Sztuczna inteligencja wspiera diagnozowanie chorób na podstawie zdjęć rentgenowskich, rezonansu magnetycznego i tomografii komputerowej

Obrazowanie medyczne jest kluczowe dla diagnozy. Zdjęcia rentgenowskie, tomografia komputerowa (TK) oraz rezonans magnetyczny (MRI) generują ogromne ilości wizualnych danych o stanie wewnętrznym organizmu. 

Na przykład, na całym świecie wykonuje się rocznie ponad 3,5 miliarda badań rentgenowskich, a szpitale generują petabajty danych obrazowych. Mimo to wiele obrazów pozostaje nieprzeanalizowanych – szacuje się, że około 97% danych radiologicznych nie jest wykorzystywanych.

Ta rozbieżność wynika z ogromnego obciążenia pracą radiologów. Sztuczna inteligencja (SI), zwłaszcza uczenie głębokie, może pomóc poprzez automatyczne „czytanie” obrazów. Splotowe sieci neuronowe, trenowane na dużych bazach danych obrazów, uczą się rozpoznawać wzorce chorób (takie jak guzy, złamania czy infekcje), które mogą być subtelne lub trudne do zauważenia. W praktyce SI może wskazywać podejrzane obszary, kwantyfikować nieprawidłowości, a nawet przewidywać choroby.

Obecnie organy regulacyjne zatwierdziły już setki narzędzi SI do obrazowania, a FDA do 2025 roku wymienia ponad 800 algorytmów radiologicznych. To odzwierciedla istotną zmianę: SI jest integrowana z rentgenem, TK i MRI, aby wspierać lekarzy, a nie ich zastępować.

Ulepszenia SI w obrazowaniu rentgenowskim

Zdjęcia rentgenowskie to najczęściej wykonywane obrazy diagnostyczne – szybkie, tanie i powszechnie dostępne. Stosuje się je do diagnozowania chorób płuc (zapalenie, gruźlica, COVID-19), złamań kości, problemów stomatologicznych i innych.

Jednak prawidłowa interpretacja rentgenów wymaga doświadczenia, a w wielu miejscach brakuje wystarczającej liczby radiologów. SI może odciążyć specjalistów.

Na przykład modele uczenia głębokiego, takie jak znany CheXNet, zostały wytrenowane na setkach tysięcy zdjęć rentgenowskich klatki piersiowej. CheXNet (121-warstwowa sieć CNN) wykrywa zapalenie płuc na zdjęciach rentgenowskich z dokładnością przewyższającą praktykujących lekarzy. W ortopedii analiza rentgenowska wspomagana SI może automatycznie wykrywać subtelne linie złamań, które mogą zostać przeoczone w zatłoczonych klinikach.

• Kluczowe zadania SI w rentgenie: wykrywanie chorób płuc (zapalenie, gruźlica, nowotwory), odmy opłucnowej i płynu; wykrywanie złamań kości lub zwichnięć; przesiewowe badania pod kątem COVID-19 i innych infekcji. Narzędzia SI mogą natychmiast sygnalizować te zmiany, pomagając priorytetyzować pilne przypadki.
• Wyniki kliniczne: W niektórych badaniach SI dorównywała wydajności radiologów. Na przykład CheXNet przewyższył średnią dokładność lekarzy w wykrywaniu zapalenia płuc.
  Jednak testy w rzeczywistych szpitalach pokazują ograniczenia: jedno duże badanie wykazało, że radiolodzy nadal osiągają lepsze wyniki niż obecne systemy SI w interpretacji zdjęć klatki piersiowej, uzyskując wyższą dokładność w identyfikacji zmian płucnych. Narzędzia SI cechowały się wysoką czułością (72–95% dla różnych zmian), ale także większą liczbą fałszywych alarmów niż lekarze.

Podsumowując, SI może wiarygodnie wstępnie przesiewać zdjęcia rentgenowskie i wskazywać obszary nieprawidłowości, ale ostateczna diagnoza nadal zależy od oceny lekarza. Jak ostrzega jedno z podsumowań wiadomości radiologicznych, SI nie jest jeszcze w pełni autonomicznym diagnostą dla zdjęć rentgenowskich.

Innowacje SI w tomografii komputerowej (TK)

TK (tomografia komputerowa) dostarcza szczegółowych przekrojowych obrazów ciała i jest niezbędna w wielu diagnozach (nowotwory, udary, urazy itp.). SI wykazuje duży potencjał w analizie TK:

