„Jestem radiologiem i AI szybko mnie nie zastąpi”


Dr Daniel Pinto dos Santos pracuje jako radiolog w Szpitalu Uniwersyteckim w Kolonii (zdjęcie: EHFG)
Dr Daniel Pinto dos Santos pracuje jako radiolog w Szpitalu Uniwersyteckim w Kolonii (zdjęcie: EHFG)

Radiolodzy jako pierwsi mieli zostać zastąpieni przez sztuczną inteligencję. Tak się jednak nie stało, bo medycyna to nie tylko dane – mówi w wywiadzie dr Daniel Pinto dos Santos, Przewodniczący Podkomisji ds. e-Zdrowia i Informatyki w Europejskim Towarzystwie Radiologicznym (European Society of Radiology).

Geoffrey Hinton – tegoroczny laureat Nagrody Nobla w dziedzinie fizyki – prognozował w 2016 roku, że w przeciągu 5 lat sztuczna inteligencja zastąpi radiologów. Dlaczego się pomylił?

To zabawne, bo Hinton później napisał na Twitterze (red.: obecnie X), że się pomylił – nie pięć, ale dziesięć lat, czyli do 2026 roku… W każdym razie sztuczna inteligencja sprawdza się w analizowaniu obrazów i jest całkiem prawdopodobne, że będzie realizować niektóre zadania radiologów. Nadal jednak mamy pracę, ponieważ radiologia jest bardziej złożona niż zakładają osoby, które nie mają żadnego związku z medycyną.

Pozyskanie danych do trenowania sztucznej inteligencji jest sporym wyzwaniem. To nie jest tak, że zmiana X na zdjęciu zawsze sugeruje chorobę Y. Nawet jeśli takie założenie sprawdza się w większości przypadków, zawsze są sytuacje rzadkie, skrajne, wychodzące poza typowy wzorzec. Wykształceni radiolodzy są w stanie je rozpoznać. Z kolei sztuczna inteligencja potrzebuje całej masy przykładów – danych treningowych – aby odróżnić rzadkie, ale ważne wyniki badań od tych bardziej powszechnych, ale mniej krytycznych. Wszystko, co wykracza poza „standard”, jest dla modeli AI problemem.

Być może pewnego dnia AI też będzie mogła uczyć się z podręczników i rozpoznawać wzorce na obrazach. Jednak obecne metody trenowania AI nadal wymagają ogromnych ilości danych – danych, które nie są łatwo dostępne lub odpowiedniej jakości.

Moim zdaniem jest całkiem prawdopodobne, że sztuczna inteligencja pewnego dnia zastąpi radiologów, ale ten dzień jest wciąż odległy.

Jak AI już teraz zmienia pracę radiologów?

Generalnie nasza praca jest w dużej mierze taka sama jak kilka lat temu. Z kilkoma wyjątkami. Na rynku dostępnych jest wiele rozwiązań AI realizujących określone zadania, jak wykrywanie krwotoków wewnątrzczaszkowych i złamań, analizowanie wieku kości itp. Z niektórymi – jak wspomniane szacowanie wieku kości – AI radzi sobie świetnie.

Jednak radiologia to o wiele więcej niż tylko analiza obrazów: konsultujemy diagnozy z lekarzami, wybieramy najlepsze metody skanowania dla każdego pacjenta, zestawiamy wyniki badań z dolegliwościami zgłaszanymi przez chorego. Za 20 lat może się okazać, że będziemy jedynie nadzorować modele AI i algorytmy, zamiast robić wszystko samodzielnie. Medycyna laboratoryjna ma tę ewolucję za sobą – to maszyny przeprowadzają badania.

Jednak aby tak się stało, potrzebujemy skuteczniejszych modeli AI. Różnica między pacjentem zdrowym a przypadkiem krytycznym na zdjęciu medycznym czasami sprowadza się do kilku pikseli. Nieraz diagnoza wymaga analizy historii pacjenta. Takiego wnioskowania AI nie jest w stanie przeprowadzić.

Przed naszą rozmową wspomniał Pan także, że różne systemy sztucznej inteligencji mogą dawać różne wyniki.

