Umělá inteligence v nukleární medicíně: historické milníky a principy

Overview

Umělá inteligence (AI) představuje rychle se rozvíjející technologii s významným dopadem na moderní medicínu, včetně nukleární medicíny, kde přináší nové možnosti pro zlepšení diagnostiky, kvantifikaci nálezů i prognostické hodnocení. Tento článek poskytuje ucelený přehled historického vývoje AI –⁠ od teoretických základů v 50. letech 20. století přes nástup strojového učení a hlubokých neuronových sítí až po současné moderní architektury využívající konvoluční neuronové sítě, generativní adversariální modely a velké jazykové modely.

Text představuje první praktické a klinicky relevantní aplikace AI v nukleární medicíně, zejména v kardiologii, neurologii a onkologii. Patří k nim automatizovaná interpretace perfuzních SPECT myokardu, analýza PET mozku u neurodegenerativních onemocnění a výpočet kvantitativních ukazatelů u kostních metastáz. Zvláštní pozornost je věnována modelům, které prošly nezávislou validací a mají skutečný klinický přínos, například automatizovanému výpočtu kostního skóre či algoritmům pro detekci Alzheimerovy choroby z FDG PET.

Závěr shrnuje hlavní technologické směry, které formovaly současné možnosti AI v nukleární medicíně, a ukazuje, jak se postupný vývoj od jednoduchých algoritmů k pokročilým hlubokým a generativním modelům promítl do dnešní klinické praxe.

Klíčová slova:

umělá inteligence; nukleární medicína; historie; strojové učení; hluboké učení; konvoluční síť

AI a její význam v nukleární medicíně

Umělá inteligence (AI) je obor informatiky zabývající se vývojem strojů nebo systémů schopných vykazovat inteligentní chování, které tradičně vyžaduje lidské myšlení. Termín artificial intelligence byl poprvé použit roku 1956 na Dartmouthské konferenci, jež položila základy tohoto vědního oboru. V raných definicích byla AI chápána jako schopnost strojů napodobit lidské uvažování a rozhodování. ¹ Od té doby se pojem AI průběžně redefinuje s tím, jak se rozšiřují technologické možnosti –⁠ úkony dříve považované za projev AI (například šachové programy) jsou později vnímány jako běžné algoritmy, jakmile jsou plně pochopeny a implementovány. ²

Nukleární medicína je obor využívající radiofarmaka k diagnostice a léčbě –⁠ typicky zobrazuje fyziologické funkce orgánů pomocí PET a SPECT kamer nebo léčí onemocnění pomocí radionuklidů. V tomto oboru se generuje velké množství komplexních dat (obrazových i číselných), jejichž interpretace může být náročná. AI zde nachází přirozené uplatnění: může pomoci s analýzou obrazů, kvantifikací nálezů, predikcí průběhu onemocnění či personalizací terapie. Již dnes se algoritmy strojového učení uplatňují v rekonstrukci obrazů, detekci patologických ložisek nebo v odhadu prognózy pacientů. AI tedy představuje pro nukleární medicínu výrazný přínos –⁠ slibuje zvýšení diagnostické přesnosti, zefektivnění práce lékařů a možná i objev zcela nových obrazových biomarkerů. ³ Zároveň však vyvolává otázky ohledně spolehlivosti a přijetí v klinické praxi. Porozumění principům AI a jejímu vývoji je proto pro odborníky v nukleární medicíně velmi důležité.

Historický vývoj AI od 50. let do současnosti

Počátky umělé inteligence sahají do 50. let 20. století. V roce 1950 publikoval Alan Turing myšlenkový experiment o strojích, které myslí, a navrhl tzv. Turingův test jako kritérium strojové inteligence. Následně roku 1956 proběhl na Darthmouth College seminář, kde se zrodil samotný termín artificial intelligence a nastartoval optimistický rozvoj oboru. Rané období AI (1950–1960) bylo charakterizováno tzv. symbolickou AI či symbolickým programováním –⁠ počítačové programy se snažily reprezentovat znalosti pomocí logických pravidel a symbolů. Vznikaly první expertní systémy, které obsahovaly báze pravidel a dokázaly odpovídat na dotazy v úzce vymezených doménách (například program MYCIN pro diagnostiku infekcí v 70. letech). Tyto systémy však měly omezený úspěch a brzy narazily na své limity –⁠ byly křehké, vyžadovaly ruční tvorbu pravidel a nedokázaly se učit z dat.

