W jaki sposób sztuczna inteligencja może przyczynić się do transformacji radiologii?

Akademiccy badacze medyczni i firmy technologiczne łączą swoje wysiłki, aby opracować te nowe narzędzia. Początkowe rozwiązania wykazują pozytywne rezultaty w zakresie poprawy opieki nad pacjentem i usprawnienia operacji, mówią radiolodzy.

Aby bezproblemowo wdrożyć sztuczną inteligencję w radiologii, organizacje zajmujące się opieką zdrowotną mogą wykorzystać istniejącą infrastrukturę technologiczną, w tym systemy przechowywania danych do obrazowania medycznego, ale muszą przemyśleć na nowo niektóre obszary swojego przedsiębiorstwa, mówi Mutaz Shegewi, starszy dyrektor ds. badań w IDC Health Insights.

„Potrzebują integracji przepływu pracy. Potrzebują mocy obliczeniowej i będą potrzebować zarządzania i bezpieczeństwa” — mówi Shegewi.

Szybsze skanowanie i lepsza opieka na oddziale ratunkowym

Jak mówi Reeder, naukowcy zajmujący się radiologią na UW badają możliwość wdrożenia sztucznej inteligencji w swojej dziedzinie, ale muszą pamiętać, że w ich systemie opieki zdrowotnej może znaleźć zastosowanie wyłącznie technologia sztucznej inteligencji zatwierdzona przez amerykańską Agencję ds. Żywności i Leków.

Na przykład, UW Health wprowadziło do swoich urządzeń skanujących zaawansowaną technologię rekonstrukcji obrazu zatwierdzoną przez FDA, która pozwala na uzyskanie ostrzejszych obrazów z mniejszą ilością szumów i artefaktów, a także skraca czas skanowania o 30% do 50%, co może ograniczyć narażenie pacjenta na promieniowanie – dodaje.

„Pacjenci to lubią. My też, ponieważ oznacza to, że możemy zaplanować krótsze terminy badań” — mówi Reeder. „Poprawia przepustowość i przepływ pracy. To zmienia zasady gry”.

Jak twierdzi John Garrett, dyrektor informatyki obrazowej w radiologii UW, aby zasilać narzędzia AI w radiologii, UW Health opiera się na wewnętrznych serwerach, chmurze, komputerach ogólnego przeznaczenia i samych urządzeniach do obrazowania, żeby wymienić tylko kilka.

Na przykład, podczas gdy niektóre modele sztucznej inteligencji działają na standardowych komputerach, oprogramowanie do perfuzji mózgu oparte na sztucznej inteligencji, czyli tomografii komputerowej i rezonansie magnetycznym, analizuje skany mózgu i tworzy kodowane kolorami obrazy przepływu krwi w mózgu, działa na lokalnym serwerze – dodaje.

ODKRYJ: Odblokuj przepływ danych dzięki wydajnej pamięci masowej do obrazowania medycznego i analiz.

Jak mówi Garrett, badania wymagające większej mocy obliczeniowej są przeprowadzane na procesorach graficznych w chmurze , na przykład tomografia komputerowa, która jest oceniana przez 10–12 narzędzi do triażu AI. W zależności od konkretnego algorytmu Amazon Web Services i Microsoft Azure wykonują przetwarzanie danych w czasie rzeczywistym, podczas gdy niektóre narzędzia korzystają zGoogle Cloud Platform .

W sytuacjach triage na oddziale ratunkowym dane są wysyłane do chmury, gdzie są przetwarzane przez wiele algorytmów AI. Wyniki są odsyłane do systemu archiwizacji zdjęć i komunikacji UW Health. Widżet na pulpicie na stacjach roboczych PACS radiologów może ich powiadamiać o ustaleniach o wysokim priorytecie, mówi Garrett.

Radiolodzy UW Health korzystają również z oprogramowania do rozpoznawania głosu Nuance PowerScribe opartego na sztucznej inteligencji na swoich komputerach Dell , aby pomóc w pisaniu raportów. Reeder jest od dawna użytkownikiem tego rozwiązania, które, jak zauważa, jest stale udoskonalane.

„Pozwala nam generować raporty sprawnie, dokładnie i w sposób ujednolicony” – mówi. „Chociaż nie jest idealny, jest dokładny. Możesz mówić wymyślne medyczne słowa i on to robi dobrze”.

Ograniczone korzyści diagnostyczne dzisiaj, obiecująca przyszłość przed nami

Boston-based Massachusetts General Brigham wdrożył różne narzędzia AI radiologii w swojej praktyce klinicznej. Obejmują one narzędzia przetwarzania obrazu używane do poprawy jakości obrazu i wykonywania „kwantyfikacji obrazu”, które mogą pomóc radiologom w odczytywaniu obrazów medycznych, mówi dr Bernardo Bizzo, starszy dyrektor działu AI Mass General Brigham.

System opieki zdrowotnej wdrożył wspomagane komputerowo narzędzia triage oparte na sztucznej inteligencji, które pomagają radiologom ustalać priorytety i powiadamiać ich o pilnych wynikach, mówi. Przetestowano również dziesiątki modeli sztucznej inteligencji, które analizują obrazy medyczne i do tej pory przyjęto około tuzina z nich, mówi Bizzo.

