Mesterséges Intelligencia és tüdőrákszűrés (MTT - 2019.02.01)

Közösségek - AI - Mesterségs Intelligencia | 2019. február 09. 10:09 | Utolsó módosítás dátuma - 2024. október 09. 01:52 | Forrás: radiologia.hu - Bágyi Péter

A Rákellenes Világnap alkalmából a Magyar Tüdőgyógyász Társaság „Tüdőrákszűrés” Szakmai vitafórumot szervezett Budapesten, a Gerbeaud Házban, 2019. február 1-én.

A Rákellenes Világnap alkalmából a Magyar Tüdőgyógyász Társaság „Tüdőrákszűrés” Szakmai vitafórumot szervezett Budapesten, a Gerbeaud Házban, 2019. február 1-én.

A program a következő volt:

Megnyitó:
Dr Ledia Lazeri, WHO Magyarországi Irodájának vezetője
Prof Dr Horváth Ildikó, Egészségügyi Államtitkár, Emberi Erőforrások Minisztériuma
Dr med. habil. Ostoros Gyula Ph.D, Elnök, Magyar Tüdőgyógyász Társaság
Dr Kerpel-Fronius Anna, Igazgatóhelyettes, Főorvos, Országos Korányi Pulmonológiai Intézet

I. szekció: Epidemiológia, beteg útja a szűrésig
Moderátorok: Dr Kovács Gábor, Dr Kerpel-Fronius Anna
Hazai szűrőprogramok és a tüdőrák epidemiológiai helyzete
Prof Dr Horváth Ildikó
Egészségügyi Államtitkár, Emberi Erőforrások Minisztériuma

1. A Háziorvos gondolatai a szűrőprogramról
   Dr Vájer Péter
   Megbízott igazgató, Alapellátási és Lakóhelyközeli Ellátások Igazgatósága, Stratégiai Főigazgatóság, Állami Egészségügyi Ellátó Központ
2. Tüdőrákszűrés finanszírozása
   Dr Farkas Marianna
   Főigazgató helyettes, Nemzeti Egészségbiztosítási Alapkezelő
3. Etikai, jogi dilemmák
   Dr Péter Orsolya
   Egyetemi adjunktus, Semmelweis Egyetem ÁOK, Magatartástudományi Intézet

II. szekció: Szűrés

1. NLST, NELSON és Hunchest eredmények bemutatása
   Dr Kerpel-Fronius Anna
   Igazgatóhelyettes, Főorvos, Országos Korányi Pulmonológiai Intézet
2. Mesterséges Intelligencia és tüdőrákszűrés
   Dr Bágyi Péter
   Osztályvezető főorvos, DE Kenézy Egyetemi Kórház, Központi Radiológiai Diagnosztika
3. Radiológiai szűrések szakmai és szervezési buktatói - tapasztalatok a 18 éve működő hazai emlőrákszűrés kapcsán
   Dr Forrai Gábor Ph.D.
   Magyar Radiológusok Társasága Emlőszekció főtitkára, Európai Emlődiagnosztikai Társaság (EUSOBI) volt elnöke

III. szekció: Betegút szervezés - eddigi tapasztalatok, megoldási lehetőségek

1. A Hunchest program: a klinikus tapasztalatai
   Dr Markóczy Zsolt
   Főorvos, Országos Korányi Pulmonológiai Intézet, Bronchológia
2. Applikáció a kockázat feltárás érdekében
   Dr med. habil. Szántó Zalán Ph.D
   Egyetemi docens, osztályvezető, Pécsi Tudományegyetem, Sebészeti Klinika, Mellkassebészeti Osztály
3. A szűrőprogram költséghatékonyság szempontjából
   Dr Vokó Zoltán
   Tanszékvezető, ELTE TTK, Egészségpolitika és Egészség-gazdaságtan Tanszék

Diszkusszió - A fórum zárszava

Mesterséges Intelligencia és tüdőrákszűrés című előadás:

A mesterséges intelligencia régen foglalkoztatja az embereket, az üzleti szereplőket és még régebben a tudományos életet. 1951-ben született meg a mesterséges intelligenciával foglalkozó első tudományos közlemény, a 80-as évek elején már a képalkotással kapcsolatban is publikáltak.

2012-2016 között a "szuper intelligencia" hatásáról alkotott vélemények jelentős eltérést mutattak, de egyre elfogadóbbá válltak.

Jelenleg már radiológus társaságok, szakmai szervezetek is intenzíven foglalkoznak a témával:

1. Canadian Association of Radiologists White Paper on Artificial Intelligence in Radiology
   An Tang, atal. CanadianAssociation of Radiologists Journal. Volume 69, Issue 2, Pages 120-135 (May 2018) DOI: 10.1016/j.carj.2018.02.002
2. American College of Radiology Data Science Institute™
   https://www.acrdsi.org/
3. Radiology: Artificial Intelligence
   https://pubs.rsna.org/journal/ai

Természetesen a különféle hardware-gyártóknak is specialis elemek fejlesztése felé kell haladniuk, hiszen a minél gyorsabb, pontosabb képi- és egyéb adatfeldolgozás jelentős erőforrás igénnyel társul.

