Dar prieš dešimtmetį dirbtinio intelekto pritaikymas medicininėje vaizdo diagnostikoje skambėjo kaip mokslinės fantastikos siužetas. Šiandien gi radiologai kasdien dirba su algoritmais, kurie padeda aptikti navikus, lūžius ar kraujavimus greičiau nei žmogaus akis spėtų peržiūrėti visą tyrimą. Tačiau tai nėra istorija apie robotus, pakeičiančius gydytojus – tai istorija apie tai, kaip programinė įranga tapo tikru darbo įrankiu, panašiu į mikroskopą ar rentgeno aparatą savo laiku.
Kodėl radiologija tapo pirmuoju taikiniu
Jei pagalvotumėte, kur DI galėtų realiausiai pritaikyti giluminio mokymosi algoritmus medicinoje, radiologija būtų logiškiausias atsakymas. Priežastis paprasta – ši sritis operuoja skaitmeniniais vaizdais. Rentgeno nuotraukos, kompiuterinės tomografijos pjūviai, magnetinio rezonanso vaizdai – visa tai jau seniai egzistuoja skaitmeniniu formatu, DICOM standarte, paruoštame mašininiam apdorojimui.
Neuroniniai tinklai, ypač konvoliuciniai (CNN), puikiai atpažįsta vaizdo šablonus. Būtent tokiu principu veikia veido atpažinimas telefone ar automobilio autopiloto sistema. Perkelti šią technologiją į medicininį kontekstą buvo tik laiko klausimas – reikėjo pakankamai duomenų ir pakankamai galingos aparatinės įrangos, kad modeliai galėtų mokytis iš milijonų anotuotų nuotraukų.
Svarbu suprasti ir tai, kad radiologų trūkumas – reali problema daugelyje šalių. Vien Lietuvoje kai kuriose ligoninėse rentgenologų eilės į konsultacijas tęsiasi savaitėmis. DI čia atlieka ne pakeitimo, o pagalbos funkciją – automatiškai surūšiuoja tyrimus pagal skubumą, pažymi įtartinas sritis, kurioms reikia skubaus gydytojo dėmesio.
Kaip iš tikrųjų veikia atpažinimo algoritmai
Techninė pusė čia gana įdomi. Dauguma šiuolaikinių diagnostikos sistemų remiasi giluminio mokymosi architektūromis – ResNet, U-Net ar naujesniais transformerio tipo modeliais, pritaikytais vaizdų segmentacijai. Algoritmas apmokomas ant didžiulių duomenų rinkinių, kuriuose kiekvienas vaizdas jau turi žymą – ar jame yra patologija, kur tiksliai ji yra, koks jos tipas.
Mokymo procesas primena studento paruošimą egzaminui, kai jam parodomi tūkstančiai pavyzdžių su teisingais atsakymais. Skirtumas tas, kad algoritmui reikia ne tūkstančių, o dažnai šimtų tūkstančių ar net milijonų vaizdų, kad pasiektų kliniškai naudingą tikslumą. Būtent čia slypi didžiausias iššūkis – kokybiškų, teisingai anotuotų medicininių duomenų tiesiog trūksta, o jų surinkimas kainuoja brangiai ir užima daug laiko.
Praktiškai sistema veikia taip: gydytojas įkelia tyrimo vaizdus į darbo stotį, algoritmas per kelias sekundes analizuoja kiekvieną pjūvį, pažymi sritis, kurios statistiškai panašios į patologines, ir priskiria tikimybės balą. Radiologas mato ne galutinį verdiktą, o tik pasiūlymą, kuriuo remdamasis priima savo sprendimą. Tai vadinama „antrąja nuomone“ (angl. second reader) – modelis niekada nepriima diagnozės vienas.
Konkretūs pritaikymo atvejai klinikinėje praktikoje
Krūties vėžio patikra mamografijoje – vienas geriausiai ištirtų DI taikymo pavyzdžių. Google Health ir DeepMind komandos jau kelis metus publikuoja tyrimus, rodančius, kad algoritmai gali sumažinti klaidingai neigiamų ir klaidingai teigiamų rezultatų skaičių, palyginti su vienu radiologu, dirbančiu be pagalbos. Kai kuriose Europos šalyse dvigubo patikrinimo modelis (du radiologai peržiūri kiekvieną mamogramą) dabar keičiamas modeliu, kur vienas žmogus dirba kartu su algoritmu.
