AI nie zastąpi radiologa. Zmieni to, na co radiolog ma czas

W 2016 roku jeden z pionierów uczenia głębokiego ogłosił, że powinniśmy przestać szkolić radiologów, bo w ciągu pięciu lat zastąpi ich sztuczna inteligencja. Minęło znacznie więcej niż pięć lat, a radiologów nie tylko nie ubyło, lecz wciąż jest ich za mało. Według Naczelnej Izby Lekarskiej w Polsce pracuje nieco ponad 4 tysiące specjalistów radiologii i diagnostyki obrazowej. Najwyższa Izba Kontroli stwierdziła, że mimo wzrostu ich liczby brakowało ich w niemal jednej trzeciej kontrolowanych placówek, a szczególnie trudna była sytuacja w mniejszych szpitalach, gdzie na dyżurach po prostu nie było kogo postawić przy opisie badań.

Jednocześnie liczba wykonywanych badań rośnie szybciej niż liczba osób zdolnych je opisać. To właśnie ta dysproporcja, a nie wizja maszyny zastępującej lekarza, jest realnym problemem. I to w niej, a nie w fantazji o automatycznym radiologu, tkwi miejsce dla sztucznej inteligencji. Algorytm nie wyręczy lekarza w postawieniu rozpoznania ani nie weźmie na siebie odpowiedzialności za pacjenta. Może natomiast przejąć tę część pracy, która pochłania czas, a nie wymaga wiedzy klinicznej.

Praca, której nikt nie chce robić ręcznie

Najłatwiej pokazać to na przykładzie stwardnienia rozsianego. Rozpoznanie i monitorowanie choroby opierają się na ogniskach demielinizacyjnych widocznych w rezonansie magnetycznym, a tych w jednym badaniu bywa naprawdę dużo. W zbiorach klinicznych mediana liczby zmian na jedno badanie sięga kilkudziesięciu, a u pacjentów z dużym obciążeniem chorobą idzie w setki. Radiolog musi je odnaleźć, policzyć i zmierzyć. Jest to praca dokładna, ale mechaniczna, a do tego obarczona zmiennością. Dwóch lekarzy policzy zmiany nieco inaczej, a ten sam lekarz w dwóch różnych dniach również.

Algorytmy oparte na uczeniu głębokim radzą sobie z tym zadaniem dobrze. Modele segmentacji ognisk demielinizacyjnych z sekwencji FLAIR osiągają w niezależnych testach wysoką zgodność z opisami przygotowanymi ręcznie przez ekspertów, a robią to w czasie liczonym w minutach, nie godzinach. System oznacza zmiany automatycznie, a rola lekarza przesuwa się z liczenia na weryfikację i korektę. To nie jest odebranie pracy. To zdjęcie z radiologa czynności, która i tak nie wymagała jego najcenniejszej kompetencji, czyli interpretacji.

Analogicznie działa to w raku prostaty. W badaniu wieloparametrycznym system może wskazać obszary podejrzane i zaznaczyć miejsca wymagające szczególnej uwagi, w tym te, które mogą być celem biopsji. Nie podejmuje decyzji, kieruje wzrok lekarza tam, gdzie najbardziej warto patrzeć. Przy złożonym, kilku-sekwencyjnym badaniu taka wskazówka skraca drogę do wniosku.

Od „wydaje się większa” do konkretnej liczby

Drugi obszar, w którym przewaga maszyny jest najbardziej namacalna, to porównywanie badań wykonanych w odstępie czasu. Dla pacjenta ze stwardnieniem rozsianym albo z rakiem prostaty w aktywnym nadzorze istotna jest nie pojedyncza wartość badania, lecz różnica między kolejnymi badaniami. To ona mówi, czy choroba postępuje, czy się stabilizuje. System potrafi zestawić dwa badania i wskazać, które zmiany są nowe, które się powiększyły, które się zmniejszyły, a które pozostały bez zmian.

Tu pojawia się najważniejsza zmiana jakościowa. Opis radiologiczny z natury bywa jakościowy, oparty na sformułowaniach takich jak „zmiana wydaje się większa”. Sztuczna inteligencja pozwala zamienić to wrażenie na dane, czyli na konkretną objętość wyrażoną w jednostkach miary i procentową różnicę względem poprzedniego badania. Różnica między tymi dwoma sposobami opisu jest fundamentalna. Pierwszy jest wrażeniem, którego nie da się łatwo powtórzyć. Drugi jest liczbą, którą można porównać, zweryfikować i prześledzić w czasie.

