Prześwietlenie rentgenowskie klatki piersiowej to jedno z najczęściej wykonywanych badań obrazowych w medycynie. Obecnie jest tanie, szybkie i ogólnodostępne, co czyni je kluczowym narzędziem w diagnostyce chorób płuc (takich jak zapalenia, gruźlica czy nowotwory). Mimo to jego prawidłowa interpretacja bywa wyzwaniem nawet dla doświadczonych specjalistów, ponieważ trójwymiarowe struktury anatomiczne nakładają się na siebie na płaskim, dwuwymiarowym obrazie. Aby sprostać tym wyzwaniom, zespół naukowców z Arizona State University i Mayo Clinic opracował model AI o nazwie Ark+ oraz szczegółowo opisał jego działanie na łamach najnowszego wydania tygodnika naukowego „Nature”.
Czytaj także: Czy AI zastąpi lekarzy? Pomoże wykrywać nowotwory? Nadciąga rewolucja
Cykliczna akumulacja wiedzy
Tym, co wyróżnia Ark+, jest jego „fundament” – ogromny i zróżnicowany zbiór danych treningowych. Model został bowiem „nauczony” na podstawie ponad 704 tys. zdjęć rentgenowskich pochodzących z sześciu publicznie dostępnych baz danych z USA, Wietnamu i Chin. Co istotne, naukowcy nie ujednolicali etykiet i opisów znajdujących się tam obrazów płuc. Zamiast tego model krok po kroku uczył się, analizując niejednolite opisy i diagnozy tworzone przez wielu różnych specjalistów. Zaś kluczem do jego niezwykłej skuteczności okazała się innowacyjna metoda treningu nazwana „cykliczną akumulacją wiedzy”.
Można ją porównać do współpracy ucznia i coraz mądrzejszego nauczyciela. System Ark+ składa się z dwóch modułów: „ucznia”, który aktywnie analizuje dane, oraz „nauczyciela”, który gromadzi wiedzę. Proces przebiega w cyklach: najpierw „uczeń” bada jeden zbiór danych, np. zdjęcia pacjentów z zapaleniem płuc, i uczy się rozpoznawać cechy tej choroby. Następnie cała zdobyta przez niego wiedza jest przekazywana i akumulowana w modelu „nauczyciela”. W kolejnym kroku ten wzbogacony o nowe doświadczenia „nauczyciel” nadzoruje i wspiera „ucznia” w nauce na kolejnym zbiorze danych, np. dotyczącym gruźlicy. Ten cykl się powtarza, dzięki czemu wiedza systemu stale rośnie i jest udoskonalana. To sprawia, że Ark+ nie „zapomina” cech jednej choroby, ucząc się kolejnej.
Czytaj także: Trzaski i cienie. Jak zapobiegać groźnym zmianom w płucach?
Wysoka skuteczność Ark+
Skuteczność nowej AI została potwierdzona podczas rygorystycznych testów. W zadaniu polegającym na diagnozowaniu 14 powszechnych chorób klatki piersiowej model osiągnął średni wynik AUC (wskaźnik oceniający zdolność do prawidłowego odróżniania przypadków chorych pacjentów od zdrowych) na poziomie 84,43 proc., przewyższając inne wiodące modele AI.
Przełomowa okazała się także jego zdolność do poszerzania zakresu diagnostycznego i korygowania potencjalnych ludzkich błędów. W jednym z analizowanych przypadków oficjalny opis zdjęcia wskazywał na brak zmian patologicznych, podczas gdy Ark+ poprawnie zdiagnozował niedodmę (stan, w którym płuco nie jest w stanie wypełnić się powietrzem). Ten werdykt potwierdził radiolog z 30-letnim doświadczeniem. W innym przypadku system zakwestionował pierwotną diagnozę „obrzęku”, a jego ocena – „brak istotnych zmian” – ponownie okazała się zgodna z opinią doświadczonego eksperta. Sugeruje to, że Ark+ może pomóc w ograniczeniu nadrozpoznawalności.
Jednym z największych wyzwań w diagnostyce medycznej jest tzw. problem „długiego ogona”. Nazwa ta pochodzi od wizualizacji danych na wykresie, gdzie kilka powszechnych chorób z dużą liczbą przypadków tworzy wysoką „głowę”, a długa, płaska linia – „ogon” – reprezentuje liczne, ale bardzo rzadkie (mało przypadków) schorzenia. To sprawia, że modele AI mają niewiele danych do nauki rozpoznawania tych drugich. Jednak Ark+ radzi sobie z tym dobrze, ucząc się diagnozować rzadkie choroby na podstawie zaledwie kilku (od jednego do pięciu) przykładów.
Model wykazał też wyjątkową zdolność adaptacji do zupełnie nowych warunków klinicznych bez konieczności dodatkowego treningu. Był bowiem testowany na niewidzianych wcześniej zbiorach danych z innych szpitali, wykorzystujących odmienne protokoły obrazowania (czyli wykonanych przy użyciu różnych aparatów rentgenowskich, z innymi ustawieniami technicznymi czy w nieco inny sposób pozycjonujących pacjenta). Mimo to osiągnął imponujące wyniki AUC na poziomie 95,79 proc. w wykrywaniu odmy opłucnowej, 97,60 proc. w diagnozowaniu dziecięcego zapalenia płuc i 96,60 proc. w przypadku gruźlicy.
Czytaj także: Chorzy na POChP duszą się, czekając na NFZ
Dostępny i bezpieczny
Ark+ wyróżnia się też swoją dostępnością. W przeciwieństwie do wielu komercyjnych, zamkniętych systemów jego kluczowe komponenty są w pełni dostępne publicznie. Oznacza to, że badacze z całego świata mogą go swobodnie adaptować do lokalnych warunków, udoskonalać i rozbudowywać. Wspiera to ideę „demokratyzacji” AI w medycynie.
Model zaprojektowano także z myślą o ochronie prywatności pacjentów. Można go rozszerzyć do postaci tzw. sfederowanego Ark+ (federated Ark+). To sprytne rozwiązanie problemu poufności danych medycznych – zamiast wysyłać wrażliwe informacje (zdjęcia RTG) z wielu szpitali na jeden centralny serwer, model AI jest instalowany w każdej z tych placówek. Tam działa zaś wewnątrz lokalnych bezpiecznych systemów informatycznych, a następnie przesyła do centrali jedynie „esencję” uzyskanej wiedzy – czyli to, czego nauczył się, a nie dane, na podstawie których to zrobił. Dzięki temu żadne informacje o pacjentach nigdy nie opuszczają szpitali. Ta cecha może w przyszłości umożliwić tworzenie jeszcze potężniejszych modeli AI we współpracy międzynarodowej z pełnym poszanowaniem prywatności.
Choć Ark+ stanowi znaczący krok w dziedzinie diagnostyki medycznej, to jego dalszy rozwój będzie wymagał wzbogacenia o dane z bardziej zróżnicowanych globalnie populacji. Chodzi o wyeliminowanie potencjalnej „stronniczości”, czyli skłonności do stawiania mniej trafnych diagnoz dla grup pacjentów, które były niedostatecznie reprezentowane w zbiorach treningowych. Planowane jest również rozszerzenie zdolności modelu na inne zadania, takie jak precyzyjne lokalizowanie zmian chorobowych czy zastosowania w kolejnych obszarach medycyny.