Umělá inteligence v zobrazovacích metodách

Overview

Lambert L, Suchánek V, Mikšík L, Svítilová J. Umělá inteligence v zobrazovacích metodách

Rozvoj umělé inteligence (AI) přináší do zobrazovacích metod nové možnosti, které směřují k přesnější diagnostice, efektivnějšímu využití zdrojů a zlepšení komfortu pacienta. Ačkoli jsou koncepty AI známy již desítky let, teprve nedávné zrychlení vývoje výpočetních kapacit umožnilo jejich širší uplatnění v klinické praxi. Článek přináší přehled hlavních oblastí využití AI v pediatrické radiologii, kde limitující faktor často představuje dostupnost kvalitních trénovacích dat.

AI systémy se uplatňují v různých fázích radiologického procesu: od optimalizace objednávání a plánování vyšetření přes bezkontaktní biometrické řízení akvizice až po pokročilou rekonstrukci obrazu s nižší radiační zátěží či kratším časem vyšetření. V oblasti interpretace snímků napomáhá AI detekci patologií, kvantifikaci nálezů (např. stanovení skeletálního věku, antropometrických parametrů) a může přispět ke standardizaci a srozumitelnějšímu sdělení nálezu pacientovi.

Přestože AI není náhradou za erudovaného radiologa, její podpůrná role je v mnoha aspektech výhodná a neustále se rozšiřuje. Významné výzvy zůstávají v oblasti etiky, zodpovědnosti za interpretaci a ekonomické udržitelnosti.

Klíčová slova:

umělá inteligence – magnetická rezonance – zobrazovací metody – výpočetní tomografie – rentgen – kontrastní látka

Úvod

Umělá inteligence (AI) představuje koncept, který je známý již desítky let, nicméně v posledním období se dostává do popředí díky zlepšující se dostupnosti výpočetní síly pro složité komplexní operace. Hlavním omezením AI je, že umí jen to, co se naučí, a její kvalita závisí především na kvalitě, množství a spektru vstupních dat, která jsou v oblasti pediatrie hůře dostupná.⁽¹⁾

V tomto článku budou nastíněny hlavní směry, kam se AI v oblasti zobrazovacích metod v užším slova smyslu ubírá, aby podpořila precizní diagnostiku, personalizovanou péči a efektivnější využití kapacity přístrojů (obr. 1).^(2–4)

Objednávání a plánování vyšetření

Organizace objednávání pacientů je obtížným úkolem, který musí optimalizovat využití přístrojového času a lidského potenciálu při minimalizaci doby čekání na vyšetření. Toto hraje roli zejména u MR vyšetření. Z historických dat a aktuálních nemocničních dat lze systém naučit predikovat nároky na využití přístrojové kapacity, počítat s rizikem, že se pacient na vyšetření nedostaví, nebo sdružovat vyšetření, která vyžadují stejnou konfiguraci přístroje.⁽⁵⁾ Toto je však zatím ještě ve stadiu projektů a objednávání se děje zapisováním do objednávacích knih, tabulek nebo programů.

Plánování rozsahu vyšetření

V klinickém provozu jsou k dispozici systémy, které jsou schopny samy rozpoznat anatomii lidského těla a naplánovat např. kolimaci a centraci paprsku při RTG hrudníku.⁽⁶⁾ Na CT umí rovněž detekovat anatomii a samostatně nastavit výšku vyšetřovacího stolu a rozsah plánovacího skenu, aby nedocházelo k přeskenování a navýšení radiační zátěže polohou pacienta mimo izocentrum.

Bezkontaktní biometrie

Bezkontaktní biometrie se uplatňuje při hradlování vyšetření na podkladě dechu, kdy přístroj snímá bezkontaktním čidlem respirační pohyby a danou akvizici iniciuje v definované poloze hrudníku. Snímačem může být kamera nebo čidlo ve vyšetřovacím stole s komplexním zpracováním získaného signálu, který ale není přímo měřenou veličinou (např. EKG nebo saturace).