Mass General Brigham uruchamia te narzędzia AI w lokalnych centrach danych i w chmurze . Na przykład wdrożył niektóre modele AI w ramach Nuance Precision Imaging Network firmy Microsoft (zbudowanej na platformie Azure) i wdrożył modele, które wykrywają guzki płucne w skanach CT i analizują skany MRI wątroby.

POWIĄZANE: Zmień rezonans magnetyczny za pomocą nowoczesnych skanerów i wirtualnych programów.

Te narzędzia AI pomagają radiologom w interpretacji skanów, ale obecne korzyści są ograniczone, ponieważ każdy model jest generalnie zaprojektowany do wykrywania jednego lub kilku ustaleń. Radiolodzy muszą przyjąć holistyczny pogląd i przeanalizować obraz w celu sporządzenia kompleksowego raportu, dodaje Bizzo.

„Każde narzędzie AI zatwierdzone przez FDA wykrywa tylko kilka wyników obrazowania. Pomaga trochę w konkretnych przypadkach użycia, ale nie przesuwa igły w sposób, w jaki wszyscy mamy nadzieję, że zrobi to AI, ponieważ praca radiologa wykracza poza wykrywanie garstki wyników” – mówi.

Radiolodzy twierdzą jednak, że są przekonani, że powstające narzędzia AI mogą dojrzeć. Na przykład Mass General Brigham współpracuje z firmami na całym świecie, aby testować ich powstające modele i narzędzia AI, ponieważ starają się o zatwierdzenie FDA i zastosowanie kliniczne w USA. Obejmuje to testowanie generatywnej AI i kompleksowych narzędzi AI . Te nowe narzędzia mogą łączyć wiele algorytmów w jeden pakiet, aby wykonywać bardziej szczegółowe diagnozy, mówi Bizzo.

„Moim zdaniem narzędzia AI do wykrywania i diagnozowania mogą pomóc radiologom najbardziej, zwłaszcza podczas sporządzania raportów w niedalekiej przyszłości” – mówi. „Istnieje wiele obietnic dotyczących zwiększenia dokładności i wydajności diagnostyki dzięki AI”.

Narzędzie AI mierzy skuteczność leczenia chorób nerek

Około rok temu wydział radiologii Weill Cornell Medicine zbudował zaawansowany klaster AI – oparty na serwerach Dell działających na procesorach graficznych NVIDIA – który umożliwia badaczom opracowywanie i trenowanie modeli AI na potrzeby radiologii, a następnie ich wykorzystywanie i testowanie w warunkach klinicznych.

Na przykład lekarze w New York-Presbyterian Hospital /Weill Cornell Medical Center (szpitalu naukowo-dydaktycznym tej uczelni medycznej) testują obecnie model sztucznej inteligencji, który umożliwia precyzyjne pomiary nerek pacjentów w celu określenia postępu choroby i skuteczności leczenia, mówi dr Mert Sabuncu, wiceprzewodniczący ds. badań nad sztuczną inteligencją i inżynierią w katedrze radiologii Weill Cornell Medicine oraz profesor inżynierii elektrycznej i komputerowej w Cornell Tech.

Dokładniej rzecz biorąc, model sztucznej inteligencji został zaprojektowany do analizy skanów klinicznych pacjentów z wielotorbielowatością nerek, chorobą genetyczną, w przebiegu której w nerkach tworzą się i powiększają torbiele, co może prowadzić do uszkodzenia i niewydolności nerek.

U pacjentów z zaawansowaną PKD badanie MRI wykonuje się zazwyczaj raz w roku.

„Standardowe raporty radiologiczne zawierają wiele impresjonistycznych stwierdzeń” – mówi Sabuncu. „Radiolodzy opisują to, co widzą, bez wielu pomiarów ilościowych, co oznacza, że ​​może minąć kilka lat, zanim stwierdzą, czy lek taki jak Tolvaptan działa”.

Kilka lat temu zespół badawczy w Weill Cornell Medicine opracował model AI, który może generować wysoce precyzyjne pomiary numeryczne anatomii jamy brzusznej. Obecnie narzędzie to jest wykorzystywane do informowania o podejmowaniu decyzji klinicznych i lepszej oceny, czy lek jest skuteczny dla pacjentów, mówi.

AI może popełniać błędy, więc w ramach przepływu pracy technolog lub radiolog przegląda wyniki modelu, wprowadza wszelkie niezbędne poprawki, a następnie przekazuje je innemu radiologowi do ostatecznego przeglądu. Mogą również odrzucić wyniki, jeśli pomiary modelu AI są błędne.

„W procesie zapewniania dokładnych wyników pomaga nam człowiek” – mówi Sabuncu.

Weill Cornell Medicine ma nadzieję uzyskać aprobatę FDA dla modelu AI, ale na razie może go używać na pacjentach jako akademicki szpital badawczy. „Mamy luksus korzystania z najnowocześniejszych narzędzi badawczych” – mówi.

Uważa, że ​​takie narzędzia są gotowe zrewolucjonizować radiologię. „Jesteśmy na progu przejścia przez wielką transformację w ciągu najbliższych pięciu lat. Będzie ogromny napływ narzędzi AI, które ulepszą radiologię i przekształcą medycynę” – mówi Sabuncu.