Tak, problem niejednorodności wyników tkwi w detalach technicznych. Model może działać dobrze na zestawach danych treningowych, ale nie tych, które są dostępne w danej placówce zdrowia. Nawet niewielkie szumy w danych powodują, że AI się gubi. Tymczasem obrazy radiologiczne z natury zawierają takie zakłócenia, ponieważ pomiary mogą być niedoskonałe.

Radiolodzy nie widzą tych szczegółów, szumów, ale dla sztucznej inteligencji, która opiera się na danych opartych na lokalizacji pikseli, szumy mogą prowadzić do błędnych diagnoz. W ten sposób charakterystyka obrazu, możliwości AI i rzeczywistość kliniczna mijają się ze sobą.

Życzyłbym sobie, aby radiologia zrobiła pożytek z danych, które już generujemy, a które obecnie nie są wykorzystywane – mówi dr Daniel Pinto dos Santos
Życzyłbym sobie, aby radiologia zrobiła pożytek z danych, które już generujemy, a które obecnie nie są wykorzystywane – mówi dr Daniel Pinto dos Santos

Niektórzy wyobrażają sobie pracę radiologa jako analizę obrazu i zadecydowanie, czy występuje na nim zmiana świadcząca o chorobie, czy nie. A jak jest naprawdę?

Nasza praca opiera się na zrozumieniu pełnego obrazu stanu zdrowia. Dlatego oprócz analizy obrazów medycznych, czytamy notatki lekarzy kierujących, sprawdzamy wyniki badań laboratoryjnych i analizujemy historię medyczną pacjenta.

Nawet jeśli AI jest dzisiaj w stanie wziąć pod uwagę wszystkie te czynniki, złożoność procesu diagnozy często przerasta AI. Przykładowo, przy ocenie zmian w trzustce, podobna charakterystyka obrazu może oznaczać bardzo różne ścieżki kliniczne u młodej, zdrowej osoby w porównaniu do osoby starszej z nieprawidłowymi wynikami badań laboratoryjnych. Sztuczna inteligencja pozbawiona takiej świadomości klinicznej może przegapić ważne niuanse.

Praca radiologa nie jest tak binarna, jak niektórzy myślą. Nie tylko patrzymy na obraz i stawiamy ostateczną diagnozę, ale bierzemy pod uwagę stan pacjenta, często z nim rozmawiamy i ustalamy najbardziej prawdopodobną diagnozę. Następnie podejmujemy wspólnie decyzje dotyczące obserwacji lub leczenia i sprawdzamy, czy mieliśmy rację. Nie zawsze jest tak, że od razu stawiamy diagnozę – dochodzenie do niej może być długim procesem i opierać się na hipotezach, które trzeba zweryfikować.

Czyli praca radiologa to praca zespołowa.

Dokładnie tak. Współpraca ma kluczowe znaczenie w medycynie. Jako radiolodzy często prosimy lekarzy kierujących o dodatkowe informacje kliniczne, ponieważ nasze raporty są tak dokładnie, jak informacje, które otrzymujemy ze zdjęciem.

Obecnie dostępne systemy AI są w stanie podać tysiące ustaleń w konkretnym przypadku klinicznym. Ale tylko jedno z nich będzie cenne biorąc pod uwagę kontekst choroby. To dlatego nadal mam pracę jako radiolog.

Nie ma jednak wątpliwości, że AI w radiologii będzie rozwijała się bardzo szybko. Czy obserwuje Pan ewolucję AI z nadzieją, czy obawami?

Zdecydowanie z nadzieją. Nawet jeśli jestem sceptyczny wobec niektórych rozwiązań AI, które nie zawsze pomagają nam w pracy, z historii wiemy, że każdy postęp technologiczny w radiologii odbywał się z korzyścią dla pacjentów.

W przyszłości sztuczna inteligencja będzie kolejnym narzędziem do naszej dyspozycji. Jeśli model AI jest w stanie wykryć subtelne zmiany, które mógłbym przeoczyć, z przyjemnością z niej skorzystam. To dodatkowa wiedza, która poprawi jakość pracy. Tak samo jak korzystam z narzędzi, które wyręczają mnie w żmudnych zadaniach, jak np. szacowanie wieku kości na podstawie zdjęć rentgenowskich dłoni. Cieszę się, że w tym obszarze zostałem zastąpiony przez sztuczną inteligencję, która robi to lepiej, szybciej i dokładniej.

