Mit jelentenek majd az AI “app-store”-ok a radiológiának?
Közösségek - AI - Mesterségs Intelligencia | 2019. augusztus 20. 18:03 | Utolsó módosítás dátuma - 2024. október 09. 02:24 | Forrás: https://hbr.org/2019/06/what-ai-app-stores-will-mean-for-radiology
Legújabb tanulmányok szerint a mesterséges intelligencia (AI) algoritmusok segíthetnek a radiológusoknak növelni a röntgen és CT vizsgálatok, valamint egyéb képalkotó eljárások interpretációjának gyorsaságát és pontosságát. A technológiai mindennapi alkalmazásának bevezetése kihívást jelent a fejlesztés, tesztelés és hatósági engedély megszerzés összetettsége miatt. De a PC-k és okostelefonok világából adaptált koncepció ígéretes eszköznek tűnik, a mesterséges intelligencia mindennapi gyakorlatba történő átvivéséhez a kutatási vizsgálatokból.
A radiológiai AI piacok fogalmi szinten hasonlítanak az „app store”-okhoz, mivel lehetővé teszik a az „app”-ok, ebben az esetben a AI modellek felfedezését, terjesztését és értékesítését, továbbá visszajelzési csatornát biztosít a felhasználók és fejlesztők között. Azonban abban különböznek egymástól ezek a piacterek és hagyományos „app store”-ok, hogy miként támogatják az AI modellek fejlesztéséhez, képzéséhez, hatósági jóváhagyásához, kiépítéséhez, validálásához szükséges életciklus követelményeket. A Nuance cég 2017-ben mutatta be diagnosztikai képalkotó AI piacát; de mások is indítottak el AI piacot, többek között az Arterys és a GE Healthcare az Edison platformjukat.
A mesterséges intelligencia gyakorlati felhasználása az egészségügyben
A radiológiai algoritmusok csak egy adott eltérésre fokuszálnak az adott képalkotó modalitással készült felvételeken, például tüdőgócokra a mellkas CT sorozatokon. Ez bizonyos esetekben javíthatja a diagnosztikai gyorsaságot és pontosságot, de az algoritmusok alapja, hogy egyszerre csak egy kérdést tudnak megválaszolni. Mivel sokféle felvétel létezik, és több ezer eltérés, valamint diagnózis, mindegyik célzott algoritmust igényelne. Ezzel szemben egy radiológus egy képalkotó vizsgálat leletezése során egyszerre számtalan eltérést és kérdést tud keresni, illetve megválaszolni, továbbá a vizsgálat eredeti céljához nem kapcsolódó gyakori mellékeltéréseket is figyelembe tudja venni.
Ennek megfelelően a fejlesztőknek több ezer algoritmust kellene létrehozniuk, betanítaniuk, tesztelniük, az FDA-tól engedélyt szerezniük, értékesíteniük, támogatniuk és fejleszteniük ahhoz, hogy a radiológusok munkájának csak a diagnosztikai részét segíthessék. Ezen kívül az egészségügyi szervezeteknek és orvosoknak meg kellene találniuk, értékelniük, vásárolniuk és fel kellene telepíteniük a különböző fejlesztők által készített különféle algoritmusokat, majd be kellene illeszteniük a már meglévő munkafolyamatukba.
További kihívást jelent a deep-learning modellek rendkívül nagy adatigénye. A legtöbb modellt az elérhető, gyakran szűkös adatkészletből fejlesztették ki, így az elkészült algoritmusok épp annyira robusztusak, mint a felhasznált adatok. Az AI modellek jól működhetnek azon a területen, ahonnan a fejlesztésükhöz használt adatok származnak, azonban problémás lehet, ha más helyen, más betegpopuláció, más képalkotó berendezés vagy technika esetén használják őket. Például egy 2018. novemberben a PLOS Medicinben publikált tanulmányban kimutatták, hogy röntgenfelvételeken pneumonia diagnosztizálásához használt deep learning modell teljesítménye szignifikánsan alacsonyabb volt, amikor azt más kórházak röntgenfelvételein alkalmazták.
A piac működése
Az AI piacok hozzájárulhatnak a fentebb említett komplex kihívások megoldásához. Először is az orvosok és kórházak részére hozzáférést adnak az AI modellek széles skálájához. Az AI fejlesztők cserébe üzleti hozzáférést kaphatnak egy konszolidált piachoz és bővíthető bevételi modellhez.
A piac modell beépített feedback csatornát is tartalmaz, hogy az algoritmusok technikai funkcionalitása és a mindennapi felhasználásuk közötti rést áthidalják. A radiológusok megoszthatják a fejlesztőkkel az eredményeket, így téve lehetővé számokra, hogy annotált, valós adatok felhasználásával folyamatosan finomítsák az algoritmust. Ezen kívül értékes validációs adatokat nyerhetnek a FDA engedélyeztetéshez. A kórházi rendszerek is profitálnak, több helyről is nyomon követhetik az algoritmus használatát, költség és teljesítmény mutatóit.
