Sztuczna Inteligencja (Artificial Intelligence – AI) to obecnie jedna z najszybciej rozwijających się dziedzin w IT. Technologie Sztucznej Inteligencji są coraz bardziej rozpowszechnione w biznesie i społeczeństwie i zaczynają być stosowane w opiece zdrowotnej, zwłaszcza do zadań związanych z diagnostyką i zaleceniami terapeutycznymi, zaangażowaniem i przestrzeganiem zaleceń przez pacjentów oraz czynnościami administracyjnymi. W tym artykule dowiemy się o zastosowaniu Sztucznej Inteligencji w diagnostyce medycznej chorób, w tym w diagnostyce na wstępnych bezobjawowych stadiach oraz o zagrożeniach związanych z zastosowaniem metod Sztucznej Inteligencji w diagnostyce.

Dokładna diagnostyka medyczna jest ważnym aspektem opieki zdrowotnej. W USA około 5% pacjentów ambulatoryjnych jest nieprawidłowo zdiagnozowanych, przy czym błędy są szczególnie powszechne w przypadku chorób ciężkich. Wykorzystanie Sztucznej Inteligencji w diagnostyce medycznej może skrócić czas wykrywania i odsetek błędów, wykorzystać techniki predykcyjne do autodiagnozy, lepiej przewidywać przyszłe zdrowie pacjenta i dostarczać trafne zalecenia dotyczące leczenia.

Przykłady obecnego wykorzystania metod sztucznej inteligencji w medycynie

Wykrywanie gruźlicy

Diagnostyka wspierana komputerowo (CAD) dzięki zastosowaniu konwolucyjnych sieci neuronowych stała się możliwa do prowadzenia na zadowalającym poziomie. Przykładem może być tutaj wykorzystanie sztucznej inteligencji w wykrywaniu gruźlicy. W wykrywaniu tej choroby stosuje się tanie oraz powszechnie dostępne zdjęcia rentgenowskie, jednak tradycyjne stosowanie tej metody jest czasochłonne i wymaga sporo pracy od lekarza, co jest zwłaszcza problematyczne w krajach, gdzie jest mało specjalistów i zasobów medycznych, a gruźlica występuje powszechnie. W tym celu w 2018 roku przeprowadzono badanie mające na celu zastosowanie deep learningu do wykrywania przypadków gruźlicy. Na jego potrzeby opracowano zbiór danych zawierający 54221 zdjęcia rentgenowskie zdrowych osób i 6768 zdjęć chorujących pacjentów. Każde ze zdjęć zostało zweryfikowane i opisane przez grupę radiologów.

 

Stworzona sieć neuronowa składała się z 27 warstw, z czego ostatnia była podzielona na warstwę klasyfikacyjną na podstawie obrazków oraz warstwę lokalizującą zmiany patologiczne. Warstwa lokalizująca zawierała moduł segmentujący płuca, żeby uniemożliwić sieci wykrywanie zmian poza nimi. W czasie treningu zdjęcia rentgenowskie były skalowane i modyfikowane, żeby umożliwić sieci radzenie sobie ze zmianami różnych rozmiarów oraz danymi pochodzącymi z różnych urządzeń. Trening powtórzono trzykrotnie dla różnych zestawów hiperparametrów.

 

Weryfikacja została przeprowadzona za pomocą zbiorów danych pochodzących z kilku różnych szpitali. Sprawdzono, czy sieć radzi sobie lepiej od lekarzy. Dodatkowo przeprowadzono jeszcze badanie, w którym oceniono wpływ wspomagania AI na trafność diagnozy. W tym celu zebrano 15 lekarzy o różnym doświadczeniu zawodowym i poproszono ich o dokonanie diagnozy na podstawie zdjęć. Test wykonano dwukrotnie – za drugim razem jednak lekarze posiłkowali się wynikami sztucznej inteligencji i mieli możliwość na ich podstawie dokonać zmiany diagnozy.

Wpływ wspomagania AI na trafność diagnozy

Okazało się, że sieć jest znacznie skuteczniejsza od lekarzy. Dodatkowo na podstawie powyższej tabeli ilustrującej wyniki testu można stwierdzić, że zastosowanie sieci neuronowej znacząco poprawiło skuteczność radiologów we wskazywaniu zmian patologicznych. Stwierdzono również, że możliwość wskazania miejsca występowania zmian gruźliczych, choć mająca mniejsze znaczenie niż sama klasyfikacja stanu zdrowia pacjenta, przydaje się do uwiarygodnienia zwracanych wyników – lekarze niekoniecznie ufają oprogramowaniu będącemu z ich perspektywy czarną skrzynką, ale dodatkowa informacja o umiejscowieniu zmian pomaga im podjąć właściwą decyzję co do kierowania się otrzymanymi wynikami.

