Biotechnologia.pl
łączymy wszystkie strony biobiznesu
Prof. Janusz Braziewicz: „W medycynie opartej na AI nadchodzi era exabajtów danych”

Stopień zaawansowania automatyzacji i sztucznej inteligencji w obszarze medycyny nuklearnej to obecnie poziom III i IV w pięciostopniowej skali. Wdrożenia algorytmów opartych na Artificial Intelligence (AI) przynoszą oszczędność czasu i szansę na pełną standaryzację procedur, ale także na uniknięcie błędów ludzkich i skuteczniejsze, spersonalizowane terapie dla pacjentów – uważa prof. Janusz Braziewicz, kierownik Zakładu Medycyny Nuklearnej z Ośrodkiem PET w Świętokrzyskim Centrum Onkologii, członek Zarządu Polskiego Towarzystwa Medycyny Nuklearnej.

 

Panie Profesorze, czym jest sztuczna inteligencja w medycynie, jak należy rozumieć to pojęcie?

Od czasu, kiedy o Artificial Intelligence w medycynie pojawiły się pierwsze wzmianki w prasie specjalistycznej, pojęcie to wzbudziło wiele emocji. Wiele osób jest wobec sztucznej inteligencji nastawionych pozytywnie i wiąże z nią duże nadzieje, ale z drugiej strony nie brakuje także społecznych obaw i wątpliwości związanych z tym, wciąż stosunkowo nowym, obszarem nauki. Jeśli chodzi o diagnostykę obrazową, pierwsze zwiastuny nowości w tym obszarze dotyczyły głównie radiologii. Zrodziło się wówczas podstawowe pytanie: czy komputery zastąpią lekarzy? Na polu radiologii stawiano wówczas w opozycji człowieka i maszynę. Dziś podobne pytania wydają się wręcz bezzasadne wobec nieuniknionego rozwoju algorytmów sztucznej inteligencji na polu diagnostyki, w tym diagnostyki obrazowania molekularnego. Sztuczna inteligencja ma dziś realne zastosowanie kliniczne, m.in. w procedurach medycyny nuklearnej. Przykładem są używane na co dzień algorytmy diagnostyczne, stosowane w nowoczesnych skanerach hybrydowych, łączących w sobie procedury medycyny nuklearnej i radiologii, takich jak: SPECT/CT, PET/CT czy PET/MRI.

 

Jak sztuczna inteligencja wspiera diagnostykę i terapię nuklearną?

Wydaje się, że zadane pytanie można poszerzyć i zapytać, czy AI mogłaby wesprzeć nie tylko proces opisowy diagnostyki, ale także wcześniejszy etap, czyli proces akwizycyjny? Przykłady rozwiązań z zastosowaniem AI możemy bowiem wskazać zarówno po stronie samych skanerów, jak i i platform opisowych, czyli stacji lekarskich umożliwiających określenie celu oraz interpretację wykonywanego badania. Warto podkreślić, że stoimy dziś przed faktem lawinowego i globalnego wzrostu diagnostycznych badań obrazowych, w tym badań z zakresu medycyny nuklearnej. Można śmiało ekstrapolować liczby badań CT (tomografii komputerowej) i MRI (rezonansu magnetycznego), które, jak wskazują statystyki [1], [2], na przestrzeni 10 lat – od początku 2000 r. do 2010 r. – wzrosły dziesięciokrotnie. W obszarze medycyny nuklearnej taki wzrost liczby badań SPECT i PET przypada na okres późniejszy i gwałtowny wzrost rozpoczyna się po 2010 r. Można to tłumaczyć obserwowaną wówczas zwiększającą się różnorodnością i dostępnością niezbędnych radiofarmaceutyków. Było to szczególnie istotne w przypadku Polski, gdzie radiofarmaceutyki nie musiały być już sprowadzane zza granicy (powstało wówczas kilka krajowych zakładów produkcyjnych o bardzo zróżnicowanej gamie radioznaczników i radiofarmaceutyków). Wzrosła także świadomość – zarówno środowiska lekarskiego, jak i samych pacjentów – w zakresie możliwości procedur obrazowania molekularnego. Obecnie medycy nuklearni rozwijają nowy trend teranostyki, który wydaje się być przyszłością personalizowanej medycyny poprzez ścisłe połączenie diagnostyki i terapii w celu dobrania do potrzeb konkretnego pacjenta celowanego leczenia. W obszarze sztucznej inteligencji medycy nuklearni coraz częściej wspierają proces terapii, pomagając w ocenie trafności i zasadności zaleconego leczenia już w początkowej jego fazie. Nie bez znaczenia jest w tym kontekście wykorzystywanie hybrydowych badań PET/CT np. w planowaniu radioterapii.

 

Czy możliwości polskich ośrodków nadążają za dynamicznym rozwojem techniki?

Z jednej strony mamy lawinowy wzrost dostępnych technik badań, ale w ślad za nim nie następuje niestety proporcjonalny wzrost liczby dostępnych lekarzy specjalistów, którzy mogliby je szybko i rzetelnie przeprowadzić. Brakuje także wyszkolonych techników korzystających z zaawansowanych metod akwizycji z zastosowaniem narzędzi, jakie oferuje dany skaner. Specjaliści migrują coraz częściej do kolejnych ośrodków, także zagranicznych. Dziś w praktyce każdy zakład medycyny nuklearnej w Polsce musi się liczyć z chwilowymi brakami personelu oraz związaną z nimi koniecznością wykształcenia nowych pracowników, wyszkolenia ich w zakresie funkcjonowania nowych programów i aplikacji oraz zdobycia niezbędnego doświadczenia. Skutkiem takiej sytuacji jest przeciążenie ilością pracy poszczególnych grup specjalistów i często coraz dłuższy czas oczekiwania na opisanie badań. Znamy to wszyscy z doświadczenia: oczekiwania rosną, a czasu na interpretację wyników jest coraz mniej. Co istotne, presja obniża jakość pracy. Jak pokazują badania, jeśli skróci się o 50 proc. czas na interpretację badania radiologicznego, to stosunek błędów interpretacyjnych wzrośnie o niemal 17 proc.! [3]

 

Wzrost szybkości w zakresie realizacji procedur to jeden z wyróżników zastosowań sztucznej inteligencji w medycynie nuklearnej?

Zdecydowanie. Trzeba tutaj wspomnieć także o wzrostowym trendzie pojemności danych akwizycyjnych nowoczesnych technik diagnostycznych, które już dawno przestały być tylko akwizycjami statycznymi. Coraz powszechniejsze są tzw. badania dynamiczne, bramkowane, i to podwójnie, ze 100-proc. liczbą zliczeń w tym samym czasie, co w przypadku badań standardowych. Podstawowa wielkość SUV – standaryzowanego współczynnika gromadzenia znacznika – już nie wystarcza. Dziś chcemy znać również szybkość metabolizmu danego znacznika na obrazach PET. Z systemów analogowych przechodzimy na cyfrowe. W tych nowoczesnych rozwiązaniach nie mówimy już o wielkości danych generowanych przy badaniach i dalej poddawanych processingowi w gigabajtach, terabajtach czy nawet petabajtach. Bardzo szybko nadchodzi era exabajtów danych.


Czy specjaliści medycyny nuklearnej są w stanie skutecznie zarządzić procesami związanymi z zastosowaniem sztucznej inteligencji przy użyciu obecnie dostępnych narzędzi?

