AI – sztuczna inteligencja w diagnozowaniu chorób
Ostatnimi czasy bardzo dużo słyszymy o sztucznej inteligencji, a jej możliwości jej zastosowania w wielu dziedzinach życia wciąż rośnie. Ważne jest, by zrozumieć, czym jest i jak działa sztuczna inteligencja, jaki jest jej potencjał i jakie niesie za sobą zagrożenia. Sztuczna inteligencja powoli zaczyna pojawiać się również w tak ważnym obszarze, jak medycyna. Możliwości AI w diagnozowaniu chorób otwierają przed nami nowe horyzonty, oferując perspektywy, o których jeszcze kilka lat temu mogliśmy jedynie marzyć. Diagnoza wielu schorzeń może stać się nie tylko prostsza, ale także szybsza i bardziej pewna, jako że analiza wspomagana AI staje się mniej bardziej precyzyjna i mniej podatna na błędy ludzkie. Przyjrzyjmy się, jak obejmujące AI innowacje technologiczne w opiece zdrowotnej mogą wpłynąć na przyszłość medycyny i sektora zdrowia publicznego.
Z tego tekstu dowiesz się:
AI w medycynie – historia i stosowane metody
Sztuczna inteligencja to dziedzina nauki i inżynierii zajmująca się obliczeniowym zrozumieniem tego, co powszechnie nazywamy zachowaniem inteligentnym, oraz tworzeniem artefaktów przejawiających takie zachowanie. Mówiąc prościej, są to takie systemy, które w sposób sztuczny naśladują rozumowanie i podejmowanie decyzji istot rozumnych. Potocznie rozumiana sztuczna inteligencja ma najczęściej postać systemu lub programu komputerowego, który analizuje duże ilości danych, na ich podstawie dając określony rezultat. Do stworzenia systemu AI konieczna jest specyficzna wiedza informatyczna oraz umiejętności programowania, tak więc najczęściej zajmują się tym wyspecjalizowani programiści. W przypadku medycyny niezmiernie ważna jest ich współpraca z lekarzami i innymi z osobami wykwalifikowanymi w dziedzinie, w której ma zostać wdrożony dany system.
W medycynie używane są różne narzędzia należące do metod sztucznej inteligencji. Najpopularniejszym z nich są sztuczne sieci neuronowe, jednak stosuje się również rozmyte systemy ekspertowe, obliczenia ewolucyjne i inteligentne systemy hybrydowe, a w ostatnich latach także uczenie maszynowe, deep learning i sieci konwolucyjne.
Pierwsze doniesienie dotyczące użycia AI w medycynie pochodzi z 1976, kiedy to Gunn zbadał możliwość diagnozowania ostrego bólu brzucha za pomocą analizy komputerowej. Obecnie algorytmy AI w medycynie służą przede wszystkim wspieraniu diagnozy stawianej przez klinicystów, szczególnie w złożonych przypadkach klinicznych. AI w medycynie to nie tylko diagnoza, ale także systemy wspomagania decyzji klinicznych dotyczących sposobów terapii oraz formułowanie prognoz postępu choroby lub zdrowienia na podstawie dostępnych danych.
Sztuczne sieci neuronowe i ich rola w medycynie
Najczęściej stosowaną w medycynie metodą sztucznej inteligencji są sztuczne sieci neuronowe (ANN, ang. artificial neural networks). Jest to technika zaprojektowana na wzór biologicznego układu nerwowego i połączeń pomiędzy neuronami. W przeciwieństwie do neuronów w mózgu, neurony w sztucznych sieciach neuronowych to pojęcie bardziej abstrakcyjne, odnoszące się do części kodu źródłowego programu. Jego wykonanie symuluje działanie neuronów biologicznych, jednak w sposób wirtualny.
Metoda sztucznych sieci neuronowych
Metoda sztucznych sieci neuronowych zapewnia zaawansowaną analizę komputerową z uczeniem się na podstawie danych historycznych, analizowaniem danych nieliniowych lub nieprecyzyjnych, a także uogólnianiem, co umożliwia zastosowanie modelu do niezależnych danych. Dzięki możliwości klasyfikowania i precyzyjnego rozpoznawania wzorców sztuczne sieci neuronowe znalazły zastosowanie szczególnie w takich dziedzinach, jak diagnozowanie chorób przez AI, wspomaganie decyzji terapeutycznych czy przewidywanie postępu choroby.