• Rak płuc: Najnowsze modele SI potrafią wykrywać i segmentować guzy płuc na TK niemal tak dobrze jak doświadczeni radiolodzy. Badanie z 2025 roku wykorzystało sieć neuronową 3D U-Net wytrenowaną na dużym zbiorze danych (ponad 1500 skanów TK) do identyfikacji guzów płuc.
  Uzyskało 92% czułości i 82% swoistości w wykrywaniu guzów, a dokładność segmentacji była niemal porównywalna z wynikami lekarzy (wyniki Dice około 0,77 vs 0,80). SI przyspieszyła proces: model segmentował guzy znacznie szybciej niż specjaliści.
• Wylew krwi do mózgu: W medycynie ratunkowej SI wspomaga szybkie leczenie udarów. Na przykład komercyjny algorytm AIDOC sygnalizuje krwawienia wewnątrzczaszkowe na TK głowy. Badania podają, że AIDOC osiąga czułość około 84–99% i swoistość 93–99% w wykrywaniu krwotoków mózgowych.
  To pozwala lekarzom na szybkie reagowanie na krytyczne krwawienia.
• Inne zastosowania TK: SI stosuje się także do TK klatki piersiowej w celu identyfikacji wzorców zapalenia płuc COVID-19, do angiografii TK w ocenie zwapnień, oraz do TK jamy brzusznej w wykrywaniu zmian wątroby czy kamieni nerkowych.
  W przypadku raka płuc, wspomagana SI tomografia może poprawić planowanie leczenia i kontrolę, dokładnie mierząc objętość guza.

Zalety w TK: SI automatyzuje żmudne zadania (np. skanowanie trójwymiarowych objętości w poszukiwaniu guzków), poprawia spójność wyników i wspiera triage. W urazach może wskazywać złamania lub uszkodzenia narządów.

Wiele narzędzi SI jest już zatwierdzonych do wspomagania odczytu TK klatki piersiowej i głowy. Na przykład agencje takie jak CMS zaczęły nawet refundować niektóre analizy SI (np. ocenę blaszek miażdżycowych na rutynowych TK płuc).

Postępy SI w obrazowaniu rezonansu magnetycznego (MRI)

MRI dostarcza obrazów o wysokim kontraście tkanek miękkich (mózg, kręgosłup, stawy, narządy). SI sprawia, że MRI jest szybsze i bardziej inteligentne:

• Szybsze badania: Tradycyjnie wysokiej jakości skany MRI zajmują dużo czasu, co powoduje długie oczekiwania i dyskomfort pacjentów. Nowe algorytmy rekonstrukcji oparte na SI (Deep Learning Reconstruction, DLR) znacznie skracają czas badania, przewidując brakujące dane.
  Eksperci twierdzą, że DLR może uczynić MRI „ultraszybkim”, a technologia ta może stać się standardem we wszystkich aparatach. Na przykład brytyjscy naukowcy i GE Healthcare wykorzystali SI, aby umożliwić tańszemu aparatowi MRI o niskim polu magnetycznym generowanie obrazów porównywalnych z konwencjonalnym skanem wysokopolowym. To może zwiększyć dostępność MRI i skrócić kolejki pacjentów.
• Wyraźniejsze obrazy: SI poprawia także jakość obrazów. Ucząc się różnicy między szumem a czystymi skanami, DLR usuwa szumy w czasie rzeczywistym.
  Oznacza to, że obrazy MRI są wyraźniejsze, z mniejszą ilością artefaktów ruchowych, nawet jeśli pacjent się porusza. Dla niespokojnych dzieci lub pacjentów po urazach szybsze skany SI zmniejszają potrzebę sedacji.
• Wykrywanie chorób: W diagnostyce klinicznej SI doskonale radzi sobie z analizą MRI. Na przykład w obrazowaniu mózgu modele SI precyzyjnie segmentują i klasyfikują guzy.
  Uczenie głębokie może oznaczać granice guza w 3D, mierzyć jego rozmiar, a nawet przewidywać genetykę lub stopień zaawansowania na podstawie samego obrazu. W neurologii SI szybko wykrywa udary, zmiany stwardnienia rozsianego czy malformacje. MRI układu mięśniowo-szkieletowego (stawy, kręgosłup) również korzysta: SI szybciej niż metody manualne lokalizuje zerwania więzadeł czy problemy z dyskami kręgowymi.

Ogólnie rzecz biorąc, SI rewolucjonizuje MRI, czyniąc badania szybszymi i bogatszymi w dane.

Poprzez integrację skanów pacjentów i danych opisowych, SI umożliwia pomiary 3D wspierające spersonalizowane planowanie leczenia. Szpitale eksperymentujące z MRI wspomaganym SI raportują płynniejszy przebieg pracy i bardziej spójne interpretacje.

Zalety SI w obrazowaniu medycznym

SI przynosi wiele korzyści w rentgenie, TK i MRI:

• Szybkość i efektywność: Algorytmy SI analizują obrazy w ciągu sekund. Sygnalizują pilne zmiany (np. zacienienia płuc, udary, złamania), co pozwala lekarzom priorytetyzować opiekę.
  W badaniu raka płuc na TK SI segmentowała guzy znacznie szybciej niż ręczne metody. Szybsze obrazowanie (zwłaszcza MRI) oznacza większą liczbę obsłużonych pacjentów i krótsze kolejki.
• Dokładność i spójność: Dobrze wytrenowana SI może dorównać lub przewyższyć ludzką dokładność w określonych zadaniach. Modele takie jak CheXNet (wykrywanie zapalenia płuc) wykazały wyższą czułość niż przeciętni radiolodzy.
  SI eliminuje także zmienność między obserwatorami: za każdym razem oznaczy tę samą zmianę w ten sam sposób. Ta precyzja ilościowa (np. dokładna objętość guza) wspiera monitorowanie choroby.
• Rozszerzona ekspertyza: W regionach z niedoborem radiologów SI działa jako ekspert-asystent. SI do zdjęć rentgenowskich klatki piersiowej może wskazywać podejrzenia gruźlicy lub zapalenia w odległych placówkach, zwiększając dostęp do diagnostyki.
  Zespół CheXNet ze Stanford zauważa, że automatyzacja na poziomie eksperckim może przynieść korzyści obszarom niedostatecznie obsługiwanym.
• Wgląd ilościowy: SI potrafi wydobywać ukryte wzorce. Na przykład w MRI niektóre modele przewidują mutacje genetyczne guzów lub rokowania pacjentów na podstawie cech obrazu.
  Łączenie analizy obrazów z danymi pacjenta może prowadzić do wczesnego przewidywania ryzyka chorób.

