Sztuczna inteligencja w medycynie przestaje być odległą wizją przyszłości. Świadczy o tym rosnące zainteresowanie tym tematem – w 18 edycji konferencji poświęconej innowacjom i AI w medycynie uczestniczyło ponad 120 osób zarządzających polskimi placówkami medycznymi.
Obecnie stoimy przed fundamentalną zmianą w sposobie świadczenia usług medycznych, szczególnie w obszarze diagnostyki i badań wstępnych. Jednak wraz z rozwojem samouczących się algorytmów pojawiają się istotne pytania o kontrolę nad AI oraz etyczne aspekty jej zastosowania w praktyce medycznej.
W tym artykule przyjrzymy się szczegółowo roli sztucznej inteligencji w radiologii, rozwiejemy popularne mity i przedstawimy fakty oparte na aktualnych badaniach i opiniach ekspertów. Zastanowimy się też, czy AI rzeczywiście może zastąpić radiologów, czy może raczej stanie się ich niezbędnym wsparciem w codziennej praktyce.
Obecny stan radiologii i wyzwania diagnostyki obrazowej
Współczesna radiologia stoi przed bezprecedensowymi wyzwaniami, które fundamentalnie zmieniają charakter tej specjalizacji. Dynamiczny rozwój technologii obrazowania i rosnące zapotrzebowanie na usługi diagnostyczne tworzy lukę, której tradycyjny model pracy nie jest w stanie wypełnić.
Rosnąca liczba badań a niedobór specjalistów
Paradoksalnie, to właśnie postęp w dziedzinie obrazowania staje się największym problemem środowiska radiologów. Liczba urządzeń diagnostycznych w placówkach medycznych systematycznie rośnie, jednak nie ma wystarczającej kadry do ich obsługi. W latach 2017-2021 liczba lekarzy ze specjalizacją w radiologii i diagnostyce obrazowej zwiększyła się o 14%, co nie zaspokaja rosnącego zapotrzebowania. Obecnie w Polsce pracuje około 4300 radiologów, a braki kadrowe dotykają niemal jednej trzeciej placówek medycznych.
Dynamika zakupów sprzętu znacząco przewyższa tempo kształcenia specjalistów. Konsekwencje tego zjawiska są dotkliwe dla pacjentów – w niektórych regionach Polski oczekiwanie na badanie lub jego opis może trwać miesiącami. Szczególnie alarmujące są różnice regionalne w dostępie do świadczeń – na badanie PET-CT w województwie opolskim czeka się 7 dni, podczas gdy w łódzkim aż 83 dni.
Niedobór specjalistów jest szczególnie odczuwalny w mniejszych placówkach medycznych na terenach wiejskich, gdzie konkurencja o wykwalifikowany personel jest wyjątkowo zacięta. Mimo że specjalność radiologiczna oferuje wiele obszarów rozwoju zawodowego, zainteresowanie nią wśród studentów medycyny jest niewystarczające w stosunku do potrzeb systemu ochrony zdrowia.
Przeciążenie pracą radiologów i jego konsekwencje
Niedobór kadr przekłada się bezpośrednio na obciążenie pracą aktywnych zawodowo radiologów. Wielu specjalistów zmuszonych jest do pełnienia ciągłych, nawet kilkudniowych dyżurów bez odpoczynku. Ta sytuacja niesie poważne konsekwencje zarówno dla lekarzy, jak i pacjentów.
Kontrola przeprowadzona przez NIK w 2022 roku ujawniła niepokojące statystyki – choć 65% opisów badań obrazowych sporządzano w czasie do trzech dni, aż 16% opisów powstaje w terminie dłuższym niż dwa tygodnie. W skrajnych przypadkach czas oczekiwania na wyniki sięgał dwóch miesięcy dla przypadków pilnych i ponad pół roku dla stabilnych.
Co alarmujące, w samooceność przeprowadzonej wśród radiologów, aż 27% badanych deklarowało zespół wypalenia zawodowego. Przeciążenie obowiązkami prowadzi do zmniejszonej efektywności, problemów ze skupieniem oraz zwiększonego ryzyka popełniania błędów diagnostycznych. Długotrwały stres związany z nadmiarem pracy może również prowadzić do poważnych problemów zdrowotnych, w tym chorób serca czy problemów z układem odpornościowym.