Niektóre z tych różnic są wręcz niewidoczne dla ludzkiego oka. Zmiana objętości mózgu w typowym rocznym odstępie między badaniami jest na tyle mała, że nie sposób ocenić jej wzrokowo, a jednak roczna utrata tkanki mózgowej powyżej pewnego progu ma znaczenie kliniczne i może wpływać na decyzję o zmianie leczenia. Algorytm, który mierzy objętość struktur mózgu i śledzi jej zmianę, dostarcza informacji, które inaczej w ogóle nie trafiłyby do opisu.

Stwardnienie rozsiane: aktywność choroby i zanik mózgu

W stwardnieniu rozsianym potencjał tych narzędzi jest szczególnie wyraźny, bo choroba toczy się latami i wymaga wielokrotnego obrazowania. Sztuczna inteligencja może wspierać ocenę aktywności choroby przez automatyczne wykrywanie nowych ognisk, analizę ich liczby i objętości oraz pomoc w odpowiedzi na pytanie, czy leczenie hamuje postęp. Dla neurologa prowadzącego pacjenta jest to przesłanka do decyzji o utrzymaniu lub zmianie terapii.

Drugim, często niedocenianym wymiarem jest ocena zaniku mózgu. Sama liczba ognisk nie zawsze dobrze oddaje rzeczywisty przebieg choroby, a postępująca atrofia bywa istotnym wskaźnikiem zaawansowania. Jej ocena gołym okiem jest praktycznie niemożliwa i obarczona dużą zmiennością. Tu właśnie pomiar objętościowy, niedostępny dla człowieka, a naturalny dla algorytmu, dokłada wymiar, którego w klasycznym opisie po prostu nie ma.

Rak prostaty: wykrywanie i aktywny nadzór

W raku prostaty wartość pojawia się na dwóch etapach. Na etapie diagnostyki system pomaga w wykrywaniu obszarów podejrzanych w obrazie rezonansu, zaznaczając miejsca wymagające szczególnej uwagi radiologa lub mogące stanowić cel biopsji. Warto przy tym pamiętać, jak wygląda punkt odniesienia. Rezonans wieloparametryczny oceniany według skali PI-RADS ma wysoką czułość w wykrywaniu istotnego klinicznie raka, ale jego swoistość jest wyraźnie niższa, a interpretacja zależy od doświadczenia czytającego. To pozostawia realne pole dla narzędzia, które ujednolica ocenę i zmniejsza jej zależność od tego, kto akurat opisuje badanie.

Prospektywne badania nad w pełni automatycznymi algorytmami do wykrywania istotnego klinicznie raka prostaty na rezonansie pokazują wyniki na poziomie doświadczonego radiologa, przy polu pod krzywą ROC sięgającym około dziewięciu dziesiątych. To nie znaczy, że algorytm zastępuje lekarza. Znaczy, że może być wiarygodną drugą oceną, zwłaszcza tam, gdzie dostęp do doświadczonego specjalisty od prostaty jest ograniczony.

Na etapie aktywnego nadzoru u pacjentów z chorobą niskiego ryzyka porównanie kolejnych badań pomaga wychwycić moment, w którym zmiana zaczyna wykazywać cechy progresji. Jest to moment kluczowy, bo od niego zależy decyzja, czy kontynuować obserwację, czy przejść do leczenia. W obu sytuacjach chodzi często o różnice subtelne, czyli małe ogniska, niewielkie zmiany objętości albo szczegóły widoczne dopiero po zestawieniu wielu sekwencji, które łatwo przeoczyć przy dużej liczbie opisów wykonywanych jednego dnia.

Gdzie kończą się możliwości algorytmu

Uczciwy obraz wymaga pokazania także granic tej technologii, bo to one tłumaczą, dlaczego radiolog pozostaje niezbędny. Pierwszą jest skłonność do fałszywych alarmów. Narzędzie skonstruowane tak, by wykryć jak najwięcej zmian, oznacza również takie, które zmianami nie są, a nadmiar wskazań potrafi obniżyć zaufanie do systemu i wydłużyć pracę zamiast ją skrócić. Dlatego sama detekcja nie wystarczy, a po niej musi nastąpić klasyfikacja i weryfikacja, w której ostatnie słowo należy do lekarza.