Po raz pierwszy sieci neuronowe w medycynie zastosował Baxt w latach 90 w celu diagnozowania ostrego zawału mięśnia sercowego. Biorąc pod uwagę to, jak wiele w sytuacjach klinicznych może występować zależności i interakcji, przyszłość AI w diagnozowaniu i leczeniu wydaje się nieunikniona. Użycie sieci neuronowych nie tylko ułatwia diagnozowanie chorób, ale także przyspiesza cały proces, czyni go dokładniejszym oraz minimalizuje ryzyko błędów ludzkich
Obecne zastosowania i przyszłość AI w diagnozowaniu chorób
Metody sztucznej inteligencji są powszechnie używane w diagnostyce, a możliwości używania AI wciąż rosną. Dużą wagę przykłada się do roli sztucznej inteligencji w radiologii i analizie wyników badań obrazowych, takich jak USG, RTG, tomografia komputerowa czy rezonans magnetyczny. Kolejnym popularnym zastosowaniem AI jest analiza materiałów histopatologicznych, analiza przebiegów fal (np. w EEG czy EKG) oraz interpretacji danych pacjentów w warunkach intensywnej terapii. Kolejne zastosowania to między innymi:
Przykładowe zastosowanie AI:
– analiza wzorców w przebiegu EKG w celu rozpoznawania: zawału mięśnia sercowego, migotania przedsionków czy zaburzeń rytmu komorowego;
– analiza EEG w celu wykrywania padaczki i zaburzeń snu;
– analiza EMG, USG Doppler i wzorców hemodynamicznych u pacjentów intensywnej terapii;
– stosowanie algorytmów logiki rozmytej w celu diagnozowania nowotworów przy użyciu profili markerów nowotworowych, co zastosowano z powodzeniem m.in. przy diagnozowaniu raka płuc, raka piersi, raka trzustki oraz ostrej białaczki;
– analiza obrazów USG, mammografii, rezonansu magnetycznego lub tomografii komputerowej w celu charakteryzowania potencjalnych zmian w piersiach, płucach, wątrobie czy mózgu – często jest to analiza dokładniejsza i bardziej precyzyjna niż możliwa do wykonania przez człowieka;
– analiza badań siatkówki, takich jak OCT czy obraz dna oka, w celu diagnostyki retinopatii, jaskry czy zwyrodnienia plamki żółtej;
– diagnostyka zwężenia tętnic wieńcowych czy żywotności mięśnia sercowego oraz diagnostyka niewydolności serca na podstawie danych pochodzących z różnych badań z dokładnością 85% (a także przewidywanie epizodów destabilizacji i spodziewanego przeżycia pacjentów);
– analiza skomputeryzowanych obrazów 2D znamion w celu diagnozowania czerniaka złośliwego;
– analiza próbek cytologicznych i histologicznych pobieranych np. z piersi, żołądka, tarczycy, komórek nabłonka jamy ustnej czy dróg moczowych;
– logika rozmyta jest stosowana także w celu wspomagania decyzji w przypadku bólów brzucha i pleców, potencjalnych zapaleń wyrostka robaczkowego czy zatrzymanych kamieni w drogach żółciowych.
Na szeroką skalę stosuje się w diagnostyce klinicznej szereg algorytmów zbudowanych w oparciu o sztuczną inteligencję. Ich przykłady podajemy poniżej.
Algorytm ProstAsure Index
Algorytm ten oparty na sztucznych sieciach neuronowych i służy do klasyfikacji zmian w obrębie prostaty jako łagodne lub złośliwe. Model został zweryfikowany w badaniach prospektywnych, osiągając trafność diagnostyczną na poziomie 90%, czułość 81% i swoistość 92%.
System PAPNET
System ten znany jest większości pacjentek ginekologicznych na całym świecie. Jest to znakomity przykład na to, jak wygląda automatyzacja w diagnozie przy zastosowaniu sztucznych sieci neuronowych. System ten pomaga w analizie przesiewowych badań cytologicznych szyjki macicy.
Sieci neuronowe w wykrywaniu chorób oczu
W użyciu komercyjnym istnieją urządzenia medyczne do badań przesiewowych dna oka, które wykorzystują sztuczną inteligencję. Przykładem jest urządzenie iDx-DR, które wykrywa retinopatię cukrzycową na podstawie zdjęcia dna oka z dokładnością prawie 90% (dla porównania, okulista wykrywa to schorzenie z dokładnością 73%). Dokładność wykrywania na podobnej podstawie jaskry i zwyrodnienia plamki żółtej wynosi natomiast nawet 94%. Badanie jest w stanie ocenić także stopień zaawansowania schorzenia.
Algorytmy genetyczne
Algorytmy genetyczne należą do grupy obliczeń ewolucyjnych, które oparte są na mechanizmach naturalnej ewolucji biologicznej. Są to algorytmy wyszukiwania najlepszych rozwiązań danego problemu i optymalizacji. W medycynie ma to zastosowanie chociażby w przypadku analizy próbek wycinków cytologicznych w celu ustalenia, czy pacjent cierpi na nowotwór. Algorytmy genetyczne przeszukują przestrzeń wszystkich możliwych cech komórek nowotworowych w celu postawienia jednoznacznej diagnozy.
