AI Memperkasakan Diagnosis Penyakit daripada X-ray, MRI, dan CT

Pengimejan perubatan adalah teras kepada diagnosis. Imbasan X-ray, CT dan MRI menghasilkan data visual yang banyak mengenai keadaan dalaman badan. 

Sebagai contoh, lebih daripada 3.5 bilion pemeriksaan X-ray dijalankan di seluruh dunia setiap tahun, dan hospital menghasilkan petabait data imej. Namun begitu, banyak imej tidak dianalisis – satu anggaran menyatakan kira-kira 97% data radiologi tidak digunakan.

Ketidakseimbangan ini berlaku kerana beban kerja yang besar ke atas pakar radiologi. Kecerdasan buatan (AI), terutamanya pembelajaran mendalam, boleh membantu dengan secara automatik “membaca” imej. Rangkaian neural konvolusi yang dilatih pada pangkalan data imej yang besar belajar mengenal pasti corak penyakit (seperti tumor, patah tulang, atau jangkitan) yang mungkin halus atau sukar dikesan. Dalam praktik, AI boleh menonjolkan kawasan mencurigakan, mengukur ketidaknormalan, dan malah meramalkan penyakit.

Hari ini, pengawal selia telah meluluskan beratus-ratus alat AI untuk pengimejan, dengan FDA menyenaraikan lebih 800 algoritma radiologi menjelang 2025. Ini mencerminkan perubahan besar: AI sedang diintegrasikan ke dalam X-ray, CT dan MRI untuk menyokong klinisi dan bukannya menggantikan mereka.

Peningkatan AI dalam Pengimejan X-ray

X-ray adalah imej diagnostik yang paling biasa – pantas, murah dan mudah didapati. Ia digunakan untuk mendiagnosis penyakit dada (pneumonia, tuberkulosis, COVID-19), patah tulang, masalah pergigian dan banyak lagi.

Walau bagaimanapun, membaca X-ray dengan baik memerlukan pengalaman, dan banyak tempat kekurangan pakar radiologi yang mencukupi. AI boleh meringankan beban tersebut.

Sebagai contoh, model pembelajaran mendalam seperti CheXNet yang terkenal telah dilatih pada beratus ribu X-ray dada. CheXNet (CNN 121 lapisan) mengesan pneumonia pada X-ray dada dengan ketepatan melebihi doktor yang beramal. Dalam ortopedik, analisis X-ray yang dipacu AI boleh secara automatik mengenal pasti garis patah tulang halus yang mungkin terlepas pandang di klinik yang sibuk.

• Tugas utama AI pada X-ray: Mengesan penyakit paru-paru (pneumonia, TB, kanser), pneumotoraks dan cecair; mengesan patah tulang atau dislokasi; saring untuk COVID-19 atau jangkitan lain. Alat AI boleh menandakan penemuan ini dengan segera, membantu memprioritikan kes yang mendesak.
• Keputusan klinikal: Dalam beberapa kajian AI menyamai prestasi pakar radiologi. Contohnya, CheXNet melebihi ketepatan purata doktor dalam kes pneumonia.
  Namun, ujian di hospital sebenar menunjukkan had: satu kajian besar mendapati pakar radiologi masih mengatasi AI semasa pada X-ray dada, mencapai ketepatan lebih tinggi dalam mengenal pasti penemuan paru-paru. Alat AI mempunyai kepekaan tinggi (72–95% untuk pelbagai penemuan) tetapi juga lebih banyak amaran palsu berbanding doktor.

Ringkasnya, AI boleh menyaring X-ray dengan boleh dipercayai dan menonjolkan kebimbangan, tetapi diagnosis akhir masih bergantung pada penilaian manusia. Seperti yang dinasihatkan dalam ringkasan berita radiologi, AI belum menjadi pakar diagnostik sepenuhnya autonomi untuk X-ray.

Inovasi AI dalam Imbasan CT

CT (tomografi berkomputer) menghasilkan imej keratan rentas terperinci badan dan penting untuk banyak diagnosis (kanser, strok, trauma, dan lain-lain). AI telah menunjukkan potensi besar pada imbasan CT:

• Kanser paru-paru: Model AI terkini boleh mengesan dan memisahkan tumor paru-paru pada CT hampir setanding dengan pakar radiologi. Kajian 2025 menggunakan rangkaian neural 3D U-Net yang dilatih pada dataset besar (lebih 1,500 imbasan CT) untuk mengenal pasti tumor paru-paru.
  Ia mencapai kepekaan 92% dan spesifisiti 82% dalam pengesanan tumor, dengan ketepatan pemisahan hampir menyamai doktor (skor Dice ~0.77 berbanding 0.80). AI mempercepatkan proses: model ini memisahkan tumor jauh lebih pantas daripada doktor.
• Pendarahan otak: Dalam perubatan kecemasan, AI membantu penjagaan strok dengan cepat. Contohnya, algoritma komersial AIDOC menandakan pendarahan intrakranial pada CT kepala. Kajian melaporkan kepekaan AIDOC sekitar 84–99% dan spesifisiti 93–99% untuk mengesan pendarahan otak.
  Ini boleh memberi amaran kepada doktor tentang pendarahan kritikal dalam beberapa saat.
• Penggunaan CT lain: AI juga digunakan pada CT dada untuk mengenal pasti corak pneumonia COVID-19, pada angiografi CT untuk pengiraan kalsium, dan pada CT abdomen untuk mengesan lesi hati atau batu karang.
  Dalam contoh kanser paru-paru, CT yang dibantu AI boleh memperbaiki perancangan rawatan dan susulan dengan mengukur isipadu tumor dengan tepat.