V 80. letech nastal první velký posun díky nástupu strojového učení (machine learning, ML). Začaly se rozvíjet algoritmy, které se dokázaly zlepšovat na základě tréninkových dat, místo aby spoléhaly čistě na předem naprogramovaná pravidla. Klasickými metodami ML jsou například rozhodovací stromy, statistické modely nebo umělé neuronové sítě (ANN) inspirované biologickým mozkem. První jednoduchý neuronový model (tzv. perceptron) byl navržen už v roce 1958 ⁴, ale vícevrstvé neuronové sítě schopné složitějších úloh se začaly úspěšně trénovat až s objevem algoritmu zpětné propagace kolem roku 1986. Koncem 80. let tak neuronové sítě otevřely nové možnosti v rozpoznávání obrazců a datových vzorců, což je pro medicínské zobrazování zásadní. Ovšem výpočetní technika té doby ještě nebyla dost výkonná a dostupnost digitálních medicínských dat byla omezená, takže širší uplatnění těchto metod v klinické praxi na čas ustoupilo do pozadí.

Prudký rozvoj AI nastal s příchodem hlubokého učení (deep learning, DL) v 21. století. Zlomem byl rok 2012, kdy konvoluční neuronová síť AlexNet dosáhla přelomového výkonu v počítačovém vidění (soutěž ImageNet). ⁵ Hluboké neuronové sítě s mnoha vrstvami neuronů a nelinearit dokážou automaticky extrahovat velmi komplexní rysy z obrazových dat. Tento pokrok byl umožněn kombinací několika faktorů: enormní nárůst výpočetního výkonu (zejména díky grafickým procesorům), dostupnost velkých datasetů a inovace v algoritmech učení. Pro zpracování obrazů se ukázaly klíčové konvoluční neuronové sítě (Convolutional Neural Networks, CNN), zavedené už v 90. letech, ale plně využité až po roce 2010. CNN se umí přímo z obrazových dat naučit detekovat relevantní struktury (například ložiska na snímcích) bez nutnosti ruční segmentace. Dalším milníkem bylo zavedení generativních adversariálních sítí (Generative Adversarial Networks, GAN) kolem roku 2014, které umožnily modelovat a generovat nové realistické obrazové příklady –⁠ v medicíně např. dopočítat detailnější obraz z nekvalitního vstupu.

Od konce roku 2010 se AI dále posouvá do nových oblastí. V posledních letech se objevil fenomén velkých jazykových modelů (Large Language Models, LLM), jako je například ChatGPT. Ačkoli LLM pracují primárně s textovými daty, jejich principy (transformerové sítě, učení na obrovských datech) pronikají i do medicíny –⁠ například pro analýzu lékařských zpráv, automatický reporting nálezů či podporu rozhodování. Souhrnně lze říci, že AI prošla od 50. let dlouhou cestou: od symbolických systémů, přes strojové učení k hlubokým neurálním sítím a generativním modelům. Tyto technologie se postupně staly dostatečně vyspělými, aby se mohly začlenit i do náročných oblastí, jako je nukleární medicína.

První aplikace AI v nukleární medicíně (kardiologie, neurologie, onkologie)

Nukleární medicína patří mezi obory, kde se AI začala experimentálně uplatňovat poměrně brzy, zejména v oblastech s velkým množstvím obrazových dat. Již v 90. letech 20. století se objevily první studie využívající metody strojového učení pro analýzu scintigrafických a PET snímků. Mezi průkopnické aplikace patřila nukleární kardiologie: automatizovaná interpretace perfuzních SPECT myokardu u pacientů s podezřením na ischemickou chorobu srdeční. Například již koncem 90. let byly vyvíjeny systémy pro kvantitativní analýzu SPECT snímků srdce, které pomocí neuronových sítí dokázaly odlišit normální perfuzi od ischemie či infarktu s vysokou přesností. Tyto rané modely měly zprvu spíše povahu výzkumných prototypů, nicméně postupně prokázaly, že AI může v kardiologii pomoci objektivizovat hodnocení perfuze myokardu a snížit variabilitu mezi hodnotiteli. ⁶ V následujících dekádách se tyto techniky dále zdokonalily –⁠ v roce 2018 publikovala skupina z Cedars-Sinai výsledky hluboké CNN aplikované na SPECT, která předčila zkušené lékaře v detekci multivessel koronární nemoci. ⁷ Dnes jsou algoritmy AI integrovány do některých softwarů pro SPECT/PET analýzu srdce a pomáhají např. s vyhodnocením kinetiky radiofarmaka či s odhadem prognózy pacienta.