Te zalety napędzają adopcję: tysiące szpitali testują obecnie narzędzia SI na swoich platformach obrazowania.

Wyzwania i kwestie do rozważenia

Mimo obiecujących wyników, SI w obrazowaniu ma swoje ograniczenia:

• Zmienność wydajności: Modele SI mogą nie sprawdzać się jednakowo w każdym środowisku. Badania pokazują, że niektóre narzędzia działają dobrze w jednym szpitalu, a gorzej w innym.
  Na przykład jedno badanie wykazało, że niektórzy radiolodzy poprawili swoje wyniki dzięki SI, ale inni popełniali więcej błędów korzystając z SI. Czułość SI może być wysoka, ale fałszywe alarmy stanowią problem. Oznacza to, że lekarze muszą weryfikować sugestie SI.
• Potrzeba ekspertyzy: Radiolodzy pozostają niezbędni. Obecne wytyczne podkreślają, że SI jest wsparciem, a nie zastępstwem.
  Nadzór człowieka zapewnia uwzględnienie niuansów i kontekstu klinicznego. Integracja wymaga szkolenia radiologów w zaufaniu i krytycznej ocenie wyników SI.
• Dane i uprzedzenia: SI jest tak dobra, jak dane, na których się uczy. Zbiory obrazów muszą być duże i zróżnicowane.
  Niska jakość danych, nierównowaga (np. nadreprezentacja niektórych populacji) czy artefakty mogą zniekształcać działanie SI. Konieczne są dalsze badania, aby uczynić SI solidną i sprawiedliwą.
• Regulacje i koszty: Choć wiele narzędzi SI ma zatwierdzenia (np. FDA), ich wdrożenie może być kosztowne i wymaga zmian w organizacji pracy.
  Modele refundacji dopiero się pojawiają (np. CMS pokrywa niektóre analizy TK wspomagane SI). Szpitale muszą uwzględnić koszty oprogramowania, sprzętu i szkoleń.
• Prywatność i bezpieczeństwo: Korzystanie z SI wiąże się z danymi pacjentów. Niezbędne są ścisłe zabezpieczenia (szyfrowanie, anonimizacja) chroniące prywatność.
  Cyberbezpieczeństwo jest również kluczowe, gdy systemy SI łączą się z sieciami.

Pomimo tych wyzwań eksperci podkreślają znaczenie dostosowanej integracji. Jak zauważa raport Harvardu, staranne projektowanie procesów wspomaganych SI może zwiększyć efektywność pracy ludzi.

W praktyce połączenie szybkości SI z oceną kliniczną lekarzy daje najlepsze rezultaty.

Perspektywy

SI w obrazowaniu medycznym rozwija się dynamicznie. Wiodące firmy i zespoły badawcze nieustannie doskonalą algorytmy.

Na przykład „modele bazowe” (bardzo duże sieci SI trenowane na różnorodnych danych medycznych) mogą wkrótce zaoferować jeszcze szersze możliwości diagnostyczne. Spodziewamy się automatyzacji kolejnych zadań (np. pełnej segmentacji narządów, przesiewowych badań wielochorobowych).

Na arenie międzynarodowej realizowane są projekty współpracy wykorzystujące SI dla zdrowia publicznego (np. przesiew gruźlicy w obszarach o ograniczonych zasobach). Narodowe systemy opieki zdrowotnej (jak NHS w Wielkiej Brytanii) inwestują w skanery gotowe na SI, aby obniżyć koszty.

Z czasem obrazowanie wspomagane SI może stać się standardem: szybka triage w nagłych przypadkach, przesiewy raka płuc z wykorzystaniem SI oraz skany MRI wykonywane w kilka sekund.

>>> Kliknij, aby dowiedzieć się więcej: Sztuczna inteligencja wykrywa wczesnego raka na podstawie obrazów

Podsumowując, SI wspiera diagnozowanie chorób na podstawie zdjęć rentgenowskich, TK i MRI, zwiększając dokładność, szybkość i dostępność.

Choć ostateczne diagnozy nadal stawiają radiolodzy, narzędzia SI pomagają im dostrzegać więcej i szybciej. W miarę rozwoju technologii SI stanie się nieodzownym partnerem w obrazowaniu, poprawiając opiekę nad pacjentami na całym świecie.