Jak Deep Learning zrewolucjonizuje diagnostykę obrazową?

O wykorzystaniu sztucznej inteligencji w medycynie mówi się od dawna. Jej ostatnie dokonania w radiologii wzbudzają zachwyt inżynierów i strach u radiologów, którzy obawiają się zastąpienia przez maszyny.

A jaki wpływ na pracę elektroradiologów i techników elektroradiologii będzie mieć ta technologia? I czy rzeczywiście mamy się czegoś obawiać? Jakie są korzyści wynikające z zastosowania tej technologii oraz jej limity? Na te pytania postaram się odpowiedzieć w poniższym artykule.

Rozwój uczenia głębokiego (Deep Learning – DL) 

Głębokie uczenie (DL) jest to nic innego jak podgrupa sztucznej inteligencji (AI). Termin ,,sztuczna inteligencja” został użyty po raz pierwszy przez amerykańskiego inżyniera komputerowego Johna McCarthy’ego w 1956 roku na konferencji w Dartmouth [1]. Określenie to opisuje naukę i inżynierie tworzenia inteligentnych maszyn, które na podstawie programów i systemów symulacyjnych naśladują procesy decyzyjne człowieka. Są one w stanie prawidłowo intepretować dane, aby wykonywać wyznaczone im zadania. Prace jak przejść od teorii do praktyki trwały przez kilka lat i wraz z rozwojem technologii maszyny potrafiły przyjmować coraz więcej danych. Poprzednim wyzwaniem było: jak nauczyć maszyny przetwarzać zgromadzone dane i nadawać im sens. I tak powstało określenie uczenie maszynowe (MU).

Uczenie maszynowe to nic innego jak wykorzystanie przez maszynę skomplikowanych algorytmów, które umożliwiają tworzenie podgrup danych w podzbiory. Uczenie głębokie to podzbiór uczenia maszynowego, w którym sztuczne sieci neuronowe, algorytmy inspirowane ludzkim mózgiem, uczą się na podstawie dużych ilości danych. Podobnie do tego, jak uczymy się my na podstawie naszych doświadczeń, algorytmy głębokiego uczenia wykonują zadanie wielokrotnie, za każdym razem nieco je modyfikując, aby poprawić wynik [2-3].

Zalety zastosowania DL w diagnostyce obrazowej.

Uczenie głębokie oferuje dużo potencjalnych korzyści. Potencjalnych, gdyż na ten moment kilka firm i dużych szpitali badawczych na całym świecie pracuje nad udoskonaleniem tych systemów do użytku klinicznego. Lecz już teraz wiemy, że wprowadzenie DL doprowadzi do zmniejszenia czasu oczekiwania na opis badań obrazowych przez radiologów, a tym samym zwiększy ,,przepustowość’’ badań. Kolejną ważną zaletą jest zwiększanie dokładności opisu badań. Aktualnie radiolodzy do wykonania opisu badania mają do przeanalizowania od kilku do kilkuset obrazów (w zależności od badania).  Zastosowanie oprogramowania sztucznej inteligencji (AI) jako asystenta radiologa pomoże prześledzić obrazy i wskazać te, które wymagają uwagi lekarza i dodatkowo zasugerują jednostkę chorobową. Docelowo przy podłączeniu do elektronicznego, medycznego systemu danych dojdzie do umożliwienia wyświetlenia całej dostępnej historii chorobowej pacjenta, badań diagnostycznych oraz przyjmowanych przez niego leków tak, aby postawiona diagnoza była jak najbardziej precyzyjna [4-7].

Jakie są limity DL?

Aby głębokie uczenie mogło odnieść sukces, wymagana jest przede wszystkim wysoka spójność danych wprowadzonych do algorytmu. W odniesieniu do radiologii jest to istotny problem. Firmy tworzące systemy diagnostyczne często chcąc chronić swoją własność intelektualną i zachować prawa zastrzeżone ograniczają liczbę danych, na których ten system jest oparty. Kolejne ograniczenie stanowi inżyniera wsteczna systemów DL. Pozwala ona na zmianę danych wejściowych co może stanowić zagrożenie, gdy ktoś wprowadzi zmiany, które nie będą zauważalne przez człowieka, lecz znacząco zmienią algorytm, a tym samym wpłyną na system kwalifikacji obrazów. Konsekwencją tego, mogą być w najlepszym wypadku: wystąpienia błędów na ekranie, w najgorszym będzie diagnoza.

I tu dochodzimy do kolejnego ograniczenia jakim jest system walidacji DL. Stworzenie takiego systemu wymagałoby prawdopodobnie współpracy międzyinstytucjonalnej i dużych zbiorów danych. Na ten moment jest na to za wcześnie, dużą nadzieję pokłada się w stworzeniu chmury analitycznej systemów medycznych, które umożliwią DL prawidłowy zbiór danych szkoleniowych (podstawowy) oraz dalszy rozwój [3,8].

