Įsivaizduokite, jei vėžio židinį būtų galima aptikti mėnesiais anksčiau, nei jį pamatytų gydytojo akis, arba širdies ligos požymį – dar prieš pasireiškiant simptomams. Tai – jau ne ateities vizija, bet šiandienos realybė.
Įsivaizduokite, jei vėžio židinį būtų galima aptikti mėnesiais anksčiau, nei jį pamatytų gydytojo akis, arba širdies ligos požymį – dar prieš pasireiškiant simptomams. Tai – jau ne ateities vizija, bet šiandienos realybė, rašoma projekto „SustAInLivWork“ pranešime žiniasklaidai.
„DI nepavargsta ir nesiblaško, o jo rezultatai nėra priklausomi nuo emocinės būsenos ar paros laiko“, – pastebi su DI įrankiais savo kasdieniame darbe susiduriantis LSMU kardiologas Dovydas Verikas. Pasak jo, tokiu pastovumu DI lenkia žmogų, ypač ten, kur sprendžiama dėl vos pastebimų pokyčių širdies ar onkologinių ligų diagnostikoje.
Asociatyvi DI sugeneruota „Pixabay“ nuotr.
Gydytojas kardiologas, projekto „SustAInLivWork“, kuriančio Dirbtinio intelekto kompetencijų centrą Kaune, narys ir Lietuvos sveikatos mokslų universiteto (LSMU) mokslininkas Dovydas Verikas teigia, kad naudodamas pažangius algoritmus, dirbtinis intelektas (DI) geba atpažinti subtilius pakitimus vaizduose – tokius, kurių žmogaus akis gali nepastebėti arba kurių interpretacija gali skirtis priklausomai nuo specialisto patirties.
„Pavyzdžiui, DI sėkmingai taikomas analizuojant mamogramas, kompiuterinės tomografijos (KT), magnetinio rezonanso tomografijos (MRT), ultragarso ir kitų vaizdavimo metodų duomenis. Jis padeda nustatyti ankstyvus vėžio požymius, aptikti neurologinius sutrikimus, kraujagyslių patologijas bei kitus svarbius diagnostinius ženklus“, – pasakoja jis.
Vis dėlto D. Verikas pažymi, kad DI nėra skirtas pakeisti gydytoją – jis veikia kaip papildoma priemonė, stiprinanti specialisto kompetenciją ir mažinanti diagnostinių klaidų tikimybę.
Su kiekvienu mokymosi ciklu – vis tikslesnė diagnostika
Medicininėje vaizdų analizėje DI dažniausiai remiasi giluminio mokymosi (angl. deep learning) metodais, ypač konvoliuciniais neuroniniais tinklais (angl. Convolutional Neural Networks, CNN). Šie tinklai sukurti būtent vaizdų atpažinimui, todėl ypač tinka spręsti sudėtingas medicininių vaizdų interpretavimo užduotis.
„Pirmiausia paruošiami duomenys – modelio mokymui reikia didelių kiekių anksčiau pažymėtų medicininių vaizdų, pavyzdžiui, rentgenogramų su gydytojų nustatytomis diagnozėmis ar pažymėtomis patologijomis. Tuomet DI sistema analizuoja šiuos vaizdus, mokydamasi atpažinti tam tikras tendencijas ar struktūras, susijusias su ligomis. Kiekvienas mokymo ciklas leidžia algoritmui vis tiksliau identifikuoti diagnostinius požymius“, – aiškina mokslininkas.
Vėliau modelis tikrinamas su naujais, anksčiau nematytais vaizdais, kad būtų įvertinta, kaip gerai jis sugeba generuoti teisingas diagnozes realiomis sąlygomis. Pastebėjus sisteminius netikslumus, algoritmas toliau tobulinamas ir adaptuojamas pagal naujus duomenis.
„Svarbu pabrėžti, kad DI sprendimų kokybė tiesiogiai priklauso nuo duomenų kokybės – klaidingai pažymėti ar nepakankamai įvairūs duomenys gali lemti netikslias išvadas. Todėl glaudus bendradarbiavimas tarp gydytojų, informacinių technologijų specialistų ir duomenų mokslininkų yra būtinas siekiant patikimų ir praktiškai pritaikomų rezultatų“, – pažymi jis.