Analiza wyników badań obrazowych
Obecnie sztuczna inteligencja jest wykorzystywana w celu analizy wyników badań obrazowych, oraz coraz częściej także do:
– pozyskiwania i rekonstrukcji obrazów,
– ich przetwarzania i ulepszania (redukcja szumów, uzupełnianie obrazu, korekta),
– wyświetlania i wizualizacji,
– przechowywania i transmisji,
– integracji obrazowania z dokumentacją medyczną,
– projektowania protokołów obrazowania i kalibracji przystosowanych do konkretnego pacjenta,
– wykrywania istotnych cech w obrazie oraz ich ilościowego przetwarzania przy wzięciu pod uwagę lokalizacji i anatomii badanego narządu,
– analizy segmentacji wykrytych zmian,
– interpretacji obrazu klinicznego na podstawie zebranych wyników oraz wieloparametrycznych zbiorów danych łączących obrazowanie z innymi rodzajami informacji,
– stawiania automatycznej diagnozy z oceną rokowania lub przekazywania danych do systemów wspomagania decyzji.
Zastosowanie AI w leczeniu i prognozowaniu
Sztuczna inteligencja w zdrowiu to nie tylko diagnostyka chorób, ale także: precyzyjna medycyna, predykcje, planowanie i inne działania, w których AI może przynieść korzyści. Inne innowacje technologiczne w opiece zdrowotnej wykorzystujące sztuczną inteligencję to na przykład:
- zastosowanie logiki rozmytej do przewidywania prawdopodobnego przeżycia chorych na raka;
- inteligentne kontrolery rozmyte stosowane w celu podawania odpowiednich dawek leków, np. środków znieczulających w trakcie operacji w celu kontroli głębokości znieczulenia czy środków rozszerzających naczynia krwionośne w celu kontrolowania ciśnienia krwi w okresie okołooperacyjnym;
- zastosowanie algorytmów genetycznych w celu planowania i przewidywania wyników leczenia pacjentów w stanie krytycznym, chorych na raka płuc, czerniaka, a także predykcji odpowiedzi na warfarynę;
- pomiary skuteczności strategii leczenia, np. poprzez analizę segmentacji guzów mózgu widocznych w rezonansie magnetycznym;
- wspomaganie tworzenia nowych leków (CADD, ang. computer-aided drug design).
Rozwój i potencjał AI w medycynie
Każda z metod sztucznej inteligencji ma swoje plusy i minusy. Sieci neuronowe używane są głównie wtedy, gdy konieczna jest analiza dużej ilości danych i uczenie się na ich podstawie. Logika rozmyta sprawdza się, gdy dane są nieprecyzyjne i ciężko jest wyłonić z nich jednoznaczne wnioski. Obliczenia ewolucyjne natomiast skupione są na wyszukiwaniu i optymalizacji. Zalety tych technologii można połączyć poprzez stworzenie inteligentnych systemów hybrydowych, które uwzględniają wyłonienie wiedzy z surowych danych, wykorzystanie ludzkich mechanizmów rozumowania, radzenie sobie z niepewnością i brakiem precyzji oraz naukę dostosowywania się do zmiennego czy nieznanego środowiska. Wciąż pojawiają się także nowe technologie z zakresu sztucznej inteligencji, jak neuronowe sieci konwolucyjne czy głębokie uczenie maszynowe. Najnowsze zastosowania sztucznej inteligencji w medycynie służą do ulepszania diagnostyki, planowania leczenia i prognozowania losu pacjentów cierpiących na choroby nowotworowe, a także do diagnozy takich chorób, jak:
- choroby neurodegeneracyjne,
- zwłóknienia wątroby,
- zaburzenia snu,
- niewydolność i zawały serca,
- retinopatia cukrzycowa i inne uszkodzenia siatkówki,
- choroby płuc (np. śródmiąższowa choroba płuc, gruźlica),
- raki skóry, w tym czerniak.
Warto wspomnieć, że w wielu przypadkach narzędzia używające AI wykrywają chorobę z większą dokładnością, niż robi to klinicysta czy patolog. Są w stanie także przeanalizować większą ilość informacji, które pochodzą z wszelkich dostępnych baz danych. W przypadku diagnostyki medycznej informacje wejściowe, których używa AI, dotyczą danych historycznych pacjentów, a także gotowych diagnoz wraz z wszelkimi dostępnymi wynikami badań, w tym badań obrazowych. Na ich podstawie AI jest w stanie „porównać” analizowany obraz badania z dostępnymi badaniami przyporządkowanymi danej diagnozie i na tej podstawie postawić własne wnioski na temat możliwego rozpoznania w analizowanym przypadku.
Jakie wyzwania wiążą się z zastosowaniem sztucznej inteligencji w medycynie?