Další oblastí, kde se AI uplatnila záhy, je neurologie –⁠ zejména diagnostika neurodegenerativních onemocnění pomocí PET a SPECT. Již v 90. letech byly vyvíjeny algoritmy pro automatickou detekci ložisek hypoperfuze na SPECT mozku u Alzheimerovy choroby. S postupem času a nástupem PET snímkování mozku (např. s ¹⁸F-FDG pro metabolismus, ¹¹C-Pittsburgh Compound B pro amyloid) se ukázalo, že strojové učení dokáže odhalit jemné změny distribuce radioaktivity v mozkové tkáni, které nejsou prostým okem patrné. Významným milníkem byl vývoj modelů pro klasifikaci Alzheimerovy nemoci na základě FDG-PET pomocí hlubokých sítí –⁠ například studie z roku 2019 publikovaná v Radiology předvedla, že hluboké učení dosáhlo přesnosti kolem 90 % při odlišení Alzheimerovy demence od kognitivně zdravých jedinců, a to často několik let před klinickou diagnózou. ⁸ Podobně v oblasti Parkinsonovy nemoci a atypických parkinsonských syndromů se uplatnily AI analýzy SPECT zobrazení dopaminových transportérů (DAT scan). Například modely CNN naučené na rozsáhlých databázích DAT SPECT dokážou kvantifikovat úbytek dopaminergní inervace a pomoci tak odlišit idiopatický Parkinsonův syndrom od esenciálního tremoru či normálu s vysokou senzitivitou i specificitou. Tyto nástroje již nacházejí uplatnění jako podpora klinického rozhodování při nejednoznačných nálezech.

V onkologii –⁠ doméně, kde PET/CT a SPECT/CT hrají klíčovou roli –⁠ se AI začala uplatňovat zhruba od počátku 21. století. První aplikace mířily na automatickou detekci a kvantifikaci nádorových ložisek. Například v kostní scintigrafii metastáz u karcinomu prostaty vznikly algoritmy, které automaticky označí "horká" ložiska podezřelá z metastáz a spočítají tzv. index nádorové nálože v kostře. Tato myšlenka vedla k vývoji indexu kostního skenu (Bone Scan Index) a jeho automatizované verze aBSI (automated Bone Scan Index). Právě aBSI, vyvinutý původně ve Švédsku, patří k prvním AI nástrojům v nukleární medicíně, které prošly rozsáhlou klinickou validací. V multicentrické studii 721 pacientů s metastatickým karcinomem prostaty bylo prokázáno, že hodnota aBSI automaticky vypočtená ze scintigrafií je nezávislým prediktorem celkového přežití –⁠ čím vyšší podíl postižené kostní hmoty, tím horší prognóza. ⁹ aBSI se stal součástí designu klinických studií a získal i regulační schválení; dnes je komerčně dostupný jako součást softwaru pro zpracování scintigrafií a umožňuje objektivní sledování vývoje kostních metastáz v čase.

Kromě kostních skenů se AI v onkologii uplatnila i u PET/CT. Například u Hodgkinova lymfomu byly zkoumány algoritmy pro automatické stanovení tzv. metabolické nádorové nálože (celkové intenzity vychytávání ¹⁸F-FDG ve všech ložiscích v těle) jako prediktoru léčebné odpovědi. V klinické praxi zatím většinou zůstává hodnocení PET/CT vizuální podle standardních kritérií (Deauville), ale výzkumné AI modely již umí kvantifikovat a integrovat stovky obrazových parametrů (viz radiomika níže) a nabídnout tak komplexnější charakteristiku nádoru než lidský pozorovatel. První generace těchto modelů zpravidla fungovala na principu klasifikátorů s ručně vyextrahovanými příznaky, zatímco novější využívají hluboké neuronové sítě, které se učí přímo z obrazových voxelů. Příkladem je hluboký model publikovaný roku 2020, který z baseline ¹⁸F-FDG PET u nemocných s nemalobuněčným karcinomem plic predikoval pravděpodobnost odpovědi na imunoterapii –⁠ identifikoval texturální a morfologické vzorce v PET obrazu spojené s lepším či horším efektem léčby. ¹. Takové přístupy zatím nejsou standardem, ale ilustrují potenciál AI v onkologické nukleární medicíně: přesun od subjektivního hodnocení “svítí/nesvítí” k datově podloženým prediktivním ukazatelům.