Az AI piacok már elkezdték létrehozni az egészségügyi fejlesztők és felhasználók együttműködési közösségét. Például a Rochesteri Egyetem az Aidoc által kifejlesztett, FDA engedéllyel bíró alkalmazást használ, ami feltételezett intracranialis vérzés szempontjából értékeli a CT felvételeket, majd prioritásuk alapján sorba rendezi őket a radiológus munkalistáján, hogy azonnali figyelmet kapjanak a sürgős esetek. Hosszabb távú felhasználásra példa az Aidence és eUnity által fejlesztett alkalmazás, melyet a Pensylvaniai Egyetemen használ. Az alkalmazás segít a tüdőgócok detektálásában és karakterizálásában, követésükben és a lelet készítésben.
Az AI fejlesztésének ösztönzése és javítása érdekében a piaci visszajelzést számos állami és magán társaság támogatja. Ide tartozik a FDA’s Software Precertification Program (SPP), ami az AI fejlesztők számára működik, mint például a TSA Pre-check program az utazók számára. Az SPP felméri, hogy a fejlesztők hogyan reagálnak a valós algoritmusok teljesítményére és hatékonyabb módszert kínál az AI modellek piacra dobásához. Az FDA’s National Evaluation System for health Technology (NEST) együttműködik az American College of Radiology Data Science Institute (DSI)-vel, hogy az algoritmusok érvényesítésének és teljesítmény ellenőrzésének módjait kidolgozzák. Ez az együttműködés a DSI’s Lung-RADS programját használja ahhoz, hogy algoritmusokat validáljanak és monitorizáljanak a tüdőrákszűrű programok során a tüdőgócok detektálására és osztályozására. A cél az algoritmus teljesítménymutatók nemzetközi nyilvántartásának létrehozása, mely a munkafolyamatokba történő egyszerű integrációtól a diagnosztikai pontosságig mindent felmérhet.
A kiégés kezelése
Az AI piacoknak előre kellene mozdítaniuk a mesterséges intelligencia széleskörű alkalmazását a radiológiában, valamint azáltal, hogy segítik a radiológusokat és növelik a teljesítményüket, két féle módon is enyhíthetik a radiológusok kiégését. Az egyik az, hogy az iteratív fejlesztési folyamat révén elősegítik az algoritmusok tervezését, melyek könnyedén integrálódhatnak a radiológiai munkafolyamatba és egyszerűbbé tehetik azt, ahelyett, hogy további ablakok megjelenésével és kattintásokkal fárasztanák a radiológust.
A másik mód a radiológiai leletezés gyorsaságának és minőségének javítása. Ezek az algoritmusok automatizálhatják az ismétlődő feladatokat és virtuális kiértékelőként működhetnek, a felvételek elő-értékelése során a potenciálisan fontos elváltozásokat kiemelhetik, a méréseket és összehasonlításokat elvégezhetik, az adatokat és klinikai információkat automatikusan hozzáadhatják, hogy a radiológus áttekinthesse. Az algoritmusok minőségellenőrzésre is módot biztosíthatnak, például a jobb-bal oldal vagy a nem tévesztésének detektálása révén, valamint a lelet pontosságában, a számlázásban és kódolásban is segítséget nyújthatnak, melyek az orvosoknak csak stresszt jelentenek.
A klinikai eredmények javítása
A rutinfeladatok átvételével, a minőségellenőrzések hozzáadásával és a diagnosztikai pontosság javításával az AI algoritmusok várhatóan javítani fogják a klinikai eredményeket. Például, a Densitas által forgalmazott, FDA engedéllyel bíró modell automatikusan leméri az emlő denzitását a digitális mammográfiai felvételen, mivel a denz emlő esetén emelkedett az emlőrák kockázata. A szokásos, de fontos feladatok kezelésével és standardizálásával az algoritmusok segíthetnek a magasabb kockázatú betegekre irányítani a figyelmet. Továbbá bizonyos tanulmányokban kimutatták, hogy a mammográfiás felvételeken az emlőrák azonosításában az AI algoritmusok ugyanolyan hatásosnak, egyes esetekben jobbnak is bizonyultak, mint egy átlagos radiológus.
A populáció elöregedésével a diagnosztikus radiológiai iránti igény biztosan nőni fog. Az AI piacok megjelenése felgyorsíthatja az AI algoritmusok elfogadását, ezzel segítve a növekvő munkaterhelés kezelését, valamint az orvosok kezébe olyan eszközt adhat, amellyel javíthatják a diagnosztizálást, a kezeléseket, így végső soron a betegek gyógyulását.
Referálta:
dr. Tar Julianna
radiológus rezidens
DE-KEK, Központi Radiológiai Diagnosztika