Dodatkowo radiologowie narażeni są na szkodliwe czynniki fizyczne, przede wszystkim promieniowanie jonizujące i pole elektromagnetyczne. Choć nowoczesne systemy ochrony radiologicznej znacząco ograniczają ekspozycję, kumulatywny efekt narażenia pozostaje istotnym czynnikiem ryzyka zawodowego.
Dlaczego tradycyjny model pracy staje się niewystarczający
Tradycyjny model pracy w radiologii nie nadąża za tempem zmian technologicznych i organizacyjnych. Ilość nowych systemów i algorytmów często przewyższa możliwości przyswojenia ich przez wciąż niewystarczającą liczbę radiologów. Rosnąca złożoność badań wymaga od specjalistów coraz węższych podspecjalizacji – współczesna radiologia z konieczności staje się „małą medycyną” obejmującą szereg wysoce wyspecjalizowanych dziedzin.
Poważnym problemem systemowym jest również rosnąca liczba badań nieuzasadnionych, które zabierają czas i blokują dostęp pacjentom rzeczywiście potrzebującym szybkiej diagnozy. Mnogość obrazów generowanych podczas jednego badania sprawia, że ich analiza bez specjalistycznego oprogramowania staje się praktycznie niemożliwa.
Brak standardów radiologicznych, których nie udaje się przeforsować w ministerstwie pomimo ciągłych nacisków środowiska, dodatkowo utrudnia optymalizację procesów diagnostycznych. Radiolodzy wskazują na potrzebę wdrożenia nowoczesnych narzędzi, takich jak systemy do transkrypcji nagranych opisów badań, które mogłyby znacząco odciążyć specjalistów w codziennej pracy.
Wobec tych wyzwań, sztuczna inteligencja w radiologii jawi się jako potencjalne rozwiązanie, które mogłoby zrównoważyć rosnący popyt na usługi diagnostyczne przy ograniczonej liczbie specjalistów. W obliczu niedoboru radiologów, zwłaszcza w Polsce, AI może stać się kluczowym narzędziem wspierającym zarówno diagnostów, jak i cały system opieki zdrowotnej.
Jak działa sztuczna inteligencja w radiologii
Technologia AI w radiologii opiera się na zaawansowanych mechanizmach analizy danych, które w istotny sposób zmieniają sposób interpretacji obrazów medycznych. Dzięki algorytmom uczącym się na podstawie tysięcy przypadków, komputery zyskują zdolność wspomagania radiologów w procesie diagnostycznym.
Podstawy uczenia maszynowego w analizie obrazów medycznych
Uczenie maszynowe, będące gałęzią sztucznej inteligencji, pozwala komputerom uczyć się na podstawie danych bez jawnego programowania. W kontekście radiologii, algorytmy analizują obrazy medyczne i rozpoznają wzorce, które mogą wskazywać na obecność patologii. Termin „sztuczna inteligencja” odnosi się do zdolności technologii do symulowania ludzkiej inteligencji, a w radiologii przejawia się to głównie w rozpoznawaniu i wykorzystywaniu algorytmów do interpretacji obrazów.
Głównym celem zastosowania AI w radiologii jest osiągnięcie korzyści dla pacjentów. Algorytmy mogą analizować różnorodne obrazy, takie jak zdjęcia rentgenowskie, tomografię komputerową (CT) czy rezonans magnetyczny (MRI), identyfikując wzorce i nieprawidłowości, które mogą być trudne do natychmiastowego zauważenia przez człowieka.
Jedną z kluczowych zalet uczenia maszynowego jest możliwość automatyzacji procesów, które dotychczas wymagały zaangażowania specjalisty. W praktyce oznacza to, że algorytmy mogą dokonywać wstępnej oceny danego przypadku, wykonując jednocześnie wiele czynności, co pozwala radiologom skupić się na bardziej złożonych zadaniach.