AI w diagnozie i ocenie skuteczności leczenia SARS-CoV-2

Innym interesującym przypadkiem jest użycie AI w celu rozpoznania wirusowego zapalenia płuc powstałego w wyniku zakażenia SARS-CoV-2 (NCP – Novel Coronavirus Pneumonia). Jest to o tyle istotne zagadnienie, że pacjenci w zaawansowanym stadium choroby odznaczają się stosunkowo wysokim stopniem śmiertelności, a we wczesnych stadiach mogą pojawiać się kłopoty z odróżnieniem choroby od choćby zapalenia płuc wywołanego sezonową grypą.

Stworzona sieć neuronowa została wytrenowana przy użyciu 4695 zdjęć pacjentów z zapaleniem płuc wywołanym zarówno przez koronawirusa jak i inne przyczyny. Podobnie jak w przypadku badania nad diagnozą gruźlicy, można wyróżnić tutaj dwa elementy: model mapujący zmiany patologiczne w płucach oraz klasyfikator podejmujący decyzję, czy i z jakim typem zapalenia płuc ma do czynienia. Dodatkowo dane pacjentów z COVID-19 w połączeniu z danymi dotyczącymi płuc zostały użyte w ocenie czynników ryzyka.

Schemat badania mającego na celu zdiagnozowanie pacjentów z NCP

Poniższe zdjęcia obrazują przykładowe wyniki modelu mapującego zmiany patologiczne. Widać, że AI zwróciło wyniki niemal identyczne z ręcznym opisem wykonanym przez człowieka.

Wyniki mapowania zmian patologicznych w płucach

Moduł diagnostyczny (klasyfikator) został wytrenowany z użyciem 40 880 zdjęć pochodzących od 83 pacjentów chorujących na NCP, 91 z innymi rodzajami zapalenia płuc i 86 zdrowych osób. Bazując na wynikach modelu mapującego udało się osiągnąć czułość na poziomie 94.93% i swoistość wynoszącą 91.13%. Wyniki otrzymane dla danych pochodzących z czterech różnych regionów, zarówno dotkniętych epidemią (Yichang i Wuhan) jak i niedotkniętych (Hefei, Guangzhou) były bardzo zbliżone do tych uzyskanych w trakcie walidacji wewnętrznej.

 

Stworzony model posłużył również do oceny skuteczności metod leczenia. Do badania zakwalifikowano pacjentów z pozytywnym testem na obecność koronawirusa oraz brak jakiejkolwiek wcześniejszej historii leczenia. Pacjentom podawano trzy różne rodzaje leków a następnie porównano rozmiar zmian patologicznych w płucach przed rozpoczęciem i po zakończeniu leczenia. Poniższe obrazy przedstawiają reprezentatywne wyniki dla pojedynczego pacjenta dla każdego z trzech lekarstw. Po lewej stronie umieszczono zdjęcia (bardziej na lewo) oraz odpowiadające im mapowanie wygenerowane przez sztuczną intelignecję (bardziej na prawo) przed leczeniem, a po prawej po leczeniu.

Ocena skuteczności metod leczenia

Przeprowadzone eksperymenty były w stanie udowodnić, że opracowany system cechował się diagnostyką o jakości porównywalnej do diagnoz stawianych przez doświadczonych lekarzy, a ponadto mógł on pomagać tym mniej doświadczonym. Dodatkowo AI było w stanie poprawnie mierzyć skuteczność podjętego leczenia. Ma to szczególne znaczenie w kontekście pandemii, gdyż dzięki podobnym systemom powinno być możliwe odciążenie przepracowanego personelu medycznego.

Diagnoza i prognoza na podstawie zdjęć dna oka

Podobnych przykładów można znaleźć więcej. Na uwagę zasługuje przypadek z 2016 roku, kiedy Google użyło około 130 000 zdjęć dna oka i przeanalizowało je wykorzystując deep learning. Czułość sieci w detekcji takich chorób jak np. jaskra i retinopatia wynosiła około 98%, co jest porównywalne z wynikami okulisty. W 2018 Google zebrało zdjęcia dna oka od łącznie 300 000 pacjentów i za pomocą sztucznej inteligencji, przy uwzględnieniu dodatkowych czynników takich jak m.in. wiek, płeć, ciśnienie, prawdopodobieństwo wystąpienia cukrzycy czy palenie papierosów było w stanie przewidzieć choroby serca.