Aptinka itin smulkius struktūrinius pokyčius
D. Veriko teigimu, DI sistemoms pavyksta atpažinti patologijas dėl jų gebėjimo analizuoti milžiniškus vaizdo duomenų kiekius ir aptikti itin smulkius struktūrinius pokyčius, kurių žmogaus akis gali nepastebėti arba kuriuos gali interpretuoti netiksliai.
„CNN modeliai geba „išmokti“ atpažinti specifines mikrostruktūrų tendencijas, kurias gydytojui pastebėti dažnai būna sudėtinga – pavyzdžiui, nenormalų ląstelių išsidėstymą, tekstūrų pokyčius, mažus navikų požymius ar kalcio sankaupas kraujagyslėse. Tokie modeliai kaip U-Net leidžia itin tiksliai segmentuoti ir lokalizuoti patologijas, pažymint jų ribas, pavyzdžiui, naviko kraštus ar išemijos sritį širdies MRT“, – aiškina jis.
Be to, DI geba analizuoti kelių modalumų duomenis – tai reiškia, kad jis gali integruoti informaciją iš skirtingų šaltinių, pavyzdžiui, KT ir MRT, taip sudarydamas išsamesnį ir kontekstualesnį vaizdą apie paciento būklę.
„Šiuo metu DI algoritmai ypač gerai veikia tose medicinos srityse, kuriose yra gausu duomenų ir aiškiai apibrėžti standartai. Puikūs rezultatai pasiekiami, pavyzdžiui, širdies ultragarso standartinių matavimų automatizacijoje, krūties vėžio atpažinime mamogramose ar plaučių mazgelių detekcijoje KT vaizduose“, – pažymi gydytojas.
Jie taip pat sėkmingai taikomi ten, kur tiriamos gerai vizualizuojamos struktūros, tokios kaip akių dugnas, analizuojant diabetinės retinopatijos požymius. Patikimumas išlieka didelis ir srityse, kur taikomos aiškios, standartizuotos diagnostinės klasifikacijos – pavyzdžiui, vertinant širdies ultragarso ar MRT parametrus, tokius kaip išstūmimo frakcija ar širdies kamerų dydžiai.
Skirtingai nei žmonės, DI nepavargsta
Kalbant apie tokias sudėtingas ligas kaip ankstyvos stadijos vėžys ar širdies ligos, LSMU mokslininko teigimu, DI turi keletą itin aiškių pranašumų. Pirmiausia, jis geba apdoroti milžiniškus duomenų kiekius, kurie žmogaus akiai ar įprastai statistinei analizei dažnai lieka tik „triukšmas“.
„Pavyzdžiui, kardiologijoje DI gali analizuoti tūkstančius KT vaizdų ar echokardiogramų ir pastebėti itin subtilius pokyčius, kurių gydytojas dar nelaikytų patologiniais, tačiau kurie ateityje gali būti kliniškai reikšmingi. Tokiu būdu DI padeda nustatyti ligą ankstyvose stadijose, kai gydymas būna veiksmingiausias“, – pasakoja jis.
Antra, DI įrankiai pasižymi išskirtiniu nuoseklumu. Skirtingai nei žmogus, jis nepavargsta, nesiblaško, o jo rezultatai nėra priklausomi nuo emocinės būsenos ar paros laiko.
„Tai reiškia, kad algoritmas, vertindamas tą patį KT ar echokardiografijos vaizdą, kiekvieną kartą priims identišką sprendimą. Šis stabilumas ypač svarbus tokiose srityse kaip ankstyva onkologinių pakitimų paieška ar subtilių echokardiografinių žymenų vertinimas, kur gydytojų nuomonės kartais gali skirtis“, – sako D. Verikas.
Galutinę diagnozę visada taria gydytojas
Vis dėlto būtina kalbėti ir apie šios technologijos apribojimus. Pasak D. Veriko, DI nėra „magiškas sprendimas“ – jo veikimas priklauso nuo duomenų, kuriais jis buvo apmokytas. Jei mokymo duomenys atspindi ribotą pacientų įvairovę, modelis gali veikti prasčiau, kai taikomas kitose populiacijose. DI gali suklysti susidūręs su situacijomis, kurių nebuvo matęs mokymosi metu – pavyzdžiui, su reta anatomine variacija, netipiniu naviku ar prastesnės kokybės vaizdu. Tokiais atvejais algoritmas gali pateikti klaidingą rezultatą, net jei „mano“, kad jo sprendimas yra teisingas.
