Medicína a AI, díl 2: rozpoznávání vzorů si musí zasloužit důvěru
AI může označovat vzory na radiologických snímcích a patologických preparátech, užitečná je však až tehdy, když víme, kde byla ověřena, co přehlíží a jak mění péči.
Hana Meridian ·
Umělá inteligence se do radiologie a patologie hodí proto, že obě oblasti už dávno stojí na ukázněném rozpoznávání vzorů. CT hrudníku, mamogram nebo digitální patologický preparát obsahují víc detailů, než člověk pohodlně udrží v pracovní paměti, diagnóza však nikdy není jen obrázek. Vzniká z obrazu, příznaků, laboratorních výsledků, starších vyšetření, technické kvality a otázky, kterou se klinik snaží zodpovědět. Užitečné očekávání od obrazové AI proto nezní, že nahradí radiology a patology. Zní, že jim pomůže všímat si, měřit a třídit vzory s důkazy, které obstojí mimo laboratoř.
Mechanismem je učení ze vzorů. Model se trénuje na označených příkladech: pixelech z mamogramů, řezů CT, rentgenů hrudníku, snímků sítnice nebo celých patologických preparátů propojených s nálezy, které vybrali odborníci. Při testování pak vrací pravděpodobnost, tepelnou mapu, měření nebo pořadí ve frontě. U screeningu prsu se například mezinárodní hodnocení publikované v Nature v roce 2020 týmem Scotta McKinneyho ptalo, zda AI sníží falešně pozitivní a falešně negativní výsledky v datech ze Spojeného království a Spojených států. V patologii studie Campanelly a kolegů v Nature Medicine v roce 2019 ukázala, že slabě dozorované systémy mohou procházet celé digitální preparáty při hledání karcinomu prostaty, bazaliomu nebo metastáz v prsu.
Tyto příklady ukazují, kde může být obrazová AI užitečná. Může označit drobný plicní uzlík ke kontrole, počítat mitózy konzistentněji, odhadovat objem nádoru, přednostně poslat k přečtení snímek s podezřením na mrtvici nebo zkontrolovat vynechaný krok kvality. Přínos bývá často organizační: méně přehlédnutých případů, rychlejší cesta naléhavých vyšetření, opakovatelnější měření a lepší auditní stopa. Pro oddělení zahlcená rostoucím počtem snímků a preparátů to dává smysl jen tehdy, když se výsledek prokáže v prostředí, kde nástroj opravdu poběží.
Limity jsou zároveň bezpečnostní hranicí. Modely se mohou naučit značku skeneru, nemocniční zvyklosti, způsob barvení preparátů nebo složení populace místo samotné nemoci. Systém vytrénovaný v jednom archivu může fungovat hůř po aktualizaci softwaru, ve venkovské nemocnici, u dětských pacientů nebo ve skupině málo zastoupené v trénovacích datech. Tepelná mapa může působit přesvědčivě, i když ukazuje na špatnou stopu. Americký Food and Drug Administration dnes eviduje stovky zdravotnických prostředků s AI nebo strojovým učením, mnoho z nich v radiologii, ale povolení prostředku neznamená důkaz, že každé místní nasazení zlepší výsledky péče.
Odpovědnost proto zůstává u odpovědných týmů. Nemocnice, která používá AI pro třídění mamografie, snímků při podezření na mrtvici nebo digitální patologii, potřebuje místní ověření, sledování posunu výkonu, jasná pravidla eskalace, kyberbezpečnost a způsob, jak zaznamenat, kdy měl model pravdu a kdy se mýlil. Pacienti si zaslouží srozumitelný jazyk: AI může pomáhat čtenáři obrazů, ale nemá se stát neviditelným verdiktem, který nikdo nedokáže vysvětlit. Nadějná budoucnost je praktická a střízlivá. Systémy pro rozpoznávání vzorů mohou učinit zobrazovací medicínu konzistentnější a méně zahlcenou, jen když se s nimi zachází jako s klinickými přístroji: testují se, kalibrují, sledují a zůstávají v pracovním postupu, kde za péči odpovídají lidé.