Rodzaje algorytmów wykorzystywanych w diagnostyce
W radiologii wykorzystuje się różne typy algorytmów uczenia maszynowego. Przede wszystkim mamy do czynienia z:
- Sieciami splotowymi (CNN) – specjalna architektura zaprojektowana do analizy obrazu, składająca się z wielu warstw, które współpracują ze sobą, aby uczyć się i wyodrębniać cechy z obrazów
- Generatywnymi sieciami przeciwstawnymi (GAN) – modele składające się z dwóch sieci neuronowych, które konkurują ze sobą, pozwalając na powiększanie danych i syntezę obrazów
- Uczeniem głębokim (Deep Learning) – podtyp uczenia maszynowego koncentrujący się na sztucznych sieciach neuronowych z wieloma warstwami
- Uczeniem transferowym – technika wykorzystująca wstępnie przeszkolone modele do inicjowania wag dla nowych zadań
Algorytmy te potrafią automatycznie analizować obrazy medyczne i przygotowywać wstępne raporty, co pozwala radiologom na skoncentrowanie się na bardziej złożonych przypadkach. Co więcej, mogą generować listę możliwych diagnoz lub wyróżniać określone obszary zainteresowania na obrazie, co zmniejsza obciążenie pracowników służby zdrowia.
Proces trenowania AI na obrazach radiologicznych
Trenowanie algorytmów AI wymaga ogromnych ilości danych. W przypadku radiologii, modele są zasilane tysiącami obrazów medycznych, które zostały wcześniej zdiagnozowane i opisane przez specjalistów. Jednakże istotne jest, aby dane te były wysokiej jakości i pochodziły z odpowiednio zdywersyfikowanych źródeł.
Na rynku znajdują się algorytmy trenowane na różnych populacjach, co ma znaczenie dla ich skuteczności. Na przykład, algorytmy azjatyckie, które doskonale diagnozują chorych z cechami anatomicznymi Azjatów, mogą mieć różną skuteczność u europejskich pacjentów. Z tego powodu ważne jest, aby wybierać rozwiązania trenowane na odpowiedniej grupie populacji.
W procesie uczenia algorytmy analizują cechy charakterystyczne dla poszczególnych patologii, ucząc się je rozpoznawać w nowych przypadkach. Z kolei dokładność modeli AI stale rośnie – badania pokazują, że mogą one osiągać, a nawet przewyższać dokładność diagnozowania doświadczonych radiologów w niektórych zadaniach.
Wykorzystanie AI w praktyce wymaga jednak integracji z istniejącymi systemami opieki zdrowotnej. Sztuczna inteligencja może być połączona z systemami zarządzania informacją szpitalną, systemami obrazowania medycznego oraz elektronicznymi kartami zdrowia pacjentów, co zwiększa efektywność i płynność pracy.
Obszary radiologii, gdzie AI już odnosi sukcesy
Rozwój algorytmów sztucznej inteligencji pozwolił na istotne osiągnięcia w trzech kluczowych obszarach radiologii, gdzie technologia ta nie tylko wspomaga, ale w niektórych przypadkach przewyższa tradycyjną diagnozę radiologiczną.
Mammografia i wykrywanie raka piersi
Przełomowe badania opublikowane w czasopiśmie „Radiology” Radiological Society of North America wykazały, że sztuczna inteligencja diagnozuje więcej nowotworów piersi niż radiolodzy, przy znacznie mniejszej liczbie fałszywych alarmów. W duńskim badaniu porównano dwie grupy kobiet w wieku 50-69 lat poddanych badaniom przesiewowym przed i po wdrożeniu AI. Rezultaty są imponujące – grupa z zastosowaniem AI wykazała znacznie więcej przypadków raka piersi (0,82% w porównaniu z 0,70%) przy jednoczesnym obniżeniu odsetka wyników fałszywie dodatnich (1,63% w porównaniu z 2,39%).
