W Polsce, tak jak i w większości krajów rozwiniętych, dochodzi do licznych zjawisk, które stawiają nowe wyzwania przed systemem opieki zdrowotnej. Nasze społeczeństwo szybko się starzeje. Powoduje to znaczne zwiększenie liczby osób w wieku starczym, jak i relatywne zmniejszenie liczby pracowników służby zdrowia w wieku produkcyjnym. Seniorzy wymagają znacznie częstszej i głębszej diagnostyki oraz terapii, co powoduje duże obciążenie dla systemu opieki zdrowotnej. Ponadto rozwój nauki generuje powstawanie coraz to nowych i bardziej złożonych sposobów diagnostyki i leczenia. Przykładowo, duża cześć obecnych wytycznych, stanowiących podstawę dla postępowania leczniczego i diagnostycznego, wskazuje na potrzebę pracy w zespołach wielodyscyplinarnych, co wynika z coraz węższej specjalizacji poszczególnych osób (zwłaszcza lekarzy), koniecznej w celu opanowania olbrzymiej ilości nowej wiedzy i umiejętności, które są potrzebne do prowadzenia coraz bardziej nowoczesnej terapii i diagnostyki. Mamy do czynienia – z jednej strony z szybko zwiększającym się zapotrzebowaniem na pracowników służby zdrowia, z drugiej zaś strony zarówno sytuacja demograficzna, jak i czas potrzebny na wyszkolenie nowych kadr sprawiają, że owe zapotrzebowanie już nie jest możliwe do wypełnienia w pełni obecnymi kadrami. Najnowsze dane wskazują, że sytuacja będzie najprawdopodobniej coraz gorsza.

Diagnostyka obrazowa

Diagnostyka obrazowa stanowi kluczową cześć nowoczesnej diagnostyki medycznej, pozwala ona na “zajrzenie” do wnętrza organizmu. Zarówno liczba, jak i różnorodność takich badań stale rośnie. W wykonanie badania jest zaangażowany cały zespół złożony z fizyków medycznych, techników, pielęgniarek i lekarzy oraz personelu pomocniczego. Ponadto wykonanie, jak i interpretacja każdego badania, wymaga wiele czasu od każdego pracownika. Czas ten jest zależy oczywiście od rodzaju badania i schorzenia pacjenta. Przykładowo, opis dwuwymiarowego badania takiego jak RTG przy podejrzeniu złamania może zająć w optymalnych warunkach niecałe 15 minut. Więcej czasu wymaga jednak opis badania trójwymiarowego, takiego jak np. tomografia komputerowa. Najwięcej zaś czasu spędzić trzeba przy interpretacji wielomodalnościowych badań, takich jak MRI czy badanie PET/CT, gdzie 90 minut spędzonych nad pojedynczym badaniem nie jest rzadkością. Liczba ta nie uwzględnia ponadto czasu potrzebnego na przeprowadzenie wywiadu z pacjentem, analizę dokumentacji, konsultację oraz czasu związanego z dostosowaniem protokołu badania do danego pacjenta i schorzenia. Cała procedura jest więc długotrwała i przy brakach kadrowych w służbie zdrowia, może opóźniać rozpoczęcie właściwej terapii. Z pomocą medycynie przychodzi jednak najnowsza technologia cyfrowa.

Cyfrowy bliźniak 

Jednym z możliwych rozwiązań opisanego powyżej problemu jest automatyzacja. Jest ona możliwa głównie dzięki zastosowaniu sztucznej inteligencji, gdyż klasyczne algorytmy nie są wystarczające. Jednym z efektywnych rozwiązań jest tak zwany cyfrowy bliźniak (digital twin). Cyfrowy bliźniak definiowany jest jako generowany cyfrowo odpowiednik człowieka (w tym wypadku radiologa).  Jest to technika, gdzie algorytm pomaga lekarzowi diagnoście w interpretacji obrazu, wskazując potencjalne zmiany patologiczne. Ułatwia ona znacznie przygotowanie raportu końcowego z badania. Może to zarówno pomóc w przyśpieszeniu pracy, jak i zwiększeniu powtarzalności raportów medycznych. Należy jednak zwrócić uwagę, że ostateczna decyzja wciąż jest podejmowana przez lekarza.

AI w medycynie – jak robimy to w OPI

W Ośrodku Przetwarzania Informacji (OPI) prowadzone są obecnie prace nad algorytmami sztucznej inteligencji stosowanymi w przypadku badań MRI w nowotworach prostaty. W najbliższej przyszłości planowane jest również rozpoczęcie prac nad algorytmami mającymi pomagać w diagnostyce chłoniaków (w badaniach 2-[18F]FDG PET/CT). Rozwijane technologie oparte są na głębokich sieciach neuronalnych, gdzie uwzględnianie są zarówno wielomodalnościowe dane obrazowe, dane kliniczne, epidemiologiczne, jak i laboratoryjne. Problemem w rozwoju algorytmów jest relatywnie mała ilość danych w stosunku do złożoności problemu. Wmusza to na naszym zespole zarówno tworzenie własnych, nowych zbiorów danych, jak i próbę tworzenia architektury, która jest jak najlepiej dopasowana do problemu.

Moim głównym zadaniem jest próba przekształcenia wiedzy medycznej z dziedziny diagnostyki obrazowej na model matematyczny, który następnie może być zaimplementowany jako program komputerowy. Poprzez wykorzystanie wiedzy domenowej możliwe jest zmniejszenie złożoności modelu (mierzonej liczbą parametrów), co pozwala na uzyskanie relatywnie dobrych wyników przy realistycznej wielkości zbioru danych oraz możliwej do uzyskania mocy obliczeniowej.

Wiedzę medyczną można zakodować w algorytmie na wiele sposobów. Algorytmy sztucznej inteligencji generalnie działają tym lepiej, im więcej i bardziej różnorodnych danych posiadamy dla danego problemu. Jest jednak to trudne do uzyskania – wynika to zarówno z problemów związanych z uzyskaniem dostępu do danych medycznych, czy też dużą ilością czasu potrzebnego w celu przygotowania badania przez lekarza diagnostę. Jednym z możliwych sposobów na uzyskanie większego i bardziej różnorodnego zbioru danych są augmentacje. Augmentacje są to cyfrowe modyfikacje dostępnych już danych. Modyfikacje te muszą „udawać’ źródła naturalnej zmienności. Przykładowo, wiemy, że organy w jamie brzusznej poruszają się wraz z przeponą podczas oddychania – co możemy symulować dzięki odpowiednim przekształceniom. Wiadomo jest również, że pacjenci mogą mieć różną wielkość organów oraz zmian patologicznych – co możemy symulować poprzez skalowanie obrazu, itp.

Innym sposobem na wprowadzenie wiedzy domenowej są inwariancje. Inwariancja jest to niewrażliwość modelu na niektóre zmiany. Na przykład wiemy, że jeśli pacjent odrobinę inaczej się ułoży, czyli np. przesunie o kilka centymetrów w danym kierunku, to nadal mamy do czynienia z tym samym pacjentem i model nie powinien zwracać na to uwagi. 

Rozwijane algorytmy będą mogły być w przyszłości zastosowane również do innych schorzeń. Przez wykorzystanie sztucznej inteligencji mamy nadzieję przyśpieszyć i uprościć pracę lekarzy radiologów i medycyny nuklearnej, co może pomóc w walce z rosnącym kryzysem kadrowym i przyspieszyć wdrożenie odpowiedniej terapii.