Jak najbardziej. Zresztą w tym przypadku niepodważalnego potwierdzenia dostarczają liczby. Opierając się na statystykach ze scopus.com można stwierdzić, że liczba publikacji, których tematem przewodnim jest AI w medycynie nuklearnej, zaczyna gwałtownie narastać od 2016 r. i rośnie nadal. Ich analiza [4] wskazuje na kilka głównych obszarów rozwoju AI w hybrydowej medycynie nuklearnej i niewątpliwie są to m.in.: rekonstrukcja obrazów wielomodalnych (SPECT/CT, PET/CT lub PET/MR); automatyczna detekcja (wyszukiwanie) zmian metabolicznych o zadanym progu SUV; automatyczna segmentacja i prezentacja w 3D zmian w badaniach CT narządów miąższowych, w tym w: płucach, wątrobie oraz w węzłach chłonnych wraz z automatycznym pomiarem zmiany (zgodnie z kryteriami oceny odpowiedzi na leczenie guzów RECIST 1.1); automatyczna segmentacja jednego i wielu ognisk jednocześnie powyżej określonego rozmiaru lub wartości wychwytu SUV; automatyczna detekcja określonych struktur i ich numeryzacja (np. żeber, kręgów czy też guzków w płucach); automatyzowana klasyfikacja (np. w badaniach PET klasyfikacja zmian w węzłach chłonnych według pięciopunktowej klasyfikacji Deauville); predykcja wyników leczenia w danym typie nowotworu czy dalszego rozwoju choroby po stopniu jej zaawansowania w obrazowaniu molekularnym; wreszcie predykcja rozwoju chorób neurodegeneracyjnych, takich jak choroba Alzheimera czy chorób serca po badaniu perfuzyjnym SPECT i PET. To wszystko dzieje się już dziś, a potwierdzeniem tego są najnowsze publikacje, które pokazują, że AI może udoskonalić dotychczasowy proces rozpoznawania i wyszukiwania zmian metabolicznych – w raku szyjki macicy, w raku płuca czy chłoniakach.

 

Jak można określić stopień zaawansowania wdrożeń sztucznej inteligencji w medycynie nuklearnej?

Mówiąc o sztucznej inteligencji w medycynie nuklearnej (ale nie tylko), warto nawiązać do znanych pięciu poziomów automatyzacji: I. Działania manualne; II Działania maszynowo-manualne; III Zautomatyzowane działania maszynowo-manualne; IV Automatyzacja, ale „z ludzką ręką”; V Pełna automatyzacja. Niewątpliwie stopień zaawansowania automatyzacji i sztucznej inteligencji w obszarze medycyny nuklearnej to obecnie poziom III i IV. Na poziomie III (warunkowej automatyzacji) skaner czy system opisowy pod wpływem operatora dostosowuje się do narzucanych mu warunków i wykonuje zlecone zadanie. Obecnie obserwujemy duże przyspieszenie technologiczne i wejście na poziom IV (wysokiej automatyzacji), kiedy to system automatycznie przetwarza samodzielnie pozyskane dane i dostarcza specjaliście wstępnie przeanalizowane informacje. Ma to miejsce np. wówczas, kiedy system zeskanuje ułożonego na stole skanera PET/TK pacjenta i na podstawie swego rodzaju skanu topogramowego, w oparciu o analizę danych anatomicznych chorego zaproponuje wykonanie skanu PET i TK (z uwzględnieniem wskazania klinicznego i sylwetki pacjenta). Odbywa się to z użyciem automatycznie dostosowanych parametrów akwizycji, z minimum wymaganej dawki promieniowania ze strony TK. Algorytm po stronie PET ustala: szybkość przesuwu łóżka podczas płynnego skanowania różnych części ciała pacjenta, zastosowanie różnych matryc rekonstrukcyjnych, zastosowanie bramkowania oddechowego dla odpowiedniego obszaru klatki piersiowej i tułowia (ważne, że bramkowanie zostanie wykonane bez konieczności założenia np. pasa piersiowego dla uzyskania przebiegu falowego wykresu cyklu oddechowego). Co więcej, taki sam protokół skaner zastosuje, kiedy pacjent pojawi się na kolejnym badaniu w ramach follow-up.

 

Jakie korzyści daje zastosowanie algorytmów opartych na sztucznej inteligencji w medycynie?