Co istotne, wprowadzenie AI spowodowało spadek odsetka pacjentek wymagających pogłębionej diagnostyki o 20,5%, a obciążenie pracą radiologów zmniejszyło się o 33,4%. Dodatkowo, w grupie z wykorzystaniem sztucznej inteligencji większy odsetek wykrytych nowotworów inwazyjnych miał rozmiar 1 centymetra lub mniejszy (44,93% w porównaniu z 36,60%).
Szczególnie obiecujące jest zastosowanie AI w analizie mammografii u kobiet z gęstymi piersiami, co stanowi wyzwanie diagnostyczne zarówno u młodych pacjentek, jak i u wielu kobiet po 50. roku życia. W tym przypadku algorytmy AI okazują się bardziej wyczulone na wykrywanie anomalii niż tradycyjne metody.
Tomografia komputerowa płuc
Tomografia komputerowa klatki piersiowej, obok RTG, jest jednym z najczęściej wykonywanych badań diagnostyki obrazowej w przypadku chorób układu oddechowego. W dobie pandemii COVID-19 i rosnącej liczby powikłań płucnych, sztuczna inteligencja stanowi istotne wsparcie w diagnozowaniu zmian.
Technologia wykorzystująca AI działa w oparciu o algorytmy głębokiego uczenia i uczenia maszynowego, analizując obrazy uzyskane podczas badań klatki piersiowej. System automatycznie wykonuje pomiary płuc, zaznacza nieprawidłowości, identyfikuje obszary o podwyższonych zmętnieniach tkanki płuc i przygotowuje wyniki do wykorzystania przez radiologa.
Szczególnie obiecujące jest zastosowanie AI w diagnostyce przewlekłej obturacyjnej choroby płuc (POChP), na którą cierpi około 2,5 mln Polaków. Ponadto, technologia ta pozwala na segmentację trójwymiarową guzków płuca i pomiary stwierdzonych zmian, co usprawnia diagnostykę nowotworów płuc.
Neuroradiologia i wykrywanie udarów
W neuroradiologii sztuczna inteligencja dokonuje przełomu w diagnostyce udarów mózgu. System StrokeViewer LVO holenderskiej firmy NICO.LAB, zatwierdzony przez Amerykańską Agencję ds. Żywności i Leków (FDA), skutecznie wykrywa cechy obrazu związane z niedrożnością dużego naczynia.
Polski system BrainScan CT, wytrenowany na ponad 250 000 badań (około 12,5 miliona skanów), automatycznie analizuje obrazy tomografii komputerowej mózgu, identyfikując potencjalne patologie. Znacząco przyspiesza on początkową diagnozę pacjentów w oddziałach ratunkowych, dostarczając w ciągu kilku minut informacje o potencjalnych patologiach, takich jak udary czy krwawienia.
Najnowsze badania z udziałem brytyjskich i niemieckich naukowców wskazują, że AI może być nawet dwukrotnie dokładniejsza od obecnych metod w określaniu momentu wystąpienia udaru, co jest kluczowe przy podejmowaniu decyzji o odpowiedniej terapii. Naukowcy szacują, że dzięki tej metodzie nawet 50% więcej pacjentów z udarem mózgu mogłoby zostać poddanych właściwemu leczeniu.
Dzięki tym osiągnięciom, AI w radiologii przestaje być teoretyczną możliwością, a staje się praktycznym narzędziem wspierającym codzienną pracę radiologów w kluczowych obszarach diagnostyki.
Model współpracy radiolog-AI zamiast zastępowania
Wbrew powszechnym obawom, przyszłość radiologii nie polega na zastąpieniu lekarzy przez maszyny, ale na efektywnej współpracy między radiologami a sztuczną inteligencją. Takie podejście pozwala wykorzystać zalety obu stron – precyzję algorytmów i doświadczenie kliniczne specjalistów.
Radiolog jako nadzorca i weryfikator
Mimo rosnących możliwości sztucznej inteligencji, to radiolog ponosi pełną odpowiedzialność prawną za diagnozę. AI nie ma osobowości prawnej, dlatego niezależnie od jej skuteczności, to lekarz musi zweryfikować wyniki i podpisać się pod diagnozą. Badania pokazują, że lekarze mogą jednak nadmiernie polegać na sugestiach AI podczas diagnozowania, co niekiedy prowadzi do błędów. W opublikowanym w czasopiśmie „Radiology” eksperymencie wykazano, że przy poprawnych sugestiach AI dokładność diagnozy wzrasta do 92,8%, ale przy błędnych wskazówkach spada do zaledwie 23,6%.
