Od rekonstrukcji obrazu do wsparcia decyzji klinicznej, czyli o AI w diagnostyce obrazowej

Wiele mówi się o tym, że AI zastąpi radiologów, ale czy wiecie że historia wykorzystania Artificial Intelligence w diagnostyce obrazowej jest znacznie dłuższa niż obecna fala generative AI? Jej początki sięgają lat 60. XX wieku, choć przez dziesięciolecia mówiono raczej o komputerowym wspomaganiu diagnostyki niż o sztucznej inteligencji w dzisiejszym jej znaczeniu. Pierwsze próby były statystyczne i oparte na ręcznie definiowanych cechach obrazu. Przełom kliniczny nastąpił wraz z CAD (computer-aided diagnosis) w mammografii w 1998 r., a obecna faza rozwoju zaczęła się po upowszechnieniu deep learningu w latach 2010.

Początki to lata 60.

Za jedną z pierwszych prac wykorzystujących metody podobne do uczenia maszynowego w analizie obrazów medycznych uważa się badanie Gwilyma S. Lodwicka i współpracowników z 1963 r. pt. Computer Diagnosis of Primary Bone Tumors, opublikowane w „Radiology” (1). Autorzy zastosowali komputerową analizę cech radiologicznych guzów kości, takich jak lokalizacja zmiany względem chrząstki wzrostowej czy rodzaj kości, aby wspierać różnicowanie rozpoznań.

Był to system bardzo odległy od współczesnej sieci neuronowej. Komputer nie „widział” obrazu tak jak obecne modele głębokiego uczenia. Lekarz lub badacz najpierw opisywał obraz za pomocą zdefiniowanych zmiennych, a następnie program stosował reguły statystyczne, w tym podejście bayesowskie. Mimo ograniczeń był to ważny i pionierski krok, gdyż po raz pierwszy część rozumowania diagnostycznego oparto na formalnym modelu obliczeniowym.

W latach 60. pojawiły się też próby automatycznej diagnozy nowotworów kości i ilościowej analizy obrazów. Jednak z wielu względów nie przełożyły się one na powszechną praktykę. Po pierwsze ówczesne komputery miały zbyt małą moc. Po drugie cyfrowe obrazy medyczne nie były łatwo dostępne, a techniki przetwarzania obrazu pozostawały niedojrzałe. Co ciekawe, już wtedy pojawiała się wizja „automatycznej diagnozy”, lecz rzeczywistość technologiczna szybko pokazała, że komputer nie zastąpi prostym algorytmem złożonej interpretacji radiologicznej.

Od eksperymentu do CAD

Od początku lat 80. zespoły naukowe, szczególnie Kurt Rossmann Laboratories w Department of Radiology na University of Chicago, zaczęły rozwijać CAD jako długofalowy obszar badań, a nie serię niezależnych demonstracji technologii (2). Badacze pracowali równolegle nad:

cyfrowym przetwarzaniem obrazów i metodami ich pozyskiwania;
automatycznym wykrywaniem konkretnych zmian;
ilościowym opisem zmian i klasyfikacją;
metodami oceny skuteczności, w tym analizą ROC;
badaniami obserwatorów, czyli porównaniami wyników lekarza pracującego samodzielnie i lekarza korzystającego z wyjścia systemu;
problemem fałszywych alarmów oraz sposobem prezentacji wyniku radiologowi.

Innymi słowy, celem przestało być wyłącznie wykazanie, że komputer potrafi zauważyć określony wzorzec. Zaczęto pytać: czy jego wskazanie rzeczywiście pomaga radiologowi wykrywać patologię bez nieakceptowalnego wzrostu liczby błędów? Było to świadome odejście od idei pełnej automatyzacji rozpoznania na rzecz modelu komputerowego wsparcia lekarza.

CAD przyjął dwa podstawowe znaczenia:

CADe (computer-aided detection) zaznacza podejrzane obszary, np. mikrozwapnienia, guzek płuca czy asymetrię w piersi.
CADx (computer-aided diagnosis) pomaga ocenić charakter zmiany, np. prawdopodobieństwo jej złośliwości.

Pierwsze generacje CAD działały na cechach zaprojektowanych przez człowieka. Program mógł mierzyć nieregularność brzegu, stopień „kolczastości” zmiany, stosunek obwodu do pola powierzchni, kontrast, teksturę albo kształt mikrozwapnień. Następnie reguły statystyczne lub proste klasyfikatory obliczały prawdopodobieństwo patologii.