Drugą granicą jest dokładność zależna od skali zmiany. Segmentacja dużych ognisk bywa bardzo dobra, ale jakość spada przy zmianach małych, a to właśnie one bywają klinicznie istotne. Trzecią jest zależność od jakości obrazu i protokołu badania. Model wytrenowany na danych z określonych aparatów i sekwencji może działać gorzej na materiale z innego ośrodka, co oznacza, że narzędzie trzeba walidować w warunkach, w których realnie pracuje, a nie zakładać, że wynik z publikacji przeniesie się automatycznie do każdej pracowni.

Jest wreszcie kwestia odpowiedzialności. Algorytm nie ponosi odpowiedzialności za rozpoznanie, nie potrafi też powiązać obrazu z całością sytuacji klinicznej pacjenta, jego wywiadem, wynikami laboratoryjnymi i przebiegiem leczenia. To dlatego mówienie o zastępowaniu lekarza jest mylące. Narzędzie rozwiązuje wąsko zdefiniowane zadania, a poza nimi pozostaje bezradne. Z tego właśnie powodu jego właściwą rolą jest wsparcie, a nie rozstrzyganie.

Druga para oczu, nie wyrocznia

W badaniach bardzo złożonych lub czasochłonnych sztuczna inteligencja działa jak dodatkowa warstwa kontroli jakości równoległa do pracy lekarza. Nie jest sędzią, jest drugą parą oczu, która sygnalizuje miejsca warte sprawdzenia i ogranicza ryzyko, że coś umknie przy kolejnym z wielu opisów danego dnia. To rozróżnienie ma znaczenie również etyczne i prawne. Decyzja oraz odpowiedzialność pozostają po stronie lekarza, a narzędzie pełni funkcję wspierającą, a nie rozstrzygającą.

Zmienia się też komunikacja. Lekarz prowadzący, neurolog albo urolog, dostaje wtedy konkretne dane, czyli liczbę zmian, ich lokalizację, informację o tym, czy są nowe, oraz wartość mówiącą o zmianie objętości. Taki opis łatwiej przełożyć na decyzję kliniczną niż ogólne sformułowania. Korzysta na tym także pacjent, któremu łatwiej zrozumieć wynik, gdy zmiany są oznaczone graficznie, a nie opisane wyłącznie słowami. Obraz z naniesionymi ogniskami bywa bardziej przystępny niż akapit terminologii.

To jest właśnie ta zmiana roli, o której warto mówić zamiast o zastępowaniu. Automatyzacja pomiarów, porównywanie badań w czasie, przeliczanie opisu na dane liczbowe, kontrola jakości i czytelniejsza komunikacja zdejmują z radiologa czynności mechaniczne. W zamian zostaje mu czas i uwaga na to, czego algorytm nie zrobi, czyli na powiązanie obrazu z całym obrazem klinicznym pacjenta, na rozmowę z lekarzem prowadzącym i na trudne przypadki, w których liczy się doświadczenie. Sztuczna inteligencja nie zastępuje radiologa. Przesuwa go tam, gdzie jest najbardziej potrzebny.

Informacja o finansowaniu

Opisane narzędzia powstają w ramach projektu realizowanego przez Onwelo Sp. z o.o., dotyczącego zastosowania zaawansowanych technologii informacyjnych i sztucznej inteligencji w multiparametrycznej diagnostyce raka prostaty i ocenie stwardnienia rozsianego. Zakres prac badawczo-rozwojowych obejmuje opracowanie algorytmów do automatycznej segmentacji prostaty i mózgu, detekcji zmian nowotworowych oraz ognisk demielinizacyjnych, a także monitorowania przebiegu choroby na obrazach rezonansu magnetycznego, z docelową integracją jako moduły certyfikowanej przeglądarki DICOM Raygenic.

Projekt „Zastosowanie zaawansowanych technologii informacyjnych i sztucznej inteligencji w multiparametrycznej diagnostyce raka prostaty i ocenie stwardnienia rozsianego” (umowa o dofinansowanie nr FEMA.01.01-IP.01-02ED/24-00) jest realizowany w ramach działania 1.1 „Badania, rozwój i innowacje przedsiębiorstw” programu Fundusze Europejskie dla Mazowsza 2021-2027, priorytet I „Fundusze Europejskie dla bardziej konkurencyjnego i inteligentnego Mazowsza”, i współfinansowany ze środków Europejskiego Funduszu Rozwoju Regionalnego. Wydatki ogółem w projekcie wynoszą 1 845 782,16 PLN, a dofinansowanie ze środków Unii Europejskiej 920 504,32 PLN. Okres realizacji projektu: od 1 października 2024 r. do 31 marca 2026 r.