezérelt képalkotó berendezések amerikai FDA általi jóváhagyására irányuló kérelmek száma a nagy, jól ismert AI-technológiai gyártók részéről, és úgy tűnik, hogy az AI-dependens orvosi képalkotás a mindennapi gyakorlatban nem a távoli jövő.

 AI publikációk

Az RSNA nemrégiben tartott ülésén számos cikk és beszélgetés volt a témával kapcsolatban. Ráadásul az RSNA bejelentette egy új folyóirat premierjét is, melynek neve Radiology: Artificial Intelligence, és elkezdte fogadni az AI-al kapcsolatos tudományos cikkeket. Emellett nőtt a mesterséges intelligenciával kapcsolatos tanulmányok száma, amelyeket az RSNA hivatalos folyóiratába, a Radiology-ba nyújtottak be, ami egy különösen magas impakt faktorú folyóirat. Egy nemrégiben megjelent cikk közölte az AI-tanulmányok benyújtásának pontos számát évről-évre 2015-től kezdődően. Amint azt a folyóirat idézi, 2015-ben nem volt publikáció az AI-ról a Radiology-ban, 2016-ban 3, 2017-ben 17, 2018-ban pedig a beadványok kb. 10%-a AI-al kapcsolatos tanulmány volt. Például Yasaka és munkatársai CNN segítségével végeztek vizsgálatot a májléziók öt kategóriájának jellemzésére dinamikus CT segítségével: A: klasszikus hepatocellularis carcinoma (HCC); B: malignus májdaganatok, a klasszikus és a korai HCC kivételével; C: meghatározhatatlan szövetszaporulat, vagy szövetszaporulat-szerű elváltozások, ideértve a korai HCC-ket és a displasticus nodulusokat, valamint a ritka, haemangiomáktól és cisztáktól eltérő benignus máj elváltozásokat is; D: hemangiómák; és E: ciszták. Eredményeik nagyon bíztatóak voltak, mivel a máj elváltozások differenciál diagnosztikájának medián pontossága a vizsgálati adatoknál 0,84 volt. Az A és B kategóriák C-E-től történő differenciálásakor a ROC-görbe alatti medián terület 0,92 volt. Az eredményeik megerősítették, hogy a CNN-el történő mélytanulás magas diagnosztikai teljesítményt mutatott a májelváltozások differenciálásában dinamikus posztkontrasztos CT vizsgálatok során. Egy másik friss tanulmányban Rajpurkar és munkatársai demonstrálták, hogy az ő CNN-jük, amit CheXNet algoritmusnak hívnak, nagyjából azonos detektálási eredményekkel bírt, magas  AUC és CI értékekkel, mint a radiológus általi mellkasi patológiák felismerése és osztályozása. Például az algoritmus legrosszabb teljesítményértéke 0,704 volt, szemben a radiológus által elért 0,911 értékkel emphysema esetén. Az atelectasia kimutatásában az algoritmus teljesített jobban (0,862 vs. 0,808), a cardiomegalia és hernia meghatározás során pedig a radiológusok javára billen a mérleg. Más patológiák (pl.:konszolidáció, ödéma, effúzió, szövetszaporulat, nodulus, fibrózis és egyéb) detektálási aránya hasonló volt.

 Jövőbeli lehetséges irányok

Nehéz megjósolni, hogy az AI végül meghaladja-e az emberi teljesítményt vagy hogy merre tart a az AI használat a radiológiában. Az AI-szakértők nemrégiben végzett felmérése megemlítette, hogy néhány komplex feladat esetében az AI az elkövetkező évtizedben számos tevékenységnél felül fogja múlni az embereket, mint pl. nyelvek fordításában (2024-re), teherautó vezetésében (2027-re), és sebészeti munkában (2053-ra). A felmérésben részt vevő szakértők úgy gondolták, hogy 50% eséllyel az AI 45 éven belül meghaladja majd az emberi képességeket. Azt, hogy az AI a radiológusok barátja vagy ellensége, hasonlóan nehéz megjósolni, mint azt, hogy vajon az AI lesz-e olyan erős, hogy meghaladja az emberi képességeket. Néhányan úgy látják, hogy ez a nap hamarosan eljön, és a szélsőséges előrejelzések szerint egész tudományágak, mint pl. a radiológia és bőrgyógyászat eltűnhetnek, mivel felváltja őket az AI. Az AI medicinában való alkalmazásának valódi kimenetele azonban sokkal kevésbé egyértelmű.

Mindazonáltal a 2017-es év egy meredek változást jelentett az AI számára az egészségügyben. Mély tanulással más iparágakban kimutatható sikerek figyelemre méltó klinikai érdeklődést váltottak ki. Azonban az AI integrációja a klinikai ellátás mindennapi rutinjába egy átfogó és szisztematikus kiértékelést igényel először. Más forradalmi technológiákhoz hasonlóan, az AI potenciális előnyeit sem szabad alábecsülni az egészségügyben.