W tym czasie pojawiły się również pierwsze zastosowania sieci neuronowych w analizie radiogramów płuc i mammografii. Pod koniec lat 80. oraz w latach 90. badacze zaczęli używać wczesnych konwolucyjnych sieci neuronowych* do rozpoznawania guzków płucnych oraz mikrozwapnień w mammografii. Nie były to jednak systemy uczące się na milionach obrazów. W tamtych czasach zbiory danych były małe, obrazy często digitalizowano z filmu, a modele miały ograniczoną moc obliczeniową.

Pierwszy duży przełom kliniczny

Można powiedzieć, że rok 1998 jest kluczową datą w historii AI w obrazowaniu. To wówczas Amerykańska FDA dopuściła do użycia system R2 ImageChecker M1000 firmy R2 Technology, czyli pierwszy komercyjny system CAD dla mammografii przesiewowej. System oznaczał na mammogramie obszary potencjalnie podejrzane, aby radiolog mógł ponownie je ocenić po własnym, wstępnym odczycie. Był zatem formalnym wcieleniem modelu „radiolog plus komputer”, a nie „komputer zamiast radiologa” (3).

W komunikacie opublikowanym w „JAMA” podano, że podstawą dopuszczenia były badania kliniczne obejmujące ponad 40 tys. mammogramów. W ówczesnych danych zastosowanie systemu wiązało się ze wzrostem wykrywania nowotworów z około 80 do niemal 88 na 100 rozpoznań, bez istotnego wzrostu liczby fałszywie dodatnich dalszych procedur. Trzeba jednak podkreślić, że są to dane historyczne, odnoszące się do konkretnego produktu, populacji i sposobu pracy, a nie uniwersalna miara skuteczności wszystkich późniejszych systemów CAD (4).

W 2002 r. amerykański CMS wprowadził dodatkowe finansowanie za stosowanie CAD w mammografii. Technologia szybko rozpowszechniła się w Stanach Zjednoczonych, z mniej niż 5 procent badań przesiewowych interpretowanych z CAD w 2001 r. do 74 procent w 2008 r. i 83 procent w 2012 r. (5).

Warto zwrócić też uwagę na fakt, że analiza praktyki środowiskowej w USA opublikowana w 2015 r. nie wykazała poprawy wskaźników skuteczności mammografii cyfrowej po wdrożeniu ówczesnego CAD w badanej populacji i żadnej z analizowanych podgrup. Nie oznacza to, że komputerowe wsparcie było bezwartościowe, lecz pokazuje, że szerokie użycie technologii, dopuszczenie regulacyjne i korzystne wyniki w części badań nie są tym samym co trwała poprawa wyników klinicznych w rutynowym środowisku (6).

Lata 2000: cyfryzacja i specjalizacja

W pierwszej dekadzie XXI wieku CAD rozszerzał się poza mammografię. Powstawały narzędzia do wykrywania guzków płucnych w TK, polipów jelita grubego w wirtualnej kolonoskopii, zmian w płucach na radiogramach, złamań, zmian w mózgu czy patologii serca. Większość z nich nadal bazowała na ręcznie zaprojektowanych cechach, klasyfikatorach statystycznych oraz klasycznym przetwarzaniu obrazów.

Ograniczenia były powtarzalne:

Modele wymagały żmudnego projektowania cech przez ekspertów.
Wyniki były wrażliwe na jakość badania, rodzaj aparatu i parametry rekonstrukcji.
Wysoka czułość często zwiększała liczbę fałszywych alarmów.
Integracja z PACS i codziennym opisem bywała trudna.
Systemy zwykle rozwiązywały jedno, wąsko określone zadanie.

Jednocześnie cyfryzacja radiologii stworzyła fundament późniejszego przyspieszenia. Coraz większa liczba badań była zapisywana w standardzie DICOM (Digital Imaging and Communications in Medicine)**, przechowywana w PACS (Picture Archiving and Communication System)*** i możliwa do wykorzystania w badaniach nad algorytmami. Bez tej infrastruktury deep learning nie miałby dostępu do materiału potrzebnego do trenowania modeli.

W latach 2010 deep learning zmienił punkt ciężkości

W drugiej dekadzie XXI wieku rozwój głębokich sieci neuronowych, procesorów graficznych i dużych zbiorów danych sprawił, że AI zaczęła automatycznie uczyć się cech obrazu. To zasadnicza różnica wobec klasycznego CAD. Wcześniej człowiek musiał powiedzieć systemowi, że interesuje go np. nieregularny brzeg lub kontrast między zmianą a otaczającą tkanką. Model deep learning może wyprowadzić z danych własne reprezentacje takich wzorców.