Powiedział Pan, że AI jest narzędziem. Czyli jeszcze nie asystentem i pomocnikiem, któremu można ufać?

To zależy. Postrzegam AI zarówno jako narzędzie, jak i asystenta. Korzystając z AI, za każdym razem musimy zadawać sobie te same pytania: Czy naprawdę AI pomaga? Czy rozwiązuje problem? I w jaki sposób wchodzimy w interakcję z AI, korzystamy z niej, aby mieć pewność, że możemy jej zaufać?

Poziom zaufania zależy od scenariusza. W przypadku niektórych zadań, takich jak segmentacja serca, łatwo jest zweryfikować wyniki podawane przez AI. Ale w przypadku innych, takich jak przewidywanie reakcji na leczenie, będziemy musieli polegać na dowodach naukowych.

Jeśli jednak współpraca z AI nie układa się dobrze, technologia jedynie przeszkadza – i już mamy przypadki, w których AI została wycofana z zastosowań klinicznych, ponieważ po prostu nie pomagała w praktyce lekarza, pomimo wysokich oczekiwań.

W USA i Europie otwiera się coraz więcej klinik wykonujących badania rezonansu magnetycznego całego ciała w celach profilaktycznych. Można już mówić o trendzie. W sieć takich klinik zainwestował niedawno Daniel Ek, dyrektor generalny Spotify. Czy przeprowadzanie badań MRI u zdrowych osób ma sens?

Nie jestem fanem takiego podejścia. Jeśli jesteś zdrowy, prawdopodobieństwo znalezienia czegoś poważnego jest bardzo niskie, ale szanse znalezienia czegoś nieistotnego są niezwykle wysokie. Może to prowadzić do niepotrzebnego strachu i kaskady badań diagnostycznych, z których niektóre mogą być dość inwazyjne.

Z drugiej strony, wiele chorób rozwija się w ukryciu nawet przed badaniami przesiewowymi MRI. Znam już przypadek, gdy radiolog został pozwany za przeoczenie poważnej choroby w ramach takich badań przesiewowych. A to może z kolei prowadzić do nadmiernego diagnozowania, aby nie zostać oskarżonym o nierzetelność.

Z mojej perspektywy, badania przesiewowe MRI całego ciała sprzedają obietnicę, której w rzeczywistości nie można dotrzymać – w najlepszym przypadku potwierdzają, że wszystko jest w porządku lub bardzo rzadko znajdują coś istotnego. W najgorszym przypadku sugerują, że jesteś poważnie chory, dopóki nie zostanie udowodnione, że w rzeczywistości przez cały czas byłeś zdrowy.

Wolałbym raczej wspierać programy badań przesiewowych oparte na dowodach, takie jak mammografia, kolonoskopia lub badania prostaty. Są one realizowane od lat, bo mamy dowody na to, że są skuteczne. Ale rezonans magnetyczny całego ciała bez konkretnych wskazań? Odradzam. Zdrowy styl życia jest znacznie lepszym środkiem zapobiegawczym niż badanie MRI, które może wykryć nieszkodliwe anomalie.

Jak wygląda przyszłość radiologii?

Życzyłbym sobie, aby radiologia nowej generacji zrobiła pożytek z danych, które już generujemy, a które obecnie nie są wykorzystywane. Nasze raporty są nieustrukturyzowanym tekstem, co ogranicza możliwość ich dalszego wykorzystania. Musimy zdigitalizować te informacje w taki sposób, aby były dostępne i wymienialne w systemie zdrowia. Dlatego dyskusje wokół Europejskiej Przestrzeni Danych dotyczących Zdrowia (EHDS) są krokiem we właściwym kierunku. Przed nami też zadanie implementacji innych, nie-diagnostycznych modeli AI do radiologii. Sztuczna inteligencja jest w stanie realizować takie zadania jak kwantyfikacja narządów, analiza składu ciała lub szacowanie funkcji narządów. To znacznie pomogłoby nam w pracy.