Jak AI i genAI rewolucjonizują obrazowanie medyczne?

Żadna inna dziedzina medycyny nie wdrażała tak intensywnie AI w ostatnich 5 latach jak obrazowanie medyczne. Tymczasem za rogiem czai się kolejna innowacja: generatywna AI, która jest w stanie łączyć wyniki RTG, MRI, TK i USG z zapisami w EDM. O postępach AI w radiologii rozmawiamy z prof. dr hab. n. med. Mathiasem Goyenem, Dyrektorem Medycznym ds. obrazowania i zaawansowanych rozwiązań wizualizacyjnych w GE HealthCare.

Jaka innowacja najbardziej zmieniła sposób pracy radiologów w ostatnich latach?

Jedną z najbardziej przełomowych innowacji w obrazowaniu medycznym była i nadal jest integracja sztucznej inteligencji (AI) w procesach klinicznych. Chociaż AI wdrażana jest już od dawna, dopiero teraz widzimy efekty i to, jak jej zastosowanie wpływa wymiernie na poprawę wydajności pracy, jakość interpretacji zdjęć medycznych i wspomaganie decyzji klinicznych.

Przykład z radiologii: techniki rekonstrukcji obrazu oparte na głębokim uczeniu, takie jak AIR™ Recon DL, zapewniają wyższą jakość obrazów przy znacznie krótszym czasie skanowania. Nie tylko poprawia to komfort pacjenta, ale także zwiększa przepustowość skanera, co ma kluczowe znaczenie, bo zapotrzebowanie na usługi obrazowania medycznego jest duże, a liczba sprzętu – często niewystarczająca.

Kolejnym osiągnięciem jest rozwój ilościowych biomarkerów obrazowania. Pomagają one przejść od jakościowej interpretacji obrazowania do opartych na danych, wymiernych ocen. Ma to szczególne znaczenie w onkologii, kardiologii i neurologii, gdzie kontrola postępu choroby lub odpowiedzi na leczenie wymaga precyzyjnych, powtarzalnych pomiarów.

Jakie konkretnie aplikacje AI są obecne w rozwiązaniach GE HealthCare?

Koncentrujemy się na opracowywaniu rozwiązań AI, które wychodzą naprzeciw rzeczywistym problemom klinicznym, takim jak potrzeba poprawy precyzji diagnostycznej, przepływów pracy i wyników diagnozy. Przykładem jest pakiet Critical Care Suite, który wykorzystuje AI do wykrywania odmy opłucnowej na zdjęciach rentgenowskich klatki piersiowej w punkcie opieki, co pozwala na priorytetowe traktowanie tych przypadków do przeglądu przez radiologa. Dzięki rozwiązaniu można skrócić czas leczenia w krytycznych przypadkach.

Rozwijamy również AI wspierającą sam proces pobierania obrazów. Tutaj to dyspozycji są narzędzia do automatycznego pozycjonowania i wyboru protokołu. Zmniejszają one zmienność i optymalizują jakość badania przy mniejszym zaangażowaniu technologa, co jest szczególnie korzystne tam, gdzie brakuje wykwalifikowanych kadr. Do tego, nasze narzędzia do przetwarzania końcowego z obsługą AI pomagają klinicystom w kwantyfikacji i interpretacji subtelnych wyników, na przykład umożliwiając automatyczną segmentację struktur serca w echokardiografii lub oceny wolumetryczne w tomografii komputerowej.

Ostatnio jedna z firm technologicznych pokazywała model generatywnej AI, dzięki któremu radiolog może rozmawiać z PACS/RIS? Czy takie narzędzie wejdą wkrótce do radiologii?

Jak najbardziej. Generatywna AI już teraz znajduje zastosowanie w zadaniach związanych z przetwarzaniem języka naturalnego, a zastosowanie wspomnianych narzędzi w radiologii będzie kolejnym dużym krokiem naprzód. Aktywnie badamy modele generatywne, które mogą łączyć kontekst kliniczny z obrazów, raportów i dokumentacji pacjentów, umożliwiając radiologom jeszcze lepiej zrozumieć podłoże choroby i w ten sposób interpretować zdjęcia medyczne nie tylko na podstawie obrazu, ale pełnego stanu zdrowia.

Wyobraźmy sobie scenariusz, w którym radiolog może zapytać system: „Pokaż mi podobne przypadki z potwierdzeniem histopatologicznym” lub „Jakie było wcześniejsze tempo wzrostu tej zmiany?”. Ten poziom interakcji może znacznie zwiększyć wydajność pracy i poprawić poziom dostępnej wiedzy klinicznej. Choć takie narzędzia są dopiero na wczesnym etapie rozwoju, prawdopodobnie w niedalekiej przyszłości pojawią się cyfrowi asystenci wbudowani w systemy PACS/RIS – świadomi kontekstu choroby, którzy nieustannie się uczą i są ulepszani.

Wspomniał Pan, że największa siła AI leży w optymalizacji pracy i identyfikacji krytycznych wyników, takich jak odma opłucnowa i krwotok wewnątrzczaszkowy. Jednak sukces AI zależy od nie tylko od samej technologii, ale i wdrożenia.

Pomyślne wdrożenie rozpoczyna się od jasnych celów klinicznych i solidnego zarządzania zmianą. Po pierwsze, oddziały powinny zidentyfikować wąskie gardła lub obszary prowadzące do opóźnień. Mogą to być ścieżki ratunkowe lub udarowe. Z doświadczenia wynika, że narzędzia AI ukierunkowane na te obszary często mają największy wpływ na poprawę opieki.