Prediagnostyka

Bardzo często prognoza leczenia pacjenta zależy od tego, jak wcześnie choroba została zdiagnozowana. Niestety niektóre choroby we wczesnych stadiach mają niezauważalne przez pacjenta objawy albo nie mają ich w ogóle, i pacjent za późno się dowiaduje o chorobie. Ponadto, nie zawsze pacjent ma możliwość zwrócić się do lekarza od razu i szybko dostać pomoc medyczną. Jednym z obiecujących kierunków zastosowania Sztucznej Inteligencji w medycynie jest użycie AI w prediagnostyce.

Choroby serca

Dużo chorób serca może zostać zdiagnozowanych na podstawie krzywej EKG, np. choroba wieńcowa serca, zaburzenia rytmu serca i inne.

Kombinacja okresowości i cech charakterystycznych sygnału jest najlepiej analizowana za pomocą algorytmu uczenia głębokiego Conv-LSTM. Conv oznacza sieć konwolucyjną i wykonuje ekstrakcję cech. LSTM oznacza Long-Short-Term Memory i jest przeznaczona dla wychwytywania długoterminowych zależności czasowych sygnału EKG.

Sygnały EKG można uzyskać z urządzeń noszonych na ciele, co ułatwia automatyzację i może pomóc osobom z chorobami podstawowymi w szybkim poszukiwaniu pomocy medycznej. 

Kaszel

W 2020 roku zespół MIT wywnioskował na podstawie badań że ludzie mający bezobjawowy COVID-19 mają inny kaszel niż ludzie zdrowi. Zespół użył metod Sztucznej Inteligencji dla wykrywania COVID-19 na podstawie kaszlu. W wyniku algorytm poprawnie zidentyfikował 98,5% przypadków kaszlu dla osób mających potwierdzony COVID-19, w tym 100% w przypadku bezobjawowego COVID-19.

Retinopatia cukrzycowa

Retinopatia cukrzycowa jest chorobą powodującą pogorszenie wzroku i na ostatnich stadiach ślepotę. Jest jedną z głównych przyczyn ślepoty i często występuje u osób chorujących na cukrzycę bezobjawowo na pierwszych stadiach.  

Uczenie głębokie może pomóc we wczesnej diagnostyce, badając zdjęcia CFP (color fundus photographs) pacjentów i klasyfikując je na chorujących na retinopatię, niechorujących, w zależności od stadium choroby u pacjenta.

Zagrożenia

Rozpowszechnienie się użycia metod Sztucznej Inteligencji w diagnostyce chorób otwiera wiele możliwości, ale wiąże się też z pewnymi zagrożeniami. Przede wszystkim są to zagrożenia związane z prywatnością danych medycznych i danych pacjentów. Sztuczna Inteligencja umożliwia zidentyfikowanie osób poprzez uczenie się codziennych wzorców na podstawie danych zebranych na smartfonach, smartwatchach, a następnie skorelowanie ich z danymi demograficznymi. Możliwe że na podstawie tak zdobytych informacji byłaby w stanie przyporządkować pacjentów do informacji medycznych wykorzystywanych w systemach CAD. Oprogramowanie medyczne musi zawierać informacje na temat rodzaju danych wykorzystywanych do trenowania modelu lub wszelkich niedociągnięć modelu, oraz na temat udostępniania danych innym firmom.

Ponieważ gdy chodzi o Sztuczną Inteligencję wiarygodność danych wyjściowych zależy od jakości danych wprowadzanych, dane podatne na błędy mogą prowadzić do błędnego podejmowania decyzji medycznych, co ostatecznie może wpłynąć na zdrowie pacjentów.

Innym zagrożeniem jest to że dane wejściowe mogą nie zawierać wystarczającej ilości rzadko występujących objawów i przypadków, co może zwiększać ryzyko nietrafionej diagnozy.. Na przykład, algorytm wykrywający raka skóry używający metod Sztucznej Inteligencji może być szkolony tylko na pacjentach z jasną karnacją. W związku z tym wyniki testowania próbek dla, na przykład, Afroamerykanów mogą być niedokładne.