Rekonstrukce obrazu

Velkým tématem CT zobrazování v posledních dvou dekádách se stala otázka snižování radiační zátěže. Jednou z možností je vyšetřovat s menším napětím a proudem na rentgence a nekvalitní obraz dopočítat pomocí AI.⁽⁷⁾ AI rekonstrukci používáme ve FN Motol na dvou CT přístrojích, včetně toho, který je v dětské části nemocnice (obr. 2).

MR vyšetření jsou bez radiační zátěže, ale trvají dlouho. Přelomovou technologií, která se stává komerčně dostupnou teprve v posledních letech, je AI rekonstrukce.^(8–9) Umožňuje z výrazně podvzorkovaného prostoru dat (K-prostoru) rekonstruovat obraz, který je v řadě ohledů lepší než ten původní, vytvořený např. za dvojnásobný čas (obr. 3). Řada akvizic se tak dramaticky zrychluje. AI rekonstrukci na MR používáme ve FN Motol od letošního roku.

Zvýšení přesnosti detekce patologických změn

Ani radiologové nejsou neomylní. Přesnost detekce patologických změn se odhaduje na 98 % v normálním provozu a je nižší v pohotovostním režimu. Detekční systémy založené na AI umožňují označit místa, která se jeví patologická nebo odlišná od normy. V dětské radiologii hovoříme především o skiagrafii skeletu a hrudníku.^(10–12) U skiagrafie hrudníku je nutné si uvědomit, že detekční systémy fungují až od určitého věku (uvedeno výrobcem –⁠ např. Gleamer od 15 let pro skiagrafii hrudníku a od 2 let pro skiagrafii kostí) a detekují pouze určitý počet patologií (např. pneumonie, pneumothorax, ložiskový stín, pleurální tekutina), ale jiné ne (městnání, plicní edém, skeletální deformity…), protože na ně nebyly natrénovány (obr. 4). U skiagrafie dětského skeletu narážíme na častou falešnou pozitivitu v místě epifyzárních růstových štěrbin a dále u nepřesných projekcí, kterým se u traumatických pacientů nevyhneme z důvodu bolestivosti (obr. 5). Naopak je důležité konstatovat, že AI systémy zvládají i detekci diskrétních fraktur dětského věku (obr. 6). Použití AI u radiologů zvyšuje záchyt fraktur o jednotky procent. Místa označená systémem nejsou nálezem, ale nápovědou.

Kvantifikace nálezů

Automatická kvantifikace měření zmenšuje interobservační variabilitu a snižuje náročnost interpretace snímků.⁽¹³⁾
V dětské radiologii je vzorovým příkladem hodnocení kostního věku ze snímku ruky a zápěstí. Bone expert udává interobservační variabilitu 4,1 měsíce, Gleamer 5,8 měsíce v porovnání s experty (8,6 měsíce) dle metodiky Greulich and Pyle. Automatická kvantifikace kostního věku ve FN Motol je používána v komerčním režimu (obr. 7).

Antropometrie je další oblastí, kde může AI urychlit a standardizovat měření.⁽¹⁴⁾ V současné době testujeme řešení od Gleamer AI, které umožňuje měřit řadu parametrů, jako je Cobbův úhel, valgozitu a délku dolní končetiny, valgozitu haluxů, intermetatarzální úhel, inklinaci kosti patní, úhel nožní klenby, pelvimetrické hodnoty (inklinace, incidence, úhel stříšky acetabula, osifikace hřebene lopaty kosti kyčelní dle Rissera) a další (obr. 8).