Po drugie, kluczowa jest integracja z istniejącymi przepływami pracy. Sztuczna inteligencja jest najbardziej pomocna, gdy jest osadzona w środowisku pracy IT radiologa – PACS, RIS lub EDM – dzięki czemu go wspiera, a nie przeszkadza. Na przykład oznaczanie krytycznych wyników nie powinno wymagać osobnych loginów lub oprogramowania; powinno to odbywać się automatycznie i przy minimalnej interakcji użytkownika.

I wreszcie kluczowe są ciągłe monitorowanie i informacje zwrotne. Placówki zdrowia powinny śledzić wskaźniki wydajności, takie jak czułość, specyficzność i oszczędność czasu, i w razie potrzeby dokonywać ponownej kalibracji. Budowanie zaufania wśród użytkowników poprzez przejrzystość i udowodnioną wartość jest niezbędne do akceptacji innowacji.

Czyli AI powinna działać w tle.

Tak, nasza filozofia projektowania koncentruje się na tym, aby uczynić AI „niewidoczną”, pracującą cicho w tle, ale wyraźnie usprawniając pracę kliniczną. Doskonałym przykładem jest integracja pakietu Critical Care Suite z przepływami pracy RTG. AI działa na urządzeniu i wysyła priorytetowe alerty bezpośrednio do PACS bez konieczności wprowadzania dodatkowych danych przez użytkownika. Radiolog nie musi klikać na osobną kartę AI lub logować się na zewnętrzny portal; wyniki są prezentowane kontekstowo w ramach dotychczasowych przepływów pracy.

Zasadę tę stosujemy również w modelu Smart Subscription, który umożliwia świadczeniodawcom otrzymywanie ciągłych aktualizacji oprogramowania bez przerywania operacji klinicznych. Z kolei nasza warstwa harmonizacji AI pozwala zapewnić, że odpowiednie algorytmy działają na właściwych badaniach we właściwym czasie, w oparciu o kontekst kliniczny, modalność i anatomię.

Jak tego typu rozwiązania AI zmieniają pracę radiologów?

AI nie zastąpi radiologów, ale znacznie podniesie rangę zawodu, zmniejszając liczbę powtarzalnych zadań i umożliwiając skupienie się na syntezie danych i opiece nad pacjentami. Radiolodzy będą w coraz większym stopniu pełnić rolę integratorów informacji, łącząc dane z obrazowania, historię leczenia, dane patologiczne i genetyczne i na tej podstawie wyciągając wnioski diagnostyczne.

Co więcej, radiolodzy będą odgrywać kluczową rolę w rozwoju AI, oznaczając zbiory danych do trenowania modeli, walidując je i gwarantując ich etyczne wdrożenie. Jako członkowie multidyscyplinarnych zespołów będą odgrywać strategiczną rolę w medycynie precyzyjnej.

Jak radiolodzy wchodzący do zawodu powinni przygotować się na tę zmianę?

Przede wszystkim muszą poszerzyć swoje umiejętności poza obrazowanie. Mam na myśli zrozumienie biologii molekularnej, patologii i bioinformatyki. Działy radiologii mogą również wspierać tę ewolucję napędzaną AI, tworząc komisje diagnostyczne i włączając do swoich zespołów naukowców zajmujących się danymi.

Zrozumienie podstaw bioinformatyki czy AI pozwoli lekarzom poznać sposób działania algorytmów i oceniać ich przydatność oraz poprawność działania.

Jeszcze raz podkreślę, że AI będzie wspomagać proces oceny klinicznej, a nie wyręczać ludzi. To radiolodzy muszą być zawsze ostatecznymi arbitrami diagnozy, wspieranymi przez AI, ale nie wypieranymi przez nią.

Jakie są największe wyzwania stojące przed świadczeniodawcami opieki zdrowotnej wdrażającymi zaawansowane technologie obrazowania?

To przede wszystkim ograniczenia infrastruktury, przygotowanie użytkowników do ich obsługi i zarządzanie zmianami. Zaawansowane narzędzia do obrazowania często wymagają posiadania dobrych systemów informatycznych, umożliwiających integrację i niezawodną łączność z oprogramowaniem PACS/RIS.

Równie ważny jest czynnik ludzki. Lekarze potrzebują szkolenia, zaufania i czasu na dostosowanie się do nowych technologii. Innymi przeszkodami pozostają od lat zwrot inwestycji i jasność przepisów. Z jednej strony menedżerowie muszą wdrażać coraz to nowsze innowacje, aby nadążyć za rynkiem zdrowia, wiedzą kliniczną i oczekiwaniami pacjentów, z drugiej – tak wykorzystywać technologie, aby się one opłacały w rachunku ekonomicznym placówki. Każda placówka działa w określonych ramach budżetowych.

Co najbardziej ekscytuje Cię w przyszłości obrazowania medycznego?

Najbardziej ekscytuje mnie konwergencja danych, diagnostyki i personalizacji. Przechodzimy od analizy obrazów do generowania interpretacji obejmujących cały kontekst pacjenta; od statycznych do dynamicznych obrazów.

Niezależnie od tego, czy jest to AI pomagająca klinicystom wcześniej wykrywać choroby, biomarkery obrazowania przewidujące odpowiedź na terapię czy platformy łączące informacje i dane z zakresu radiologii, patologii i genomiki, cel pozostaje jasny: wzmocnić pozycję klinicystów w opiece nad pacjentem, ułatwić dostęp do diagnozy i poprawić wyniki leczenia każdego pacjenta, niezależnie od miejsca zamieszkania.

Czytaj: Czytaj więcej wywiadów o AI w ochronie zdrowia – pobierz bezpłatny raport