Wysoki stopień automatyzacji procedur medycznych daje gwarancję oszczędności czasu, pozwala na pełną standaryzację i powtarzalność badań, uniknięcie błędów ludzkich i zapewnia spersonalizowane skanowanie dopasowane do potrzeb klinicznych. To uzyskamy po stronie skanera. Po stronie stacji opisowej badania będą lepiej przygotowane do weryfikacji i końcowej oceny. Dla przykładu, pierwsze badanie pacjenta i kolejne, np. po trzech cyklach chemioterapii i kolejnych trzech, zostaną wstępnie przygotowane w tle, tak samo zrekonstruowane, aby ostatecznie dla opisującego je lekarza trzy pozyskane zestawy obrazów pokazały się w tym samym ułożeniu (np. czołowym czy strzałkowym). Dzięki inteligentnym algorytmom zostaną precyzyjnie dopasowane w oparciu o ich anatomiczne wyznaczniki tak, by synchronicznie się przewijając, ukazywały automatycznie te same zmiany w różnych punktach czasowych na wszystkich przekrojach. Umożliwia to łatwiejszą ocenę zmian. Dodatkowo, system wykona segmentację dla wielu zmian jednocześnie na każdym z obrazów tego pacjenta w trzech punktach czasowych (Multi-foci Segmentation [MFS]), klasyfikując wychwyt znacznika jako typowy = „fizjologiczny“ i nietypowopodwyższony = „nie-fizjologiczny“ – przygotowując to do weryfikacji opisującego lekarza. Dodatkowo, system przeanalizuje i zdefiniuje łączną wielkość guzów, aby określić (skalkulować) takie wskaźniki, jak: TLG i MTV, czyl iTotal Lesion Glycolysis (całkowita glikoliza guza) i Metabolic Tumor Volume (objętość metaboliczna guza), będące silnymi wyznacznikami prognostycznymi w chorobach nowotworowych płuc albo (w innym przypadku klinicznym) wykona automatycznie kalkulację dla określenia oceny zaawansowania zmian w węzłach chłonnych według pięciopunktowej klasyfikacji Deauville.

 

Jak zdaniem Pana Profesora w przyszłości będzie rozwijało się zastosowanie sztucznej inteligencji w medycynie nuklearnej?

Po stronie wyzwań mamy rosnące wymagania, jakie narzuca się obrazowaniu PET i SPECT – maksymalnie precyzyjnemu i wysoce rozdzielczemu, czułemu, bramkowanemu, z efektem „zamrożonego ruchu”, dynamicznemu, z dodatkowymi parametrami poza SUV (jak Metabolic Rate czy Distribution Volume). Za tym idzie wprost proporcjonalna maksymalizacja ilości danych, jakie uzyskuje się w trakcie i po wykonaniu badań SPECT, SPECT/CT i PET/CT. Można więc oczekiwać, że napędzane sztuczną inteligencją aplikacje będą się pojawiały i usprawniały każdy krok postępowania (tzw. Imaging Workflow), zaczynając od ustawienia kolejki i zaplanowania badań (order/schedule), przez ich przygotowanie i opracowanie na stacji akwizycyjnej (parameters’ preparation), przez sam proces skanowania (acquisition), dalej przez proces obróbki danych i ocenę ilościową (postprocessing/quantification) aż do interpretacji i opracowania ostatecznego raportu opisu (interpretation/ raport generation). Aby to się stało, wymagane są setki milionów wyselekcjonowanych obrazów i ich dokładnych sprawdzonych raportów, danych klinicznych oraz genomicznych, silna, super wydajna, ucyfrowiona infrastruktura międzynarodowa, zdolna udźwignąć setki eksperymentów AI dziennie i ogromne już zdobyte doświadczenie na polu uczenia maszynowego (machine learning) i aplikacji opartych o tzw. pogłębione uczenie się (deep learning). W diagnostyce obrazowej, której częścią jest medycyna nuklearna, algorytmy sztucznej inteligencji już działają – głównie jako programy czy aplikacje wspomagające decyzje kliniczne. Wykorzystując sztuczną inteligencję, taki program analizuje kolejne obrazy, wyszukując nieprawidłowości. Oprogramowanie działa jak druga para oczu, zaznaczając np. guzki w płucach lub wskazując na obecność niefizjologicznego wychwytu znacznika, określając prawdopodobieństwo występowania zmiany.