Plaučių mazgelių aptikimas kompiuterinėje tomografijoje – kitas puikus atvejis. Smulkūs mazgeliai, ypač ankstyvose stadijose, gali būti vos kelių milimetrų dydžio ir lengvai praslysti pro akis, ypač jei radiologas peržiūri dešimtis tyrimų per pamainą. Algoritmai, apmokyti aptikti tokius mazgelius, veikia kaip papildomas filtras, kuris sumažina praleidimo tikimybę.
Insulto diagnostikoje laikas yra kritiškiausias veiksnys – kiekviena prarasta minutė reiškia prarastas smegenų ląsteles. Sistemos, tokios kaip Viz.ai, automatiškai analizuoja galvos smegenų tomogramas ir, aptikusios požymius, būdingus dideliam kraujagyslės užsikimšimui, iškart siunčia pranešimą intervencinės radiologijos komandai – dar prieš tai, kai radiologas spėja peržiūrėti visą tyrimą rankiniu būdu. Tai realiai sutaupo brangias minutes, kurios lemia paciento baigtį.
Kaulų lūžių atpažinimas skubios pagalbos skyriuose, tinklainės patologijų nustatymas pagal akių dugno nuotraukas diabetu sergantiems pacientams, odos navikų klasifikavimas iš dermatoskopinių vaizdų – sąrašas plečiasi kiekvienais metais, ir dauguma šių sistemų jau turi FDA arba CE ženklinimą, reiškiantį, kad jos legaliai naudojamos klinikinėje aplinkoje.
Kur slypi realios ribos ir problemos
Nereikėtų piešti pernelyg rausvo paveikslo. Algoritmų tikslumas stipriai priklauso nuo to, kokiais duomenimis jie buvo mokomi. Jei sistema treniruota daugiausia ant vienos populiacijos duomenų – tarkime, vakariečių pacientų nuotraukų – jos veikimas gali smarkiai suprastėti dirbant su kitokios etninės sudėties ar kitokio aparato kokybės duomenimis. Tai vadinama distribution shift problema, ir ji yra viena rimčiausių kliūčių plačiam šių sistemų diegimui skirtingose šalyse.
Kita problema – „juodosios dėžės“ efektas. Giluminio mokymosi modeliai dažnai nepaaiškina, kodėl priėmė būtent tokį sprendimą. Gydytojui sunku pasitikėti sistema, kuri tiesiog sako „90% tikimybė, kad tai piktybinis navikas“, bet nepaaiškina, kokie požymiai lėmė tokią išvadą. Būtent dėl to atsirado atskira mokslinė kryptis – interpretuojamas dirbtinis intelektas (XAI), kuri bando sukurti vizualizacijas, rodančias, į kokias vaizdo sritis modelis „žiūrėjo“ priimdamas sprendimą.
Teisinė atsakomybė – dar neišspręstas klausimas. Jei algoritmas praleidžia patologiją ir pacientas nukenčia, kas atsako – gydytojas, kuris pasitikėjo sistema, ligoninė, kuri ją įsigijo, ar kompanija, kuri sukūrė algoritmą? Kol šie klausimai nėra iki galo aiškūs teisiniu požiūriu, daugelis institucijų elgiasi atsargiai ir naudoja DI tik kaip pagalbinį įrankį, o ne kaip sprendimų priėmėją.
Praktiniai patarimai ligoninėms ir specialistams, ketinantiems diegti šias sistemas
Jei jūsų institucija svarsto diegti DI diagnostikos įrankius, pirmiausia verta atlikti pilotinį testavimą su realiais, jau žinomais atvejais – palyginti algoritmo išvadas su patyrusio radiologo diagnoze bent kelis šimtus kartų prieš pradedant naudoti sistemą tikrame darbe. Nepasitikėkite vien tiekėjo pateiktais tikslumo skaičiais – jie dažnai gaunami iš idealizuotų testavimo duomenų rinkinių, kurie nebūtinai atspindi jūsų pacientų populiaciją.