Mimo wielkiego potencjału, wdrożenie AI w medycynie wiąże się z wieloma wyzwaniami. Najważniejszym z nich jest zdobycie szerokiej akceptacji społecznej i zaufania do metod sztucznej inteligencji – zarówno ze strony pacjentów, jak i personelu medycznego. Dla wielu metod konieczne jest wykonanie licznych dodatkowych badań, udoskonalenie algorytmów i sprecyzowanie, jak dokładnie podejmowane są decyzje diagnostyczne czy terapeutyczne w ich przebiegu. Inne wyzwania to między innymi:
- konieczność inwestycji w ulepszoną infrastrukturę cyfrową,
- konieczność zbudowana szerokich baz danych medycznych pochodzących z różnych źródeł,
- integracja danych obrazowych z innymi danymi medycznymi, która wymaga cyfryzacji, udoskonalenia przetwarzania języka naturalnego i ustrukturyzowanego raportowania,
- potrzeba szkoleń dla personelu medycznego,
- szeroka dostępność nowych technologii,
- wymagające uwagi kwestie związane z bezpieczeństwem wrażliwych danych pacjentów i etyką wykorzystania AI.
Wyzwania, które stoją przed branżą medyczną w zakresie wdrażania technologii AI są istotne, jednak wysiłek związany ze stawianiem im czoła jest nieporównywalny z potencjałem zmiany oblicza medycyny.
Wykorzystanie AI w diagnozowaniu i leczeniu pacjentów klinicznych przynosi mnóstwo korzyści. Dzięki automatyzacji procesu diagnozy możliwe jest nie tylko szybsze identyfikowanie problemów zdrowotnych, ale także zapewnienie wiarygodnych wyników badań przesiewowych pacjentom niemającym łatwego dostępu do lekarzy. Ponadto AI daje możliwość analizy ogromnych ilości danych, co przekłada się na bardziej precyzyjne diagnozy, badania indywidualnie dostosowane do konkretnego pacjenta czy nawet spersonalizowane procesy leczenia. AI w medycynie to nie tylko przyszłość – to już teraźniejszość. Od obrazowania medycznego przez analizę danych pacjentów aż po predykcję przebiegu chorób czy skuteczności leczenia – możliwości zastosowania sztucznej inteligencji w medycynie stają się praktycznie nieograniczone. Mimo iż obecnie AI stosowana jest raczej jako wsparcie w procesach diagnozy i leczenia przeprowadzanych przez specjalistów, niektórzy uważają, że pojawienie się zastosowania AI w medycynie stanowi pewnego rodzaj rewolucję, znacznie przyspieszającą rozwój obszaru zdrowia publicznego.
Drogeria
Dr Zdrowie
Nasza drogeria oferuje wiele promocji, pakietów i zestawów na różne okazje: urodziny, rocznice i święta zarówno dla Pań jak i dla Panów.
Literatura:
- Baxt W.G., Skora J., 1996: “Prospective validation of artificial neural network trained to identify acute myocardial infarction”. Lancet, 347:12-5
- Gore J.C., 2020: “Artificial intelligence in medical imaging”. Magn Reson Imaging, 68:A1-A4
- Gunn A.A., 1976: “The diagnosis of acute abdominal pain with computer analysis”. J R Coll Surg Edinb, 21:170-2
- Jiang F., Jiang Y., Zhi H., Dong Y., Li H., Ma S., Wang Y., Dong Q., Shen H., Wang Y., 2017: “Artificial intelligence in healthcare: past, present and future”. Stroke and Vascular Neurology, 2:230-243
- Pei Q., Luo Y., Chen Y., Li J., Xie D., Ye T., 2022: “Artificial intelligence in clinical applications for lung cancer: diagnosis, treatment and prognosis”. Clin Chem Lab Med, 60(12):1974-1983
- Ramesh A.N., Kambhampati C., Monson J.R.T., Drew P.J., 2004: “Artificial intelligence in medicine”. Ann R Coll Surg Engl 2004; 86:334-338
- Schmidt-Erfurth U., Sadeghipour A., Gerendas B.S., Waldstein S.M., Bogunović H., 2018: “Artificial intelligence in retina”. Progress in Retinal and Eye Research, 67:1-29
- Sufyan M., Shokat Z., Ashfaq U.A., 2023: “Artificial intelligence in cancer diagnosis and therapy: Current status and future perspective”. Computers in Biology and Medicine, 165
- Yasmin F., Shah S.M.I., Naeem A., Shujauddin S.M., Jabeen A., Kazmi S., Siddiqui S.A., Kumar P., Salman S., Hassan S.A., Dasari C., Choundhry A.S., Mustafa A., Chawla S., Lak H.M., 2021: “Artificial intelligence in the diagnosis and detection of heart failure: the past, present, and future”. Rev. Cardiovasc. Med., 22(4):1095-1113