Pro segmentaci objemu anatomických struktur a tkání z CT a MR vyšetření a detekci patologických nálezů byla vyvinuta řada nástrojů, které jsou dostupné jak komerčně, tak i ve formě volně šiřitelných balíčků, které ale postrádají certifikaci zdravotnického prostředku. U CT vyšetření uveďme klinické nástroje pro detekci plicních uzlů, mozkové ischemie a krvácení a v rámci výzkumu pak nástroje pro segmentaci jednotlivých orgánů, viscerálního a podkožního tuku a svalové tkáně. U MR vyšetření se uplatňuje kvantifikace především u MR mozku při segmentaci mozkových kompartmentů a struktur s volumetrií a kvantifikací tkáňových charakteristik v rámci výzkumu.⁽¹⁵⁾

Komunikace a standardizace nálezu

Popis je nedílnou součástí radiologického výkonu. Cílem popisu je zřetelně komunikovat klinicky významné nálezy v kontextu klinických informací o pacientovi. Velké jazykové modely (large language models, LLM) umožňují zpracování vstupních dat na základě pravděpodobnosti pokračování textového řetězce.⁽¹⁶⁾ Dostává se nám tak do ruky nástroj, který má potenciál extrahovat z nálezů zásadní informace a v koncizní podobě je komunikovat klinikům a ve zjednodušené podobě i pacientům včetně výkladu toho, co pro daného pacienta představují (obr. 9).

Redukce kontrastní látky

Byť kontrastní látky pro CT a MR mají vynikající bezpečnostní profil, minimalizace podávaného objemu je žádoucí jak z pohledu pacienta, zdravotnického zařízení, tak i zátěže životního prostředí. V současné době jsou vyvíjeny algoritmy pro CT a MR, které umožňují podání zlomkového množství kontrastní látky a dopočítání obrazu tak, jako by byl objem standardní.⁽¹⁷⁾ Pro MR by mohly být pro komerční využití již v následujícím roce.

Etické otázky

S rostoucím využitím AI se objevují otázky ohledně odpovědnosti za falešně pozitivní a negativní nálezy, které zůstávají čistě na bedrech radiologa, byť některé systémy vykazují statisticky vyšší přesnost pro vybrané nálezy. Práce radiologa je velmi komplexní a kromě provedení a hodnocení vyšetření zahrnuje i syntézu informací z předchozích vyšetření, klinických a paraklinických informací, návrh dalšího postupu a komunikaci v rámci interdisciplinárních týmů.

Nákladová efektivita

Ekonomika umělé inteligence v zobrazovacích metodách ve zdravotnictví spojuje náklady, jejich návratnost z pohledu zdravotnického zařízení, plátce, pacienta a celkově společnosti.⁽¹⁸⁾ Do nákladů na vývoj AI systémů je nutné započítat i náklady na certifikaci zdravotnického prostředku. Problémem je i pořizování AI, které je často nutné řešit formou subskripce, nikoliv přímého nákupu s jednorázovým nákladem.

Nákladovou efektivitu AI lze kalkulovat z následujících faktorů. Urychlení vyšetření a zlepšení prostupnosti přístroje vede k možnosti provést více vyšetření a hrazené péče (například u MR). Urychlení diagnostiky vede k tomu, že radiolog zastane více práce za určený čas. Zvýšení senzitivity vyšetření pomáhá k včasnější diagnostice a menšímu počtu nároků ze strany pacientů při nepopsání určité patologie. Menší množství kontrastní látky přímo vede ke snížení materiálových nákladů na vyšetření.

Výsledky pro blaho pacienta lze spatřovat v omezení doby strávené v čekárně, kratším pobytu v tunelu MR, menším zatížení organismu kontrastní látkou, srozumitelnějším výstupu vyšetření.

Závěr

Umělá inteligence v zobrazovacích metodách představuje významný technologický posun, a to i u pediatrických pacientů. Umožňuje rychlejší, přesnější diagnostiku s menší zátěží pro pacienta a má potenciál celkově přispět ke zlepšení péče o dětské pacienty. Přestože AI není náhradou za zkušeného radiologa, její role jako pomocného nástroje s nápovědou je nezpochybnitelná a bude nadále růst. Otázkou zůstává nákladová efektivita, která by měla být ospravedlnitelná buď přímou návratností investice, nebo zlepšením péče a komfortu pacienta.