Antra, verta reikalauti, kad sistema veiktų kaip papildomas sluoksnis, o ne kaip pagrindinis sprendimų priėmėjas. Praktikoje geriausiai veikia modelis, kai algoritmas peržiūri tyrimą pirmas ir pažymi prioritetinius atvejus, o galutinį sprendimą visada priima žmogus.
Trečia, integracija su esama PACS (vaizdų archyvavimo ir komunikacijos) sistema turi būti sklandi. Jei radiologui reikia atsidaryti atskirą programą, įkelti vaizdus rankiniu būdu ir laukti rezultatų kelias minutes, sistema tiesiog nebus naudojama, kad ir kokia tiksli ji būtų. Darbo eigos trikdymas – dažniausia priežastis, kodėl techniškai puikūs sprendimai žlunga realioje klinikinėje aplinkoje.
Ketvirta, personalo mokymas negali apsiriboti vienkartiniu seminaru. Radiologai turi suprasti, kokie yra sistemos apribojimai, kokiuose atvejuose ji linkusi klysti, ir kada verta jos rezultatus ignoruoti. Aklo pasitikėjimo technologija kultūra yra pavojingesnė nei visiškas jos atmetimas.
Kaip keičiasi radiologo profesija
Daug kalbama apie tai, ar DI atims radiologų darbus. Realybė kur kas nuobodesnė ir kartu įdomesnė – profesija transformuojasi, o ne išnyksta. Rutininės, laiko reikalaujančios užduotys, tokios kaip pirminis skenavimas ieškant akivaizdžių patologijų, vis dažniau automatizuojamos. Tai atlaisvina radiologų laiką sudėtingesniems atvejams, konsultacijoms su kolegomis, dalyvavimui daugiadisciplininėse komandose, kur reikalingas klinikinis kontekstas, kurio algoritmas tiesiog neturi.
Medicinos universitetai jau keičia mokymo programas – būsimieji radiologai mokomi ne tik anatomijos ir patologijos, bet ir to, kaip dirbti su DI įrankiais, kaip interpretuoti jų pateikiamus tikimybės balus, kaip atpažinti situacijas, kai algoritmas gali klysti. Tai naujas kompetencijų rinkinys, panašus į tai, kaip prieš dešimtmečius gydytojai turėjo išmokti dirbti su elektroniniais sveikatos įrašais.
Vietoj apibendrinimo: ką iš tikrųjų reiškia ši technologija pacientui
Grįžtant prie esmės – DI diagnostikoje nėra stebuklinga lazdelė, bet ir ne perdėta reklama. Tai konkretus, matuojamas įrankis, kuris jau dabar padeda greičiau aptikti insultus, sumažinti praleistų mazgelių skaičių plaučių tyrimuose ir palengvinti radiologų darbo krūvį perpildytose ligoninėse. Pacientui tai reiškia trumpesnį laukimo laiką, potencialiai ankstesnę diagnozę ir mažesnę tikimybę, kad kažkas svarbaus liks nepastebėta dėl žmogiškojo nuovargio ar didelio darbo krūvio.
Tačiau svarbu išlaikyti sveiką skepticizmą. Jei kada nors gausite rezultatus, kuriuose minima, kad juos peržiūrėjo ar analizavo DI sistema, verta paklausti, ar galutinę diagnozę patvirtino gydytojas. Kol technologija tobulėja sparčiai, žmogaus sprendimas kaip paskutinis filtras išlieka nepakeičiamas – bent jau artimiausiu metu.
Ateityje, tikėtina, matysime dar glaudesnę integraciją – algoritmus, kurie ne tik atpažįsta vaizdus, bet ir sujungia juos su paciento istorija, laboratoriniais tyrimais, genetiniais duomenimis, kuriant kur kas išsamesnį klinikinį vaizdą nei bet kada anksčiau. Bet kad ir kaip sparčiai vystytųsi ši sritis, pagrindinis principas išlieka tas pats: technologija turi tarnauti žmogui, o ne atvirkščiai.
