W Polsce, tak jak i w wi?kszo?ci krajów rozwini?tych, dochodzi do licznych zjawisk, które stawiaj? nowe wyzwania przed systemem opieki zdrowotnej. Nasze spo?ecze?stwo szybko si? starzeje. Powoduje to znaczne zwi?kszenie liczby osób w wieku starczym, jak i relatywne zmniejszenie liczby pracowników s?u?by zdrowia w wieku produkcyjnym. Seniorzy wymagaj? znacznie cz?stszej i g??bszej diagnostyki oraz terapii, co powoduje du?e obci??enie dla systemu opieki zdrowotnej. Ponadto rozwój nauki generuje powstawanie coraz to nowych i bardziej z?o?onych sposobów diagnostyki i leczenia. Przyk?adowo, du?a cze?? obecnych wytycznych, stanowi?cych podstaw? dla post?powania leczniczego i diagnostycznego, wskazuje na potrzeb? pracy w zespo?ach wielodyscyplinarnych, co wynika z coraz w??szej specjalizacji poszczególnych osób (zw?aszcza lekarzy), koniecznej w celu opanowania olbrzymiej ilo?ci nowej wiedzy i umiej?tno?ci, które s? potrzebne do prowadzenia coraz bardziej nowoczesnej terapii i diagnostyki. Mamy do czynienia – z jednej strony z szybko zwi?kszaj?cym si? zapotrzebowaniem na pracowników s?u?by zdrowia, z drugiej za? strony zarówno sytuacja demograficzna, jak i czas potrzebny na wyszkolenie nowych kadr sprawiaj?, ?e owe zapotrzebowanie ju? nie jest mo?liwe do wype?nienia w pe?ni obecnymi kadrami. Najnowsze dane wskazuj?, ?e sytuacja b?dzie najprawdopodobniej coraz gorsza.

Diagnostyka obrazowa

Diagnostyka obrazowa stanowi kluczow? cze?? nowoczesnej diagnostyki medycznej, pozwala ona na “zajrzenie” do wn?trza organizmu. Zarówno liczba, jak i ró?norodno?? takich bada? stale ro?nie. W wykonanie badania jest zaanga?owany ca?y zespó? z?o?ony z fizyków medycznych, techników, piel?gniarek i lekarzy oraz personelu pomocniczego. Ponadto wykonanie, jak i interpretacja ka?dego badania, wymaga wiele czasu od ka?dego pracownika. Czas ten jest zale?y oczywi?cie od rodzaju badania i schorzenia pacjenta. Przyk?adowo, opis dwuwymiarowego badania takiego jak RTG przy podejrzeniu z?amania mo?e zaj?? w optymalnych warunkach nieca?e 15 minut. Wi?cej czasu wymaga jednak opis badania trójwymiarowego, takiego jak np. tomografia komputerowa. Najwi?cej za? czasu sp?dzi? trzeba przy interpretacji wielomodalno?ciowych bada?, takich jak MRI czy badanie PET/CT, gdzie 90 minut sp?dzonych nad pojedynczym badaniem nie jest rzadko?ci?. Liczba ta nie uwzgl?dnia ponadto czasu potrzebnego na przeprowadzenie wywiadu z pacjentem, analiz? dokumentacji, konsultacj? oraz czasu zwi?zanego z dostosowaniem protoko?u badania do danego pacjenta i schorzenia. Ca?a procedura jest wi?c d?ugotrwa?a i przy brakach kadrowych w s?u?bie zdrowia, mo?e opó?nia? rozpocz?cie w?a?ciwej terapii. Z pomoc? medycynie przychodzi jednak najnowsza technologia cyfrowa.

Cyfrowy bli?niak 

Jednym z mo?liwych rozwi?za? opisanego powy?ej problemu jest automatyzacja. Jest ona mo?liwa g?ównie dzi?ki zastosowaniu sztucznej inteligencji, gdy? klasyczne algorytmy nie s? wystarczaj?ce. Jednym z efektywnych rozwi?za? jest tak zwany cyfrowy bli?niak (digital twin). Cyfrowy bli?niak definiowany jest jako generowany cyfrowo odpowiednik cz?owieka (w tym wypadku radiologa).  Jest to technika, gdzie algorytm pomaga lekarzowi diagno?cie w interpretacji obrazu, wskazuj?c potencjalne zmiany patologiczne. U?atwia ona znacznie przygotowanie raportu ko?cowego z badania. Mo?e to zarówno pomóc w przy?pieszeniu pracy, jak i zwi?kszeniu powtarzalno?ci raportów medycznych. Nale?y jednak zwróci? uwag?, ?e ostateczna decyzja wci?? jest podejmowana przez lekarza.