Jak AI może uzupełniać pracę specjalisty
Amerykańska FDA zatwierdziła już ponad 190 programów AI do zastosowań w radiologii, a co trzeci radiolog w USA wykorzystuje algorytmy AI w swojej pracy. Sztuczna inteligencja wspiera radiologów na wielu poziomach: automatyzuje wstępną analizę obrazów, przygotowuje początkowe raporty, oraz umożliwia lekarzom koncentrację na bardziej złożonych przypadkach. Szczególnie cenne jest wsparcie AI w zakresie wykrywania subtelnych zmian, które mogłyby zostać przeoczone przez człowieka, zwłaszcza w początkowych fazach choroby.
Nowoczesne systemy PACS z elementami AI automatycznie oznaczają niepokojące anomalie, dokonują preselekcji i wstępnej oceny zdjęć, stanowiąc „dodatkową parę oczu” dla radiologa. AI wpływa także na efektywność czasu pracy – może skrócić czas oczekiwania na diagnozę, co jest szczególnie istotne w przypadkach pilnych, takich jak udar mózgu czy podejrzenie nowotworu.
Badania porównujące skuteczność pracy w tandemie
Badania wykazują, że współpraca radiolog-AI przynosi lepsze rezultaty niż praca samego specjalisty lub samej sztucznej inteligencji. System AI opracowany przez Google’a osiągnął porównywalną dokładność jak lekarze w rozpoznawaniu raka piersi na podstawie mammografii, jednocześnie zmniejszając liczbę wyników fałszywie dodatnich o 5,7% w grupie amerykańskiej i 1,2% w grupie brytyjskiej.
W osobnym teście porównano rezultaty systemu AI z opiniami sześciu radiologów i stwierdzono, że sztuczna inteligencja osiągnęła lepsze wyniki w dokładnym wykrywaniu raka piersi. Warto jednakże pamiętać, że radiolodzy nie tylko patrzą na obraz, ale biorą pod uwagę stan pacjenta, często z nim rozmawiają i ustalają najbardziej prawdopodobną diagnozę w szerszym kontekście klinicznym.
Przyszłość radiologii rysuje się zatem jako „tandem”, w którym lekarze i systemy AI będą tworzyć zespół wykonujący szybsze i dokładniejsze badania. Coraz więcej ekspertów postrzega AI nie jako zagrożenie, ale jako narzędzie, które uwolni radiologów od żmudnej, powtarzalnej pracy manualnej, pozwalając im na skupienie się na aspektach wymagających ludzkiego doświadczenia i osądu.
Ograniczenia sztucznej inteligencji w diagnostyce obrazowej
Mimo rosnącego entuzjazmu wokół zastosowań sztucznej inteligencji w diagnostyce obrazowej, technologia ta napotyka istotne bariery, które ograniczają jej samodzielne funkcjonowanie w praktyce klinicznej. Zrozumienie tych ograniczeń jest kluczowe dla realistycznej oceny przyszłej roli AI w radiologii.
Problem rzadkich przypadków i nietypowych prezentacji chorób
Pozyskanie odpowiednich danych do trenowania sztucznej inteligencji stanowi poważne wyzwanie, szczególnie w przypadku rzadkich schorzeń. Podczas gdy typowe przypadki są dobrze rozpoznawane przez AI, sytuacje nietypowe lub skrajne, wykraczające poza standardowy wzorzec, pozostają problematyczne. Wykształceni radiolodzy potrafią je zidentyfikować dzięki doświadczeniu klinicznemu, natomiast algorytmy AI potrzebują ogromnej liczby przykładów, aby nauczyć się odróżniać rzadkie, ale istotne wyniki badań od bardziej powszechnych.