Manfaat dalam CT: AI mengautomasikan tugas membosankan (contohnya mengimbas volum 3D untuk nodul), meningkatkan konsistensi, dan menyokong triase. Dalam trauma, ia boleh menonjolkan patah tulang atau kecederaan organ.

Banyak alat AI kini diluluskan untuk membantu membaca CT dada dan kepala. Contohnya, agensi seperti CMS telah mula membayar balik beberapa bacaan AI (contohnya pengiraan plak koronari pada CT paru-paru rutin).

Pencapaian AI dalam Pengimejan MRI

MRI menyediakan imej kontras tinggi tisu lembut (otak, tulang belakang, sendi, organ). AI menjadikan MRI lebih pantas dan lebih pintar:

• Imbasan lebih pantas: Secara tradisinya, imbasan MRI berkualiti tinggi mengambil masa, menyebabkan masa menunggu yang lama dan ketidakselesaan pesakit. Algoritma pembinaan semula berasaskan AI baru (Deep Learning Reconstruction, DLR) memendekkan masa imbasan dengan ketara dengan meramalkan data yang hilang.
  Pakar berkata DLR boleh menjadikan imbasan MRI “sangat pantas” dan teknologi ini mungkin menjadi rutin pada semua pengimbas. Contohnya, penyelidik UK dan GE Healthcare menggunakan AI untuk membolehkan mesin MRI medan rendah (lebih murah) menghasilkan imej setanding dengan imbasan medan tinggi konvensional. Ini boleh menjadikan MRI lebih mudah diakses dan mengurangkan barisan pesakit.
• Imej lebih jelas: AI juga meningkatkan kualiti imej. Dengan mempelajari perbezaan antara imbasan bising dan jelas, DLR mengurangkan hingar imej secara masa nyata.
  Ini bermakna imej MRI lebih jelas, dengan kurang artifak pergerakan walaupun pesakit bergerak. Untuk kanak-kanak yang gelisah atau pesakit trauma, imbasan AI yang lebih pantas mengurangkan keperluan untuk sedasi.
• Pengesanan penyakit: Dalam diagnosis klinikal, AI cemerlang dalam analisis MRI. Contohnya, dalam pengimejan otak, model yang dipacu AI memisahkan dan mengklasifikasikan tumor dengan tepat.
  Pembelajaran mendalam boleh menandakan sempadan tumor dalam MRI 3D, mengukur saiznya, dan malah meramalkan genetik atau gred tumor hanya dari imej. Dalam neurologi, AI cepat mengesan strok, lesi sklerosis berganda atau malformasi. MRI muskuloskeletal (sendi, tulang belakang) juga mendapat manfaat: AI mengenal pasti koyakan ligamen atau masalah cakera tulang belakang lebih pantas daripada kaedah manual.

Secara keseluruhan, AI mengubah MRI dengan menjadikan imbasan lebih pantas dan data lebih kaya.

Dengan menggabungkan imbasan pesakit dan data pelabelan, AI membolehkan pengukuran 3D yang menyokong perancangan rawatan yang diperibadikan. Hospital yang mencuba AI MRI melaporkan aliran kerja yang lebih lancar dan tafsiran yang lebih konsisten.

Manfaat AI dalam Pengimejan Perubatan

AI membawa beberapa kelebihan merentas X-ray, CT, dan MRI:

• Kelajuan & Kecekapan: Algoritma AI menganalisis imej dalam beberapa saat. Ia menandakan penemuan yang mendesak (seperti opasiti paru-paru, strok, patah tulang) supaya doktor boleh memprioritikan rawatan.
  Dalam kajian tumor paru-paru CT, AI memisahkan tumor jauh lebih pantas daripada penjejakan manual. Pengimejan yang lebih pantas (terutamanya MRI) bermakna lebih banyak pesakit dapat dilayani dan masa menunggu lebih singkat.
• Ketepatan & Konsistensi: AI yang dilatih dengan baik boleh menyamai atau melebihi ketepatan manusia dalam tugas tertentu. Model seperti CheXNet (pengesanan pneumonia) dan lain-lain menunjukkan kepekaan lebih tinggi daripada purata pakar radiologi.
  AI juga menghapuskan variabiliti pemerhati: ia akan menandakan penemuan yang sama secara konsisten setiap kali. Ketepatan kuantitatif ini (contohnya isipadu tumor tepat) membantu pemantauan.
• Perluasan Kepakaran: Di kawasan yang kekurangan pakar radiologi, AI bertindak sebagai pembantu pakar. AI X-ray dada boleh menandakan TB atau pneumonia yang disyaki di klinik terpencil, memperluaskan akses kepada penjagaan diagnostik.
  Pasukan CheXNet di Stanford menyatakan automasi tahap pakar boleh membawa wawasan pengimejan ke kawasan yang kurang mendapat perkhidmatan.
• Wawasan Kuantitatif: AI boleh mengekstrak corak tersembunyi. Contohnya, pada MRI, model AI tertentu meramalkan mutasi genetik tumor atau hasil pesakit daripada ciri imej.
  Menggabungkan analisis imej dengan data pesakit mungkin membawa kepada ramalan risiko penyakit awal.

Manfaat ini mendorong penerimaan: ribuan hospital kini menguji alat AI pada platform pengimejan mereka.

Cabaran dan Pertimbangan

Walaupun menjanjikan, AI dalam pengimejan mempunyai beberapa kekangan:

• Variasi Prestasi: Model AI mungkin tidak sesuai untuk setiap persekitaran. Kajian mendapati beberapa alat berprestasi baik di satu hospital tetapi kurang baik di tempat lain.
  Contohnya, satu kajian menunjukkan sesetengah pakar radiologi bertambah baik dengan bantuan AI, tetapi yang lain membuat lebih banyak kesilapan apabila menggunakan AI. Kepekaan AI mungkin tinggi, tetapi amaran palsu boleh menjadi masalah. Ini bermakna klinisi mesti mengesahkan cadangan AI.
• Keperluan Kepakaran: Pakar radiologi kekal penting. Panduan semasa menekankan AI sebagai alat bantu, bukan pengganti.
  Pengawasan manusia memastikan kehalusan dan konteks klinikal diambil kira. Integrasi memerlukan latihan untuk pakar radiologi mempercayai dan mencabar penemuan AI.
• Data dan Bias: AI hanya sehebat data latihannya. Dataset imej mesti besar dan pelbagai.
  Kualiti data yang rendah, ketidakseimbangan (contohnya keterwakilan berlebihan populasi tertentu), atau artifak boleh mempengaruhi prestasi AI. Penyelidikan berterusan diperlukan untuk menjadikan AI kukuh dan adil.
• Peraturan dan Kos: Walaupun banyak alat AI diluluskan (kelulusan FDA), pelaksanaannya boleh mahal dan memerlukan perubahan aliran kerja.
  Model pembayaran balik baru muncul (contohnya CMS menanggung beberapa analisis CT yang dipacu AI). Hospital mesti mempertimbangkan kos perisian, perkakasan dan latihan.
• Privasi dan Keselamatan: Penggunaan AI melibatkan data pesakit. Perlindungan ketat (penyulitan, penyamaran) penting untuk melindungi privasi.
  Keselamatan siber juga kritikal apabila sistem AI disambungkan ke rangkaian.

Walaupun menghadapi cabaran ini, pakar menekankan integrasi yang disesuaikan. Seperti yang dinyatakan dalam laporan Harvard, reka bentuk aliran kerja yang dibantu AI dengan teliti boleh meningkatkan prestasi manusia.

Dalam praktik, gabungan kelajuan AI dengan penilaian klinisi menghasilkan keputusan terbaik.

Prospek Masa Depan

AI dalam pengimejan perubatan berkembang dengan pesat. Syarikat terkemuka dan kumpulan penyelidikan terus memperbaiki algoritma.

Contohnya, “model asas” (rangkaian AI sangat besar yang dilatih pada data perubatan pelbagai) mungkin tidak lama lagi menyediakan keupayaan diagnostik yang lebih luas. Kami menjangkakan lebih banyak tugas (contohnya pemisahan organ penuh, saringan pelbagai penyakit) akan menjadi automatik.

Di peringkat antarabangsa, projek kolaboratif bertujuan memanfaatkan AI untuk kesihatan awam (contohnya saringan TB di kawasan sumber rendah). Perkhidmatan kesihatan negara (seperti NHS UK) melabur dalam pengimbas bersedia AI untuk mengurangkan kos.

Dengan masa, pengimejan yang dibantu AI boleh menjadi standard: triase pantas untuk kecemasan, saringan kanser paru-paru yang disusun AI, dan imbasan MRI disiapkan dalam beberapa saat.

>>> Klik untuk ketahui lebih lanjut: AI Mengesan Kanser Awal daripada Imej

Kesimpulannya, AI menyokong diagnosis penyakit melalui X-ray, CT dan MRI dengan meningkatkan ketepatan, kelajuan dan akses.

Walaupun pakar radiologi masih membuat diagnosis akhir, alat AI membantu mereka melihat lebih banyak dan lebih pantas. Seiring kematangan teknologi, kita boleh menjangkakan AI menjadi rakan kongsi yang tidak ternilai dalam pengimejan, memperbaiki penjagaan pesakit di seluruh dunia.