A technológiai innováció folyamatosan fejlődik. Ugyanakkor minden egyes innováció magával hozza az emberek félelmét, akik szkeptikusak a tradicionális ismeretekkel szembeni elsöprő változások terén. Természetesen az AI (azaz  a CNN, a tanuló gépek és fejlett robotok) bevezetése a mindennapi orvosi gyakorlatba hátrányokkal fog járni, pl. téves diagnózissal, túldiagnosztizálással, alacsony pontosság és alacsony specifikáltság problémákkal. Példaként, egy nemrég publikált cikkben a kardiovaszkuláris betegség előrejelezésével kapcsolatban a JAHA-ban, egy gépi tanulásos kockázat kalkulátor túlteljesítette  az ACC/AHA kockázat kalkulátorát azzal, hogy kevesebb gyógyszeres terápiát indikált és kevesebb kardiovaszkuláris betegség felismerését mulasztotta el. A kutatás eredményei demonstrálták a gépi tanulás potenciálját a kardiovaszkuláris kockázatelemzés fejlesztésére és a gyógyászati döntéshozatal segítésére. A jelenlegi radiológusok persze azt gondolhatják, hogy az AI fenyegetést jelent a szakmára, és talán attól tartanak, hogy a közeljövőben elveszítik a munkahelyüket. Kétség kívül munkahely hiány lesz, különösen a magán-egészségügyi szolgáltatásokban, minden szinten, a recepciósoktól kezdve az egészségügyi asszisztenseken át a magasabb szintű vezetőkig és végül a radiológusok között is. Egy prominens IT-cég, az IBM az elmúlt években több száz munkahelyet szüntetett meg. Ugyanez következhet be a radiológiában, de kisebb mértékben, különösen Európában és különösen az Egyesült Királyságban, ahol egyre inkább radiológus hiány van, beleértve a gyakornokokat is. A Royal College of Radiologists szerint, a betöltetlen radiológus tanácsadó álláshelyek száma nő, a közelmúltban elérte a 10,3% -ot. Egy másik, az AI-al kapcsolatos félelem az, hogy egy napon az embereket le fogja győzni a CNN, ahogyan ez megtörtént egy nagyon összetett, sakknál kifinomultabb társasjáték, az úgynevezett Go esetén. Az AlphaGo számítógépes program legyőzte a 18-szoros Go világbajnokot, Lee Sedolt, amely jelentős mérföldkő az AI számára. Könnyen feltételezhető, hogy ez a közeljövőben az orvostudományban és a radiológiában is megtörténhet, annak ellenére, hogy az orvostudomány igen sokrétű, rendkívül összetett, és a legtöbb esetben emberi kapcsolatot igányel. 

 AI erősségei és gyengeségei

Általánosságban elmondható, hogy az AI-nak vannak korlátai. Mint egy fejlett tudományos számológép, csak korlátozott területeken képes felülmúlni az embereket. Azonban az AI-t lehet úgy programozni, hogy komplexebb feladatok esetén felülmúlja az embereket. Például, Xiaoyi, egy AI-vezérelt robot Kínában, nemrégiben első robotként tette le sikeresen a nemzeti orvosi vizsgát. Továbbá nem csak úgy átment a vizsgán, hanem 456 pontot szerzett, ami 96 ponttal több a szükségesnél.
Egy nemrégiben írt japán cikkben ismertették a jelenlegi AI-képességek radiológiában történő alkalmazására vonatkozó korlátokat. Ugyanakkor továbbra sem világos, hogy az AI hogyan működik, és hogyan jut el az eredményekig (mi játszódik le benne); ezek a területek valószínűleg az AI „fekete dobozában” maradnak, legalábbis egy ideig. A CNN-k optimális struktúrálása és hiperparaméterei, valamint a modellek kiképzéséhez szükséges esetek száma feladatonként különböző, és ez továbbra is folyamatos kihívást jelent. Ezenkívül az AI használata adatvédelmi aggályokat vet fel a betegek körében, különösen a ritka betegségben szenvedők esetén. Jelen állapotban a mai CNN modellek feladat-specifikusak, és tovább kell fejleszteni őket a bonyolultabb diagnosztikai vizsgálatok elvégzéséhez.

Az AI-t szinte minden gazdasági ágazatba bevezették, beleértve az egészségügyet is. Úgy tűnik, hogy úttörő innovációnak ígérkezik, akárcsak mint ahogy Wilhelm Conrad Roentgen röntgenje átírta a radiológiát. Ezenkívül elkerülhetetlennek tűnik, hogy az AI-t végül nemcsak a radiológia diagnosztikai oldalára vezetik be, hanem a radiológiai vizsgálatok triázsolására is alkalmazni fogják. Természetesen az AI az előnyeinek fokozása érdekében minőségbiztosítási (QA) ellenőrzéseket, klinikai vizsgálatokat és robusztusabb adatokat is igényel. 2015 óta számos ígéretes AI kutatási eredmény található a radiológiával kapcsolatos folyóiratokban. A radiológiai társaságok világszerte elkezdték megérteni az AI jelentőségét és megvalósítását, és hogy alkalmazkodniuk kell  ahhoz, hogy az AI-t a következő évtizedben a napi gyakorlatban alkalmazzák. Szoros együttműködésre van szükség a technológiai szakértők és a radiológiai osztályok adatbányászati szakértői között a minőségbiztosítási kérdések kezelése, valamint a releváns tudományos tanulmányok elvégzése érdekében. Az AI ígéretes jövőt kínál az egészségügynek, a kockázatok és a lehetséges minőségbiztosítási problémák ellenére is, és valószínűleg óriási változást hoz abban, hogy a jövőben miként nyújtunk majd radiológiai szolgáltatásokat. Az AI bevezetése lehetővé tenné a radiológusok számára, hogy komplexebb feladatokat vállaljanak, és ezzel együtt intenzívebb szerepet töltsenek be a munkával való elégedettség és a betegek gondozása terén. 

Összegezve, az AI, amely egész világon az egészségügyi szabályozó kormányzati szervek jóváhagyására vár, ígéretes kiegészítő eszköznek tűnik a diagnózis felállítása és a triázsolás során, megbízható, szorgalmas barátnak látszik, nem pedig ellenségnek a radiológia számára, annak ellenére, hogy némi aggodalomra ad okot a radiológiai gyakorlatba történő elhelyezése, valamint, hogy a közeljövőben integrálni kell a radiológiai curriculumba.

 

Referálta:

dr. Bodnár Barba

DE-KEK Központi Radiológia