Podsumowanie

Omówione przykłady i koncepcje ilustrują, że już teraz sztuczna inteligencja bardzo dobrze radzi sobie z problemem wykrywania różnych chorób, identyfikowania zmian w organizmie przez nie wywołanymi, a nawet znajdowania prawidłowości między czynnikami ryzyka a pojawieniem się danego schorzenia. Niestety, zastosowanie tych osiągnięć w medycynie na szeroką skalę wymaga zmierzenia się z wieloma problemami. Jednym z nich jest kwestia samej jakości zdjęć oraz ujednolicenia zbiorów danych pochodzących z różnej jakości urządzeń z wielu placówek medycznych. Etykietowanie i adnotowanie odpowiednio dużych zbiorów również może być problematyczne. Dodatkowo wciąż brakuje testów przeprowadzanych na szeroką skalę oraz oceny wystawionej na bazie praktycznego zastosowania. Oprócz tego w medycynie bardzo dużego znaczenia nabiera „problem czarnej skrzynki” spotykany w uczeniu maszynowym. Dotyka on bowiem kwestii zaufania do sztucznej inteligencji oraz wiarygodności wskazanych wyników. Opieranie się w całości na programach komputerowych przy diagnozie lub doborze leczenia dla niektórych pacjentów może mieć potencjalnie katastrofalne konsekwencje – wynik może znacząco odbiegać od rzeczywistości i doprowadzić do dalszego uszczerbku na zdrowiu lub utraty życia, ale zarazem błąd może być na tyle oczywisty że żaden lekarz osobiście badający pacjenta nie popełniłby go, gdyby diagnostyka dokonywana była w tradycyjny sposób. Wydaje się, że oddanie diagnostyki w pełni w ręce komputera w medycynie będzie wymagało przede wszystkim rozwiązania wspomnianego problemu czarnej skrzynki, jednak i bez tego obecne narzędzia i metody mogą osiągnąć wiele. Stanowią one doskonałą pomoc dla lekarzy o małym doświadczeniu zawodowym, znacznie poprawiając trafność formułowanych przez nich opinii i podejmowanych decyzji a także mogą służyć jako narzędzie konsultacyjne nawet dla najlepszych specjalistów. Być może omawiane technologie dałoby się też wdrożyć w tych obszarach, gdzie potencjalne błędy nie stanowiłyby zbyt dużego zagrożenia dla pacjentów i można by je łatwo skorygować na późniejszych etapach procedur medycznych.

Bibliografia

• Eui Jin Hwang, Sunggyun Park, Kwang-Nam Jin, Jung Im Kim, So Young Choi, Jong Hyuk Lee, Jin Mo Goo, Jaehong Aum, Jae-Joon Yim, Chang Min Park, Deep Learning-Based Automatic Detection Algorithm Development and Evaluation Group, Development and Validation of a Deep Learning–based Automatic Detection Algorithm for Active Pulmonary Tuberculosis on Chest Radiographs, Clinical Infectious Diseases, Volume 69, Issue 5, 1 September 2019, Pages 739–747, https://doi.org/10.1093/cid/ciy967
• Kang Zhang, Xiaohong Liu, Jun Shen, Zhihuan Li, Ye Sang, Xingwang Wu, Yunfei Zha, Wenhua Liang, Chengdi Wang, Ke Wang, Linsen Ye, Ming Gao, Zhongguo Zhou, Liang Li, Jin Wang, Zehong Yang, Huimin Cai, Jie Xu, Lei Yang, Wenjia Cai, Wenqin Xu, Shaoxu Wu, Wei Zhang, Shanping Jiang, Lianghong Zheng, Xuan Zhang, Li Wang, Liu Lu, Jiaming Li, Haiping Yin, Winston Wang, Oulan Li, Charlotte Zhang, Liang Liang, Tao Wu, Ruiyun Deng, Kang Wei, Yong Zhou, Ting Chen, Johnson Yiu-Nam Lau, Manson Fok, Jianxing He, Tianxin Lin, Weimin Li, Guangyu Wang,
  Clinically Applicable AI System for Accurate Diagnosis, Quantitative Measurements, and Prognosis of COVID-19 Pneumonia Using Computed Tomography, Cell, Volume 181, Issue 6, 2020, Pages 1423-1433.e11, ISSN 0092-8674,
  https://doi.org/10.1016/j.cell.2020.04.045.
  (https://www.sciencedirect.com/science/article/pii/S0092867420305511)
• FUJITA, Hiroshi. AI-based computer-aided diagnosis (AI-CAD): the latest review to read first. Radiological physics and technology, 2020, 13.1: 6-19
• Francis Han, How AI Can Help With Early Detection of Diseases,
  https://blogs.oracle.com/japac/post/how-ai-can-help-with-early-detection-of-diseases