Zanim ta technologia stanie się powszechna należy również określić odpowiedzialność prawną. Kluczowe pytanie to: kto w wypadku błędnej diagnozy, ponosi odpowiedzialność prawną za błędną diagnozę: dostawca algorytmu czy lekarz radiolog? Należy pamiętać o tym, że algorytmy DL mają większą niezależność i autonomię w zakresie interpretacji danych niż proste oprogramowania. A to stawia DL jako oddzielny podmiot w procesie diagnostycznym. Co oznacza, że w przyszłych procesach sądowych utrudnione będzie wskazanie winnego [9].

Przyszłość dla DL. 

Obecnie według prezesa NRL dra Macieja Hamankiewicza, pracujących radiologów jest niecałe 3 tysiące i mimo znaczącego wzrostu sprzętu diagnostycznego w Polsce, w ciągu ostatnich 10 lat liczba badań ciągle wzrasta. Sama radiologia i rosnące w niej braki personelu medycznego, stają się wąskim gardłem procesu diagnostycznego [10].

Wyniki prac dotyczące rozwoju DL są bardzo optymistyczne. Wskazują one wyraźnie na to, że na przestrzeni najbliższych kilku lat większość placówek diagnostycznych będzie pracowała wraz z DL jak z wirtualnym asystentem.

Należy jednocześnie podkreślić, iż ta technologia nie ma na celu zastąpienia człowieka. Jej celem jest dostarczenie narzędzi wspomagających proces diagnostyczno-terapeutyczny, by móc szybciej pomóc pacjentom wrócić do pełni zdrowia.

Jej przyszłość jest obiecująca przy czym zwracając uwagę na jej limity zastanawiające jest, jaki przyjmie ostatecznie kształt. Bardzo ważna jest przy tworzenie systemów AI społeczna odpowiedzialność, które przyniesie korzyści wielu, a nie tylko nielicznym.

Obecnie w naszym kraju są prowadzone badania z użyciem tej technologii. Czy ty już miałeś szanse z nią pracować? Co myślisz o tej technologii?

Źródła: ↓

  1. 1956: Konferencja w Dartmouth, https://www.sztucznainteligencja.org.pl/portfolio/1956-konferencja-w-dartmouth/, portal SI: Sztuczna Inteligencja.
    Data pobrania 21.09.2020
  2. McBee M., Awan O., Colucci A., Deep Learning in Radiology, Academic Radiology, 29/3/2018, https://www.academicradiology.org/article/S1076-6332(18)30104-1/fulltext#back-bib0020 
    Data pobrania 23.09.2020
  3. McBee M., Awan O., Colucci A., Deep Learning in Radiology,Radiology Research Alliance, Volume 25, Issue 1,1/11/2018 https://www.academicradiology.org/article/S1076-6332(18)30104-1/fulltext#back-bib0020
    Data pobrania 21.09.2020
  4. Buhler K., 3 Ways Artificial Intelligence Will Change Healthcare, Forbs Magazine, 4/8/2020 https://www.forbes.com/sites/konstantinebuhler/2020/08/04/3-ways-artificial-intelligence-will-change-healthcare/#2b6aec843e4e
    Data pobrania 21.09.2020
  5. Fornell D., How Artificial Intelligence Will Change Medical Imaging, Imaging Technology News, 24/2/2017/ https://www.itnonline.com/article/how-artificial-intelligence-will-change-medical-imaging
    Data pobrania 23.09.2020
  6. How AI and Deep Learning are revolutionizing Medical Imaging, 08/04/2019, GE Healthcare https://www.gehealthcare.com/long-article/how-ai-and-deep-learning-are-revolutionizing-medical-imaging
    Data pobrania 22.09.2020
  7. Ahuja A. S.,The imact of artificial intelligence in medicine on the future role of the physician,PeerJ,  2019; 7: e7702. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6779111/ 
    Data pobrania 21.9.2020
  8. Pastorello N., Berry K., Deep Learning in Medical Imaging, Asia Hospital &Healthcare Management,21/9/2020 https://www.asianhhm.com/diagnostics/artificial-intelligence-deep-learning-medical-imaging
    Data pobrania 21.9.2020
  9. Reardon S.,Rise of Robot Radiologists, 18/12/2019, Nature, https://www.nature.com/articles/d41586-019-03847-z
    Data pobrania 21.9.2020
  10. Grela A., Brak radiologów. Na opis badania czeka się nawet kilka miesięcy, Polityka zdrowotna ,08/9/2019 https://www.politykazdrowotna.com/28955,brakuje-radiologow-na-opis-badania-czeka-sie-nawet-kilka-miesiecy 
    Data pobrania 21.9.2020

hello@radiopeiron.com