Egy betegellátást folytató intézmény életében a mesterséges intelligencia olyan feladatok átvételében (és rendszer szintű szabályozásában) segíthet, amely egyébként a személyzettől veszi el az időt, és megjegyzendő, hogy valid adatok birtokában a döntésekben a kiskapuk szerepe is minimalizálható. Ilyen tevékenységek lehetnek:

1. HR management (mindenki azt csinálja, amihez ért)
   az AI megfelelő használata feltárhatja a betegpopulációkban megjelenő mintákat, ütemezheti a szolgáltatásokat és felfedheti a szezonalitás hatásait, optimalizálhatja az előjegyzéseket és a személyzet beosztását a betegek igényeinek megfelelően
2. Betegmegfelelőség/biztonság
   előzmények, jogosultságkezelés a betegrekordok kapcsán, ezek ellenőrzése. Az AI a megfelelőség automatizálása, az adatok integritásának megőrzése, a vonatkozó szabályok és logika szerint - segíthet az orvosoknak, ápolóknak és technikusoknak, hogy elkerüljék a betegeket károsító kritikus hibákat.
3. Finanszírozási megfelelőség
   segíthet az ismételhető folyamatok egyszerűsítésében és végrehajtásában, az információk összevonásában, a hibák ellenőrzésében.
4. Egyéb back-officefunkciók: gazdasági –humán-jogi kapcsolat, szerződéskezelés, stb.
5. Rendkívül fontos, hogy az egészségügyi szolgáltatók megértsék:
   a rendelkezésre álló technológiai lehetőségeket, milyen megoldások érhetők el, milyen akadályok merülhetnek fel az érzékeny klinikai és nem klinikai környezetekben, valamint a megoldás kezdeti és folyamatos költségeinek ismerete is fontos.
   Az AI megoldások a betegellátás minden szakaszában egyre inkább megfizethetőbbek.

Az orvosi képalkotás az egyik legkorábbi kedvezményezettje az AI-nek az egészségügyben. A képalkotó kutatások 70 %-a jelenleg mély tanuláson alapul, mégis kevés algoritmust vezetettek be eddig a klinikai gyakorlatba. Ennek oka maga az orvosi képalkotás, mert a mesterséges intelligencia
érzékeny a betegek demográfiai adataira, a képalkotó eszközök életkorára, a készülékek beállításaira. Az ilyen változók negatívan befolyásolhatják a MI pontosságát.

Mesterséges Intelligencia az Orvosi képalkotás szolgálatában:

1. Számítógéppel támogatott diagnózis (CADx-Computer-aided diagnosis)
2. Klinikai döntések támogatása (CDS -Clinical decision support)
3. Mennyiségi elemző eszközök (Quantitative analysis tools)
4. Számítógéppel támogatott érzékelés (CADe-Computer-aided detection)

Mesterséges Intelligencia – ahogy az üzleti szféra látja:

1. az új AI szoftverek többsége kis startup cégektől származik
2. Integrációt igényelnek a helyi PACS-ba, HIS-be
3. jogi szabályozás, szerződések százai
4. kórházi informatikai osztályok rémálma
5. 2018 RSNA: 150 bemutatott AI-re vagy DL-reépülő alkalmazás
6. 2019 ECR: 318 előadás, 15 poszter
7. A nagyobb egészségügyi IT gyártók együttműködnek a startup-okkal, web-alapú, AI alkalmazásbolt-platformok alakulnak ki: GE - SIEMENS - TeraRecon – Blackford – Visage - Sectra - IBM Watson

Mesterséges Intelligencia – nagy vendorok "AI Marketplace" koncepciói, szolgáltatásai (példák):

SIEMENS - AI-Rad Companion Chest CT
https://www.healthcare.siemens.com/infrastructure-it/artificial-intelligence

1. Csökkenti a leletezési időt
2. Automatikusan elvégzi a méréseket, leletet készít képek és kimutatások formájában
3. összehasonlítást végez az előző vizsgálattal
4. Teljesen integrált a leletezési (képnézési) folyamatban (PACS-oldalon)
5. vendor-semleges (?) megoldás, automatikusan előkészíti a radiológusok, patológusok és / vagy klinikusok részére a képi információkat.
6. Az automatizálás révén ez a megoldás az alapvető, ismétlődő feladatok terheit veszi el tőlük.