První úspěšně validované modely v nukleární medicíně

S rozvojem AI technik v 21. století došlo k řadě pilotních studií, ale zásadní pro přijetí do praxe je validace –⁠ ověření, že model spolehlivě funguje na nezávislých datech a přináší klinicky užitečné informace. Mezi prvními AI modely v nukleární medicíně, které prošly tímto sítem, lze jmenovat několik příkladů:

• Automatizovaný kostní scan index (aBSI): Jak bylo zmíněno výše, aBSI pro kvantifikaci kostních metastáz u karcinomu prostaty byl validován na stovkách pacientů a prokázal prognostickou hodnotu. ⁹ V roce 2020 získal software aBSI (vyvíjený firmou EXINI, součást Lantheus) schválení FDA i CE jako podpůrný nástroj pro lékaře. Jde tak o jeden z prvních AI nástrojů oficiálně dostupných v nukleární medicíně. Díky aBSI je hodnocení scintigrafií objektivnější a reprodukovatelnější –⁠ počítač spočítá procento postiženého skeletu, což lékaři mohou využít při rozhodování o léčbě či hodnocení účinnosti terapie.
• Detekce Alzheimerovy choroby z PET: V neuropsychiatrii existuje dlouhodobá snaha o včasnou diagnostiku Alzheimerovy nemoci. Využití ¹⁸F-FDG PET pro odhalení charakteristického hypometabolického vzoru je standardní, ale vyžaduje zkušenost hodnotitele. AI modely tento proces automatizují. Již v roce 2018 publikovali Liu et al. kombinovaný model konvoluční a rekurentní neuronové sítě, který dokázal z PET obrazů rozlišit Alzheimerovu demenci a mírnou kognitivní poruchu od zdravých kontrol. ⁸ Následovala studie Ding et al. 2019, která prokázala, že CNN model může na FDG PET předpovědět Alzheimerovu chorobu v průměru o několik let dříve než běžná klinická diagnóza (s > 80% senzitivitou i specificitou). ⁸ Tyto modely byly ověřeny na rozsáhlých databázích (ADNI) a některé nemocnice je začaly testovat v praxi jako podpůrný nástroj –⁠ lékař k vizuálnímu hodnocení obdrží i skóre od AI, nakolik PET odpovídá Alzheimerovu typu. Do rutinní praxe se ještě plně nezačlenily, nicméně představují prototyp validovaného AI biomarkeru v neurologii.
• Analýza perfuzních SPECT myokardu: V nukleární kardiologii byla významná studie Bettencourt et al. (2018), která nasadila hlubokou CNN na tisíce SPECT scintigramů myokardu k predikci koronární nemoci ověřené koronarografií. ⁷ Model dosáhl vyšší přesnosti než tradiční vizuálně-poloautomatické hodnocení perfuze. Následně byl tento algoritmus testován i prospektivně a potvrdil schopnost odhalit mnohočetné ischemie, jež mohou lidskému hodnotiteli uniknout. Tento AI systém byl integrován do softwaru QPS/QGS (známého nástroje pro analýzu perfuzních SPECT), čímž se stal dostupným v klinickém prostředí. Lze jej tedy považovat za validovaný model –⁠ sice funguje jako second reader, nikoli samostatně, ale přináší reálně ověřený přínos v diagnostice ICHS.
• CAD (computer-aided detection) systém pro kostní scintigrafii (BONENAVI): Ještě před aBSI vznikl v Japonsku systém BONENAVI, který pomocí strojového učení automaticky detekuje metastatická ložiska na kostních skenech a přiřazuje pacientům rizikové skóre. BONENAVI byl vytrénován na tisících snímků a v Japonsku se dostal do klinické praxe již kolem roku 2013. Klinické studie potvrdily, že dokáže srovnatelně s experty odlišit metastázy od degenerativních změn a pomoci méně zkušeným lékařům zvýšit správnost diagnostiky. BONENAVI tak představuje jeden z prvních komerčně dostupných CAD nástrojů v nukleární medicíně s prokázanou klinickou užitečností. ¹. I když mimo Japonsko není rozšířen, ukázal cestu dalším –⁠ aBSI je do určité míry jeho nástupcem s globálními ambicemi.

Uvedené příklady ilustrují první vlaštovky AI v oboru. Společným jmenovatelem úspěšně validovaných modelů je, že řeší relativně úzce vymezený úkol (specifickou diagnózu či kvantifikaci), mají k dispozici dostatek tréninkových dat a byly nezávisle ověřeny na externích souborech pacientů. Tyto modely nepůsobí jako černé skříňky nahrazující lékaře, ale jako nástroje, které doplňují a podporují rozhodování specialistů.

Shrnutí vývoje technologií: od strojového učení k CNN, GAN a LLM

Vývoj AI technologií pro nukleární medicínu kopíroval obecné trendy AI, avšak s určitým zpožděním –⁠ zdravotnictví obvykle inovace přejímá po jejich ověření a schválení. Lze identifikovat několik fází:

• První fáze: strojové učení a jednoduché neuronové sítě –⁠ cca 1990–2010. Využívaly se základní ML algoritmy (klasifikátory jako support vector machines, k-nejbližších sousedů apod.) a mělké neuronové sítě. Tyto metody vyžadovaly ruční extrakci příznaků z obrazů (měření velikostí, intenzit, textur atd.), na nichž se model učil. Příkladem je extrakce jednoduchých indexů (poměrů aktivity) z perfuzních studií a jejich klasifikace regresním modelem. Výhodou byla relativní interpretovatelnost výsledků, nevýhodou omezený výkon při složitějších úlohách a pracná příprava vstupů.
• Druhá fáze: hluboké učení s konvolučními sítěmi (CNN) –⁠ 2010–2020. Díky nárůstu výpočetní síly se rozšířily hluboké CNN, které automaticky zpracují surová obrazová data. Pro nukleární medicínu to znamenalo přelom v analýze složitých 3D dat PET a SPECT. CNN dokážou rozpoznat i komplexní obrazové vzory (např. difuzní změny metabolismu v mozku) lépe než starší algoritmy. Kolem roku 2015 začaly první studie aplikovat CNN na PET/CT a SPECT data a do konce desetiletí již desítky prací demonstrovaly jejich nadřazenost v různých úlohách (detekce ložisek, klasifikace diagnóz). Hluboké učení se stalo hlavním směrem výzkumu AI v zobrazovací diagnostice. ^8,10 Zároveň se řešily i nové problémy –⁠ například potřeba velkého množství anotovaných dat a obtížná vysvětlitelnost (CNN jsou často vnímány jako "černá skříňka").
• Pokročilé metody: GAN a další generativní modely –⁠ od roku 2015. Generativní adversariální sítě přinesly schopnost syntetizovat realistická data. V nukleární medicíně se to projevilo např. možností dopočítat vysokodávkový PET obraz z nízkodávkového nebo převést obraz z jednoho modalitního kontrastu do druhého (syntéza CT z PET apod.). Studie ukázaly, že GAN umí potlačit šum a artefakty a tím zlepšit kvalitu obrazů. ¹² Rovněž umožnily augmentovat tréninková data –⁠ vygenerovat umělé případy a tím zvýšit robustnost modelů. Generativní modely se tak staly užitečným doplňkem pro zpracování obrazů, byť jejich spolehlivost v klinických situacích musí být pečlivě kontrolována (hrozí “příliš dokonalé” obrazy nesoucí arteficiální informace).
• Současnost a blízká budoucnost: velké modely a integrace multimodálních dat –⁠ od roku 2020. Kromě dalšího prohlubování CNN metod (stále hlubší sítě, architektury jako ResNet, Vision Transformers aj.) se AI ubírá směrem integrace různých datových zdrojů. Pro precizní medicínu je cílem zkombinovat obrazová data s klinickými, laboratorními, genomickými –⁠ a zde mohou pomoci pokročilé modely včetně velkých jazykových modelů (LLM). LLM jako GPT-4 již dnes dokážou analyzovat nestrukturované texty (např. lékařské zprávy) a mohly by v budoucnu asistovat při sestavování diagnóz z různých informací. V nukleární medicíně se již experimentuje s AI, která z PET nálezu a dalších dat doporučí léčebný postup. Do roku 2030 se očekává, že AI systémy budou schopny zpracovat multimodální vstup –⁠ obrazy z PET/CT, laboratorní hodnoty, anamnézu –⁠ a poskytovat lékaři komplexní podporu rozhodování, takřka personalizovanou analýzu každého případu. Tyto modely budou pravděpodobně využívat architektury s více subsystémy (viz tzv. hybrid AI, kombinující hluboké učení s prvky symbolického uvažování pro dosažení vysvětlitelnosti).

Na závěr tohoto historického exkurzu lze konstatovat, že umělá inteligence v nukleární medicíně urazila značnou cestu od teoretických úvah k prvním praktickým aplikacím. Díky postupnému vývoji algoritmů –⁠ od prostých expertních systémů přes strojové učení až k hlubokým sítím –⁠ dnes AI reálně pomáhá při zpracování a interpretaci scintigrafických dat. Následující díly přehledu se zaměří na aktuální klinické aplikace těchto technologií a na výzvy, které s sebou jejich širší nasazení přináší.