AI w medycynie – jak robimy to w OPI

W O?rodku Przetwarzania Informacji (OPI) prowadzone s? obecnie prace nad algorytmami sztucznej inteligencji stosowanymi w przypadku bada? MRI w nowotworach prostaty. W najbli?szej przysz?o?ci planowane jest równie? rozpocz?cie prac nad algorytmami maj?cymi pomaga? w diagnostyce ch?oniaków (w badaniach 2-FDG PET/CT). Rozwijane technologie oparte s? na g??bokich sieciach neuronalnych, gdzie uwzgl?dnianie s? zarówno wielomodalno?ciowe dane obrazowe, dane kliniczne, epidemiologiczne, jak i laboratoryjne. Problemem w rozwoju algorytmów jest relatywnie ma?a ilo?? danych w stosunku do z?o?ono?ci problemu. Wmusza to na naszym zespole zarówno tworzenie w?asnych, nowych zbiorów danych, jak i prób? tworzenia architektury, która jest jak najlepiej dopasowana do problemu.

Moim g?ównym zadaniem jest próba przekszta?cenia wiedzy medycznej z dziedziny diagnostyki obrazowej na model matematyczny, który nast?pnie mo?e by? zaimplementowany jako program komputerowy. Poprzez wykorzystanie wiedzy domenowej mo?liwe jest zmniejszenie z?o?ono?ci modelu (mierzonej liczb? parametrów), co pozwala na uzyskanie relatywnie dobrych wyników przy realistycznej wielko?ci zbioru danych oraz mo?liwej do uzyskania mocy obliczeniowej.

Wiedz? medyczn? mo?na zakodowa? w algorytmie na wiele sposobów. Algorytmy sztucznej inteligencji generalnie dzia?aj? tym lepiej, im wi?cej i bardziej ró?norodnych danych posiadamy dla danego problemu. Jest jednak to trudne do uzyskania – wynika to zarówno z problemów zwi?zanych z uzyskaniem dost?pu do danych medycznych, czy te? du?? ilo?ci? czasu potrzebnego w celu przygotowania badania przez lekarza diagnost?. Jednym z mo?liwych sposobów na uzyskanie wi?kszego i bardziej ró?norodnego zbioru danych s? augmentacje. Augmentacje s? to cyfrowe modyfikacje dost?pnych ju? danych. Modyfikacje te musz? „udawa?’ ?ród?a naturalnej zmienno?ci. Przyk?adowo, wiemy, ?e organy w jamie brzusznej poruszaj? si? wraz z przepon? podczas oddychania – co mo?emy symulowa? dzi?ki odpowiednim przekszta?ceniom. Wiadomo jest równie?, ?e pacjenci mog? mie? ró?n? wielko?? organów oraz zmian patologicznych – co mo?emy symulowa? poprzez skalowanie obrazu, itp.

Innym sposobem na wprowadzenie wiedzy domenowej s? inwariancje. Inwariancja jest to niewra?liwo?? modelu na niektóre zmiany. Na przyk?ad wiemy, ?e je?li pacjent odrobin? inaczej si? u?o?y, czyli np. przesunie o kilka centymetrów w danym kierunku, to nadal mamy do czynienia z tym samym pacjentem i model nie powinien zwraca? na to uwagi. 

Rozwijane algorytmy b?d? mog?y by? w przysz?o?ci zastosowane równie? do innych schorze?. Przez wykorzystanie sztucznej inteligencji mamy nadziej? przy?pieszy? i upro?ci? prac? lekarzy radiologów i medycyny nuklearnej, co mo?e pomóc w walce z rosn?cym kryzysem kadrowym i przyspieszy? wdro?enie odpowiedniej terapii.