W radiologii umożliwiło to rozwój systemów do wykrywania krwawienia śródczaszkowego, udaru, zatorowości płucnej, odmy, złamań, guzków płucnych, złamań kręgów, zmian nowotworowych i licznych innych zadań. Jednocześnie AI zaczęła wychodzić poza samą detekcję do segmentacji narządów, automatycznych pomiarów, oceny wieku kostnego, triage’u badań, rekonstrukcji CT i MR oraz poprawy jakości obrazowania.

Przełom regulacyjny z 2018 r. nie dotyczył radiologii w wąskim znaczeniu, lecz był bardzo ważny dla całego obrazowania medycznego. FDA dopuściła system IDx-DR, analizujący zdjęcia dna oka pod kątem retinopatii cukrzycowej. Był to pierwszy w USA autonomiczny system diagnostyczny wykorzystujący AI, który mógł wydać wynik bez obowiązkowej interpretacji przez specjalistę (7).

To wyjątek, nie standardowy wzorzec dla radiologii. IDx-DR pracował w wąsko określonym wskazaniu, na ustandaryzowanym rodzaju obrazu, w ściśle zdefiniowanej populacji dorosłych osób z cukrzycą bez wcześniejszego rozpoznania retinopatii. Większość narzędzi radiologicznych nadal projektuje się jako systemy wspierające lekarza, ponieważ CT, MR czy badania wielonarządowe wymagają znacznie szerszego kontekstu klinicznego i interpretacyjnego.

Lata 2020: AI w całym procesie obrazowania

Obecna faza rozwoju różni się od wcześniejszych nie tylko większą liczbą algorytmów do wykrywania zmian. AI wchodzi do aparatury i workflow jeszcze przed momentem interpretacji obrazu. W tomografii komputerowej może wspierać pozycjonowanie pacjenta, określanie zakresu skanowania, dobór parametrów, kontrolę jakości oraz rekonstrukcję z ograniczonej dawki promieniowania. W rezonansie magnetycznym pomaga w rekonstrukcji z niedostatecznie próbkowanych danych, skracaniu sekwencji i ograniczaniu artefaktów ruchowych. W PET/CT i SPECT/CT może wspierać rekonstrukcję, odszumianie, planowanie akwizycji oraz analizę ilościową. W ultrasonografii algorytmy coraz częściej pomagają operatorowi w czasie rzeczywistym uzyskać prawidłową płaszczyznę badania albo wykonać pomiar (8).

Najbardziej dojrzałym przykładem klinicznego wykorzystania nowoczesnej AI pozostaje mammografia przesiewowa. W badaniu MASAI, obejmującym ponad 105 tys. uczestniczek, strategia wspierana przez AI wykazała wyższe wykrywanie raka przy mniejszym obciążeniu odczytem niż standardowy podwójny odczyt. Późniejsza analiza wykazała korzystne wyniki dotyczące czułości, swoistości oraz nowotworów interwałowych w porównaniu ze standardową ścieżką (9).

Dane te są ważne nie dlatego, że dowodzą autonomii AI, lecz dlatego, że pokazują wartość dobrze zaprojektowanego systemu współpracy. AI może wpływać na organizację czytania badań, identyfikować przypadki wymagające większej uwagi i redukować część obciążenia bez usunięcia radiologa z procesu.

Najważniejszy wniosek

Historia AI w obrazowaniu nie jest prostą linią postępu od niedoskonałego algorytmu do autonomicznego „cyfrowego radiologa”. Jest to historia kolejnych prób automatyzacji fragmentów pracy. Najpierw klasyfikacji, potem oznaczania podejrzanych obszarów, następnie segmentacji i pomiarów, a obecnie rekonstrukcji, kontroli jakości, triage’u oraz syntezy obrazu z dokumentacją medyczną.

Warto jednak podkreślić, że najtrwalsza idea pojawiła się już wraz z pierwszym CAD i jest aktualna do dzisiaj. Komputer ma zwracać uwagę na coś, co człowiek może przeoczyć, usprawniać czynności powtarzalne i dostarczać danych ilościowych. Jednak to lekarz pozostaje osobą, która ocenia jakość badania, interpretuje niepewność, rozumie kontekst pacjenta i bierze odpowiedzialność za końcowy komunikat kliniczny.