 

Jak pracują współczesne algorytmy AI stosowane w medycynie?

Ogólnie mówiąc, widzimy, że sztuczna inteligencja określa proces, w którym maszyna, czyli komputer, uczy się i naśladuje funkcje poznawcze specyficzne dla człowieka, aby wykonywać zadania, jakie zwyczajowo wykonywane są przez ludzki umysł: rozpoznawanie obrazów, identyfikacja różnic czy stawianie logicznych wniosków i prognozowanie. W procesie deep learning komputer już nie organizuje danych i nie wykonuje wcześniej zdefiniowanych ciągów równań, ale zbiera podstawowe parametry dotyczące tych danych i jest tak zaprogramowany, że przygotowuje się do samodzielnego uczenia się przez rozpoznawanie wzorców przy użyciu wielu kolejnych warstw przetwarzania. Trzeba mieć świadomość, że algorytmy AI będą tak dobre, jak dane, na których były trenowane. Wyzwaniem będzie zatem zgromadzenie odpowiednio opracowanych, dużych zestawów danych oraz odpowiednio wydajnych centrów obliczeniowych. Szanse zastosowania AI w ogólnie ujętej medycynie to przede wszystkim digitalizacja wszystkich danych dotyczących konkretnego pacjenta, z uwzględnieniem takich aspektów jak: miejsce zamieszkania, historia chorób w rodzinie, dotychczasowe hospitalizacje, podejmowane wcześniej terapie lekowe i obecnie przyjmowane leki, styl życia, rodzaj wykonywanej pracy, kondycja psychofizyczna. Ta ilość danych może być przetworzona przez wydajne komputery. Jeśli maszyny będą miały zaimplementowane algorytmy deep learning, jest szansa, że wesprą specjalistów w szybszej i trafniejszej diagnostyce oraz lepszej opiece farmakologicznej. Korzyści z wdrożeń sztucznej inteligencji może odnieść zatem cały system opieki zdrowotnej, w tym: świadczeniodawca, lekarz, ale przede wszystkim – sam pacjent. Poruszając zagadnienie z samego początku rozmowy: czy sztuczna inteligencja zastąpi lekarzy (np. opisujących badania medycyny nuklearnej), można się pokusić o stwierdzenie, że lekarze, którzy będą używać z dużą rozwagą i odpowiedzialnością systemów opartych na sztucznej inteligencji zastąpią tych, którzy ich nie będą używać.

 

Panie Profesorze, dziękuję za rozmowę.

 

Rozmawiała Marta Sułkowska

Źródła

Fot. https://pixabay.com/pl/photos/dane-komputer-internet-online-www-2899901/

[1] McDonald RJ, Schwartz KM, Eckel LJ, Diehn FE, Hunt CH, Bartholmai BJ, et al. (2015): The effects of changes in utilization and technological advancements of cross-sectional imaging on radiologist workload.

[2] The Royal College of Radiologists (2017): UK work for cecensus 2016 report.

[3] Berlin L: Faster Reporting Speed and Interpretation Errors: Conjecture, Evidence, and Malpractice Implications. International version.

[4] https://www.ncbi.nlm.nih.gov/pubmed/29182151;

https://www.ncbi.nlm.nih.gov/pubmed/29571715;

https://arxiv.org/pdf/1712.04119.pdf;

https://www.nature.com/articles/s41746-017-0015-z;

https://doi.org/10.1148/radiol.2018180958;

https://arxiv.org/abs/1707.08037;

https://ieeexplore.ieee.org/document/8187667;

https://www.ncbi.nlm.nih.gov/pubmed/30035154;

https://www.ncbi.nlm.nih.gov/pubmed/30527183;

http://jnm.snmjournals.org/content/59/supplement_1/325;

https://www.ncbi.nlm.nih.gov/pubmed/29550305;

https://www.ncbi.nlm.nih.gov/pubmed/29046927;

https://www.ncbi.nlm.nih.gov/pubmed/29550305;

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5812268.

KOMENTARZE
Newsletter