IBM^® Watson^®:
https://www.ibm.com/watson/health/

1. szabványosított alkalmazásprogramozási interfészeket (API) nyújt, harmadik féltől származó szoftverek építéséhez vagy integrálásához az IBM Cloudsegítségével.
2. inkább betegellátási oldalra koncentrál
   IBM®Watson®for Oncology
   IBM® Watson® Care Manager
   ClinicalDecision Support: Micromedex® Medication Management, Micromedex® Diseaseand Condition Management, Micromedex® Toxicology Management

GE -EDISON:
https://www.gehealthcare.com/en/products/edison

1. A GE Healthcare Edison platformja az új technológiák, különösen az AI fejlesztések és azok befogadásának felgyorsítására szolgál.
2. A GE klinikai partnerei az új platformot használják algoritmusaik kifejlesztésére és az adatfeldolgozásra, hogy Edison alkalmazások és intelligens eszközök legyenek belőlük:
   1. Critical Care Suite
   2. AIRx™ on MR
   3. SonoCNS on Voluson E10
   4. Doppler Assistant, Automated Lesion Segmentation, OB Measure Assistant on LOGIQ E10
   5. Smart Subscription
   6. Bone VCAR
   7. Hepatic VCAR
   8. X-RAY: Quality Application
   9. Deep Learning Image Reconstruction

A tüdő LDCT-vel való szűrés támogatása a tüdő szűrővizsgálatában egyre nagyobb lendületet kap. Az Egyesült Államokban és Nyugat-Európában az egészségügyi jogalkotók széles körű elfogadásra szólítanak fel, különösen a nagy kockázatú populációk esetében.
A tüdőszűrés az egyik olyan terület, ahol az AI jelentős előrehaladást ért el:

1. Már használják az AI-alapú szoftvert a számítógéppel támogatott detektáláshoz (CAD),
2. kvantitatív képalkotó eszközökhöz
3. és a tüdő CT döntési támogatásához
   
   1. Clear Read CT (Riverain Technologies),
   2. AI-Rad Companion Chest CT (SIEMENS)
   3. QIDS (HealthMyne),
   4. Virtual Resident (RadLogics)
   5. Veye Chest (Aidence)
   6. InferRead CT Lung (InferVISION)
      A fenti rendszerek képességei és céljai eltérőek, de céljuk a tüdő CT-vizsgálatokon alapuló diagnózis hatékonyságának és minőségének növelése.

A tüdő LDCT-vel való szűrése jeletős és fokozott figyelmet igényel, ezért a felkészülés, tervezés, WF kidolgozás fontos lépés:

1. LDCT (országos vizsgálati protokoll!)
2. Automatizált folyamat formájának kiválasztása:
   
   1. Számítógéppel támogatott diagnózis (Computer-aideddiagnosis)
   2. Számítógéppel támogatott érzékelés (CAD -Computer-aideddetection)
3. Validálásfolyamata
4. Országosan egységes kép és adatkommunikáció, szoftver-használat
5. Országosan egységes betegút management
6. 1-5. teljes jogi szabályozás kidolgozása, bevezetése
7. 1-5. teljes finanszírozás kidolgozása, bevezetése

És hogyan gondolkozik egy startup, amikor belevág a képalkotó diagnosztikai MI fejlesztésbe (nagyon megfontolandó gondolatok!)?
10 Speciális kihívás a klinikai AI bevezetésében:

1. A radiológiai adatok rendkívül sokrétűek de az eltérések megfelelő oktatással elkerülhetők,
2. A fejlesztőknek támogatásra van szükségük, sok szakértőre - nem csak radiológusokra,
3. Több időt kell fordítani olyan eszközökre, amelyek lehetővé teszik számunkra a klinikai AI kialakítását,
4. Az adatvédelem és a biztonság szubjektív intézkedéseket is eredményez, állandóan változó célokkal, különösen globális szinten,
5. A legtöbb kórház nem úgy tervezi meg szoftver infrastruktúráját, hogy figyelmet fordítson az egyszerű AI integrációra,
6. A modellek nem kapnak szabályozói jóváhagyást/állásfoglalást, a modellek konkrét felhasználásával kapcsolatos különleges reklamációk kezelésére,
7. A validálás költséges, de fontos, hogy minden célcsoportra megismételjük,
8. A munkafolyamat-integrációnaka lehető legkényelmesebbnek (és nem elrettentőnek) kell lennie,
9. A bevezetés minden érdekelt féltől fokozott figyelmet igényel, hiszen mindegyikük más oldalról tekint a folyamatra,
10. Nem minden radiológiai feladat megoldása könnyű, lehet sokkal hatékonyabb (vagy elérhetőbb) megoldás, de van amelyik megoldása nagyon bonyolult.

Bágyi Péter

Mesterséges Intelligencia és tüdőrákszűrés című előadás anyaga: 2019_02_01_MTT_Bágyi