* Wczesne konwolucyjne sieci neuronowe to pierwsze, znacznie prostsze wersje dzisiejszych CNN (convolutional neural networks), projektowane do rozpoznawania wzorców na obrazach. CNN jest typem sieci neuronowej zaprojektowanym dla danych o strukturze siatki, przede wszystkim obrazów 2D lub 3D. Zamiast analizować każdy piksel niezależnie, sieć przesuwa po obrazie małe „filtry” i uczy się, jakie lokalne wzorce są ważne.

Na pierwszych warstwach mogą to być bardzo proste cechy:

krawędzie,
jasne i ciemne plamy,
linie o określonym kierunku,
granice struktur,
drobne skupiska punktów.

Kolejne warstwy łączą te proste elementy w bardziej złożone struktury: okrągły guzek, nieregularny brzeg zmiany, układ mikrozwapnień czy określony kształt anatomiczny. Ostateczna część sieci może np. odpowiedzieć, czy na obrazie występuje podejrzany wzorzec, gdzie się znajduje albo do jakiej klasy należy.

Kluczową operacją jest konwolucja, po polsku także splot. Mały filtr, np. kwadrat 3 × 3 piksele, przesuwa się po obrazie. W każdym miejscu oblicza, jak dobrze zawartość tego małego fragmentu odpowiada wzorcowi, którego filtr się nauczył. Dzięki temu ta sama cecha, np. krawędź guzka, może być rozpoznawana niezależnie od tego, czy leży w lewym górnym rogu zdjęcia, czy bliżej środka.

** Nazwa DICOM pochodzi od Digital Imaging and Communications in Medicine. Jest to międzynarodowy standard określający, jak tworzyć, zapisywać, przesyłać, wyszukiwać, wyświetlać i zarządzać obrazami medycznymi oraz związanymi z nimi danymi. Jest publikowany jako NEMA PS3 / ISO 12052 i rozwijany od 1993 r.

Najprościej to ujmując plik DICOM to nie zwykły obraz JPEG czy PNG. Zawierają one dwa rodzaje informacji:

Dane obrazowe - mogą to być pojedyncze zdjęcia RTG, setki przekrojów CT, sekwencje MR, klatki USG, badanie PET/CT lub obrazy wtórne, np. z zaznaczonym pomiarem.
Metadane, czyli dane opisujące obraz i badanie typowo obejmują:

identyfikator pacjenta i badania;
datę oraz czas wykonania;
rodzaj modalności, np. CT, MR, US, CR, DX, PET;
informacje o serii i numerze przekroju;
parametry techniczne akwizycji i rekonstrukcji;
orientację pacjenta oraz geometrię obrazu;
dane o dawce, grubości warstwy, użytym kontraście albo sekwencji MR.

Dzięki temu przekrój CT nie jest tylko anonimowym „zdjęciem”. System wie, którego pacjenta dotyczy, z jakiego badania pochodzi, gdzie mieści się w objętości ciała, w jakiej fazie po kontraście został wykonany i jak został zrekonstruowany.

DICOM definiuje również zasady komunikacji między urządzeniami. Aparat CT firmy A może przesłać badanie do archiwum PACS firmy B, a radiolog może otworzyć je na stacji opisowej firmy C. Taka interoperacyjność między dostawcami była jednym z głównych celów standardu.

*** PACS oznacza Picture Archiving and Communication System, czyli system archiwizacji i komunikacji obrazów. Jest to infrastruktura sprzętowo-programowa, która zarządza elektronicznym cyklem życia badania obrazowego: od momentu wykonania, przez przesłanie, przechowywanie, wyszukiwanie i prezentację na stacji diagnostycznej.

Zwykle PACS obejmuje:

urządzenia obrazujące, takie jak CT, MR, RTG, USG, mammograf czy PET/CT;
bramki lub serwery odbierające badania;
archiwum bieżące i długoterminowe;
sieć przesyłania danych;
stacje opisowe z narzędziami do przewijania przekrojów, rekonstrukcji MPR, pomiarów oraz porównań;
oprogramowanie do wyszukiwania i routingu badań;
integracje z RIS, EHR/HIS oraz systemem raportowania.

W praktyce PACS zastąpił fizyczne klisze i kartoteki. Zamiast wysyłać folie RTG do oddziału, szpital udostępnia badanie cyfrowo uprawnionemu użytkownikowi w tym samym systemie lub przez bezpieczną sieć.

Źródła: