ABONAMENTE VIDEO REDACȚIA
RO
EN
NOU
Numărul 149
Numărul 148 Numărul 147 Numărul 146 Numărul 145 Numărul 144 Numărul 143 Numărul 142 Numărul 141 Numărul 140 Numărul 139 Numărul 138 Numărul 137 Numărul 136 Numărul 135 Numărul 134 Numărul 133 Numărul 132 Numărul 131 Numărul 130 Numărul 129 Numărul 128 Numărul 127 Numărul 126 Numărul 125 Numărul 124 Numărul 123 Numărul 122 Numărul 121 Numărul 120 Numărul 119 Numărul 118 Numărul 117 Numărul 116 Numărul 115 Numărul 114 Numărul 113 Numărul 112 Numărul 111 Numărul 110 Numărul 109 Numărul 108 Numărul 107 Numărul 106 Numărul 105 Numărul 104 Numărul 103 Numărul 102 Numărul 101 Numărul 100 Numărul 99 Numărul 98 Numărul 97 Numărul 96 Numărul 95 Numărul 94 Numărul 93 Numărul 92 Numărul 91 Numărul 90 Numărul 89 Numărul 88 Numărul 87 Numărul 86 Numărul 85 Numărul 84 Numărul 83 Numărul 82 Numărul 81 Numărul 80 Numărul 79 Numărul 78 Numărul 77 Numărul 76 Numărul 75 Numărul 74 Numărul 73 Numărul 72 Numărul 71 Numărul 70 Numărul 69 Numărul 68 Numărul 67 Numărul 66 Numărul 65 Numărul 64 Numărul 63 Numărul 62 Numărul 61 Numărul 60 Numărul 59 Numărul 58 Numărul 57 Numărul 56 Numărul 55 Numărul 54 Numărul 53 Numărul 52 Numărul 51 Numărul 50 Numărul 49 Numărul 48 Numărul 47 Numărul 46 Numărul 45 Numărul 44 Numărul 43 Numărul 42 Numărul 41 Numărul 40 Numărul 39 Numărul 38 Numărul 37 Numărul 36 Numărul 35 Numărul 34 Numărul 33 Numărul 32 Numărul 31 Numărul 30 Numărul 29 Numărul 28 Numărul 27 Numărul 26 Numărul 25 Numărul 24 Numărul 23 Numărul 22 Numărul 21 Numărul 20 Numărul 19 Numărul 18 Numărul 17 Numărul 16 Numărul 15 Numărul 14 Numărul 13 Numărul 12 Numărul 11 Numărul 10 Numărul 9 Numărul 8 Numărul 7 Numărul 6 Numărul 5 Numărul 4 Numărul 3 Numărul 2 Numărul 1
×
▼ LISTĂ EDIȚII ▼
Numărul 104
Abonament PDF

Ce cred radiologii despre folosirea inteligenței artificiale?

Andreea Sandu
Machine Learning Engineer @ NTT DATA Romania



PROGRAMARE

În fiecare an, Societatea Nord Americană de Radiologie (Radiology Society of North America - RSNA) organizează o conferință în care radiologi, cercetători, specialiști IT și reprezentanți ai companiilor se întâlnesc pentru a-și împărtăși ultimele descoperiri și pentru a găsi soluții la problemele cu care se confruntă. Din cauza pandemiei, conferința din 2020 (29 noiembrie - 5 decembrie) s-a desfășurat în întregime online ceea ce ne-a permis mie și colegiilor mei să participăm, din confortul propriei case, la prezentări, fie live, fie înregistrare, ale cercetătorilor în domeniul imagisticii medicale din toată lumea.

Figura 1 - RSNA 2020 infografic [2]

În două dintre numerele trecute ale revistei TSM, eu împreună cu colegii mei, Ioana și Andrei, am descris puțin cititorilor la ce lucrăm în cadrul NTT DATA. Pe scurt, noi suntem o echipă, care de doi ani dezvoltă prototipuri (Proof of Concept) ce folosesc inteligența artificială în imagistică medicală. Programele dezvoltate de noi ar putea ajuta, în viitor, radiologii să identifice și să clasifice diverse abnormalități, ușurându-le astfel munca.

Deoarece proiectele noastre se află la granița dintre machine learning, programare și medicină, am fost foarte curioși să aflăm care sunt necesitățile, interesele, dar și problemele pe care radiologii le au atunci când includ inteligența artificială în diagnosticarea și tratarea pacienților. În continuare, voi face un scurt rezumat al punctelor cheie ce au fost abordate în cele șapte zile de conferință și care ni s-au părut interesante.

Performanța algoritmilor IA în cazul clinic, real

Modul în care sunt folosiți și rezultatele pe care le obțin algoritmii de inteligență artificială în practica de zi cu zi a radiologilor necesită o atenție sporită. Acest subiect a fost abordat în mai multe prezentări din cadrul conferinței RSNA. Am identificat trei aspecte importante legate de acest subiect.

Primul este necesitatea unei evaluări extensive și exacte a modelelor AI. În funcție de nivelul de risc asociat software-ului medical (Software as Medical Device - SaMD), acesta ar avea nevoie sau nu, de mai multe studii pentru a fi aprobat în practică. În 2014, IMDRF (eng. International Medical Device Regulators Forum), a propus patru categorii de risc [3] pentru software-urile medicale prezentate, pe scurt, în tabelul de mai jos. Deocamdată nu există un consens despre cum ar trebui tratate software-urile ce folosesc AI înainte de a ajunge în clinici sau spitale, însă este de la sine înțeles că cele din categoria IV au neapărat nevoie de dovezi solide care să le demonstreze eficacitatea. Pentru categoriile II și III, situația ar sta la fel, însă depinde de la caz la caz. S-a sugerat chiar ca algoritmii AI să fie testați în studii clinice înainte să fie integrați în software-uri medicale comerciale, la fel cum se întâmplă cu medicamentele nou descoperite.

Figura 2 - Categorii SaMD [3]

O altă problemă identificată apare chiar în etapa de cercetare. Articolele publicate nu conțin o comparație clară între performanța inteligenței artificiale și cea a radiologilor. De asemenea, seturile de date și codul folosit nu sunt publice, lucru ce îngreunează reproducerea și verificarea rezultatelor.

Al doilea aspect important în orice domeniu, dar mai ales în medicină, îl reprezintă varietatea datelor de intrare. De cele mai multe ori cercetătorii lucrează cu seturi de date limitate și care provin dintr-o singură sursă (de la un singur spital). Din această cauză rezultatele sunt foarte optimiste la început, însă atunci când modelul AI este testat pe un set diferit, performanțele scad dramatic. Diferențele dintre două seturi de date din surse diferite se numesc în engleză batch effects și includ: mai mulți producători pentru tomografe, variații în demografia pacienților, diferențe între practici medicale etc.

Un alt neajuns legat de datele din domeniul medical este cel al adnotărilor, care sunt dificil și costisitor de obținut. Pe parcursul conferinței câteva soluții s-au propus pentru creșterea numărului de date adnotate: construirea unui set de date public de mari dimensiuni (un ImageNet [4] pentru radiologie); învățare distribuită (eng. federated learning); încurajarea colaborării între cercetători.

Al treilea punct discutat în privința utilizării modelelor AI în lumea reală ține de integrarea lor în sistemele informatice ale clinicilor și spitalelor. Acest pas este unul esențial și necesită mai multă dezbatere. Infrastructura IT este complexă și de cele mai multe ori învechită. O actualizare a sistemelor IT, în special cel PACS (eng. Picture Archiving and Communication System) va fi cu siguranță necesară. Un model AI nu va fi folosit, dacă nu este integrat astfel încât să fie adaptat la nevoile radiologilor, chiar dacă are performanțe foarte bune.

Integrarea algoritmilor AI in procesele medicale

În această secțiune voi detalia punctul 3, acela al integrării algoritmilor AI în practica de zi cu zi a unui radiolog. Pe lângă actualizarea echipamentelor hardware pe care un radiolog le folosește, o companie care dezvoltă un model AI va trebui să ia în considerare și comunicarea cu alte software-uri medicale. Una dintre caracteristicile sistemelor AI asupra căreia s-a atras atenția de mai multe ori, este interoperabilitatea cu software-urile sau dispozitivele deja existente. Facilitând această comunicare, s-ar putea strânge și mai multe date, din diferite surse, adică exact combustibilul de care are nevoie inteligența artificială.

La fel ca și în cazul software-urile clasice, cele care utilizează AI au nevoie de mentenanță și actualizare periodică. Îmbunătățirea continuă a modelor AI a fost un subiect intens dezbătut în cadrul conferinței. Primul pas pentru a face acest lucru este acela de a oferi radiologilor posibilitatea de a măsura și înregistra erorile pentru ca producătorul să îmbunătățească continuu atât algoritmul, cât și aplicația. Așa cum doar o persoană specializată poate adnota niște radiografii necesare în procesul de antrenare a unui model, la fel doar un radiolog poate aprecia rezultatele, dar și utilitatea unui software medical ce folosește AI.

În prezent, dezvoltarea aplicațiilor AI este determinată de disponibilitatea datelor și nu neapărat de nevoile imediate ale radiologilor. O astfel de nevoie, care a fost menționată de mai multe ori, este aceea a punerii pe primul loc a cazurilor critice. Spre exemplu, ar fi mult mai benefic, în primul rând pentru pacienți, ca radiologii să analizeze mai întâi cazurile urgente (ex. hemoragii cerebrale), decât tumori benigne sau chiar cazuri sănătoase, cum se întâmplă de cele mai multe ori. Alte nevoie includ: crearea de rapoarte și organizarea pacienților, prezicerea timpul de internare, a necesității ventilării sau severitatea unei boli.

Concluzie

Pentru aceia dintre voi care au crezut că răspunsul la întrebarea din titlu este acela că radiologii se tem să rămână fără un loc de muncă din cauza inteligenței artificiale, sper că v-ați dat seama că nu este deloc cazul. Cei mai mulți cercetători sunt de acord că un radiolog înarmat cu un algoritm AI va da un diagnostic mai precis decât algoritmul în sine. Au fost, desigur, și numeroase prezentări despre rețele neuronale sau combinații de arhitecturi dintre cele mai diverse, însă cred că ar fi ieșit un articol mult prea tehnic.

În acest articol am prezentat câteva întrebări, care nu au încă un răspuns clar și care influențează dezvoltarea unui produs medical de succes. Pe de-o parte, există semne de întrebare legate de păstrarea performanței modelului AI atunci când se face trecerea de la cercetare la utilizarea lui în practică, iar pe de altă parte este neclar cum se poate integra mai bine un model AI în procesul de lucru al unui radiolog.

Referințe

  1. Radiology Society of North America (RSNA)

  2. Sursă infografic

  3. "Software as a Medical Device": Possible Framework for Risk Categorization and Corresponding Considerations, IMDRF Software as a Medical Device (SaMD) Working Group

  4. Setul de date ImageNet

NUMĂRUL 149 - Development with AI

Sponsori

  • Accenture
  • BT Code Crafters
  • Accesa
  • Bosch
  • Betfair
  • MHP
  • BoatyardX
  • .msg systems
  • P3 group
  • Ing Hubs
  • Cognizant Softvision
  • Colors in projects