„Sudėtinga tampa ir tuomet, kai diagnostiniai ženklai neturi aiškių ribų ar priklauso nuo ligos eigos konteksto. Tokie atvejai būdingi, pavyzdžiui, ankstyvoms Alzheimerio ligos stadijoms, kai tiksli diagnozė reikalauja ne tik vaizdo analizės, bet ir ligos progresavimo vertinimo laike“, – pažymi D. Verikas.
Dar vienas ribojimas – klinikinio konteksto nebuvimas. DI gali aptikti ankstyvą širdies pažeidimo požymį vaizduose, tačiau jis nesugeba įvertinti paciento gyvenimo būdo, gretutinių ligų ar socialinių veiksnių. Būtent gydytojo vaidmuo yra sujungti DI pateiktus duomenis su platesniu paciento sveikatos kontekstu.
„Kitas iššūkis – vadinamasis „juodosios dėžės“ principas: ne visada aišku, kodėl algoritmas priėmė vieną ar kitą sprendimą. Medicinoje tai ypač svarbu, nes gydytojas privalo suprasti ir paaiškinti pacientui diagnozės pagrindą. Todėl galutinį sprendimą visais atvejais priima gydytojas“, – pastebi LSMU mokslininkas.
DI sprendimai – kruopščiai testuojami
Etiniu požiūriu pagrindinis iššūkis siejamas su atsakomybės klausimu. Pacientui svarbu žinoti, kas priima sprendimus – gydytojas ar algoritmas. Taip pat itin svarbi pacientų duomenų apsauga.
„Kadangi DI mokosi iš realių medicininių vaizdų, būtina užtikrinti, kad šie duomenys būtų tinkamai anonimizuoti ir saugomi pagal Bendrąjį duomenų apsaugos reglamentą (GDPR) bei kitus galiojančius teisės aktus. Pacientai turi būti tikri, jog jų informacija bus naudojama atsakingai ir nebus panaudota netinkamais tikslais“, – sako „SustAInLivWork“ projekto mokslininkas.
DI klaidos yra valdomos keliais būdais: algoritmai mokomi naudojant kuo įvairesnius duomenis, nuolat testuojami realiose klinikinėse situacijose, o svarbiausia – jų rezultatus visada patikrina specialistas. Praktika rodo, kad geriausių rezultatų pasiekiama tada, kai DI tampa tarsi „antroji gydytojo akis“ – padeda nepražiūrėti svarbių detalių, pagreitina analizę, o gydytojas užtikrina klinikinį kontekstą ir prisiima atsakomybę už galutinę diagnozę.
„DI naudojimas medicinoje yra griežtai reglamentuojamas. Visi algoritmai, prieš pradedant juos taikyti klinikinėje praktikoje, turi atitikti medicinos prietaisų reguliavimo reikalavimus. Europoje jie privalo gauti CE ženklinimą, o Jungtinėse Valstijose – Maisto ir vaistų administracijos (FDA) patvirtinimą. Tai reiškia, kad kiekvienas sprendimas yra kruopščiai testuojamas, siekiant įsitikinti, ar jis veikia saugiai, patikimai ir iš tiesų prisideda prie diagnostikos kokybės gerinimo“, – aiškina jis.
D. Veriko teigimu, DI turi didžiulį potencialą gerinti diagnostiką, tačiau jis privalo būti taikomas etiškai – veikti skaidriai, saugiai ir tik su gydytojo priežiūra. Tik tokiu atveju DI gali tapti patikimu partneriu sveikatos priežiūros sistemoje, o ne galimu rizikos šaltiniu.
„SustAInLivWork“ – pirmasis tokio pobūdžio kompetencijų centras Lietuvoje, sistemingai telkiantis DI žinias ir kompetencijas. Jame bendradarbiauja keturi šalies universitetai – Kauno technologijos universitetas (KTU), Vytauto Didžiojo universitetas (VDU), Lietuvos sveikatos mokslų universitetas (LSMU) ir Vilniaus Gedimino technikos universitetas („Vilniu TEch“) – kartu su partneriais iš Suomijos (Tamperės universiteto) ir Vokietijos (Hamburgo technologijos universiteto). Tai – ilgalaikė tarpsektorinė platforma, jungianti mokslą, verslą, viešąjį sektorių ir visuomenę.