Modele uczenia maszynowego są często złożone i działają jak „czarna skrzynka”, co utrudnia ich interpretację i wyjaśnienie. Czasami różnica między pacjentem zdrowym a przypadkiem krytycznym na zdjęciu medycznym sprowadza się do kilku pikseli, co dla AI może stanowić istotną barierę diagnostyczną.
Trudności z interpretacją kontekstu klinicznego
Sztuczna inteligencja pozbawiona świadomości klinicznej może przeoczyć ważne niuanse. Bez odpowiedniego kontekstu klinicznego interpretacja wyników jest trudna i może prowadzić do błędnych wniosków. Praca radiologa nie jest wyłącznie analizą obrazu – obejmuje również zapoznanie się z historią pacjenta, wynikami laboratoryjnymi i rozmowę z chorym.
Algorytmy AI, szczególnie oparte na modelach językowych, mogą „halucynować” nieistniejące diagnozy lub rozwiązania w przypadkach wykraczających poza główny obszar prawdopodobieństwa. Jak zauważają eksperci, „bot może 'wymyśleć’. Rzeczywiście, mówi się o halucynowaniu botów. Im 'wydaje’ się, że dana odpowiedź brzmi prawdopodobnie, bo powtarza się najczęściej”.
Kwestie odpowiedzialności prawnej za błędy diagnostyczne
W polskim ustawodawstwie brakuje regulacji prawnych odnoszących się do odpowiedzialności za błąd w sztuce lekarskiej w kontekście wykorzystania sztucznej inteligencji. Ten brak przepisów znacząco utrudnia określenie potencjalnego kręgu osób odpowiedzialnych za błędy medyczne popełnione przez AI.
Kwestia przypisania odpowiedzialności jest niezwykle złożona. Z jednej strony, lekarz może ponosić odpowiedzialność, jeśli wiedział o pomyłce systemu lub jego awarii, a mimo to kontynuował zabieg. Z drugiej strony, absurdalne byłoby wymaganie od lekarza znajomości działania systemu sztucznej inteligencji w zakresie informatyki i techniki.
Niektórzy eksperci uważają, że odpowiedzialność powinna spoczywać na producencie oprogramowania lub urządzenia, inni wskazują na programistów, którzy nie przewidzieli wszystkich scenariuszy. Jednakże przypisanie odpowiedzialności konkretnej osobie wydaje się niezwykle trudne, ponieważ za produkcją i dopuszczeniem do obiegu systemu AI często stoi duża grupa wykwalifikowanych specjalistów.
Wnioski
Sztuczna inteligencja niewątpliwie zmienia oblicze współczesnej radiologii. Przeanalizowane badania i przykłady jednoznacznie wskazują, że AI stanowi cenne narzędzie wspierające pracę radiologów, szczególnie w obszarach mammografii, tomografii komputerowej płuc oraz neuroradiologii.
Technologia ta nie zastąpi jednak lekarzy specjalistów. Przyszłość radiologii rysuje się jako model współpracy, gdzie ludzkie doświadczenie kliniczne łączy się z precyzją algorytmów AI. Radiolodzy zachowają kluczową rolę w interpretacji kontekstu klinicznego, podejmowaniu ostatecznych decyzji diagnostycznych oraz ponoszeniu odpowiedzialności prawnej.
Obecne ograniczenia AI, zwłaszcza w diagnozowaniu rzadkich przypadków czy interpretacji nietypowych prezentacji chorób, potwierdzają konieczność zachowania równowagi między automatyzacją a ludzkim osądem. Przede wszystkim należy pamiętać, że skuteczna diagnostyka obrazowa wymaga połączenia zaawansowanych technologii z wiedzą i doświadczeniem wykwalifikowanych specjalistów.
Podsumowując, sztuczna inteligencja w radiologii nie stanowi zagrożenia dla zawodu radiologa, lecz oferuje rozwiązanie problemów związanych z rosnącą liczbą badań i niedoborem specjalistów. Kluczem do sukcesu pozostaje mądre wykorzystanie tej technologii jako wsparcia, nie zastępstwa, dla doświadczonych radiologów.