Formularz został pomyślnie wysłany.
Dalsze informacje znajdziesz w swojej skrzynce e-mail.
Zatrudnij nas
O nasUsługiTechnologiePortfolio
Wiele wystąpień podczas konferencji poświęconych opiece zdrowotnej IT przebiega obecnie według tego samego schematu. Ktoś rozpoczyna od slajdu przedstawiającego sympatycznie wyglądającego robota w białym fartuchu, a czterdzieści minut później kończy, odpowiadając na pełne niepokoju pytanie, czy oprogramowanie zagrozi miejscom pracy słuchaczy. Gdzieś pomiędzy slajdem z robotem a tym pytaniem pomija się naprawdę przydatną część wystąpienia, która rzadko dotyczy robotów.
Sztuczna inteligencja w obrazowaniu medycznym – w postaci, w jakiej faktycznie trafia na rynek i jest wykorzystywana – jest znacznie mniej spektakularna, a o wiele bardziej interesująca. To oprogramowanie, które analizuje tomografię komputerową klatki piersiowej, zanim radiolog otworzy plik, i wskazuje trzy badania spośród dwustu, które wymagają natychmiastowej oceny. Jest to model, który mierzy guz za każdym razem w ten sam sposób, a nie tak, jak mierzy go zmęczony rezydent o godz. 6 w piątek. Żadna z tych rzeczy nie trafia na pierwsze strony gazet. Wszystko to jednak zmienia codzienną pracę całego oddziału.
Oto praktyczny przewodnik pokazujący, w jakich obszarach sztuczna inteligencja w obrazowaniu medycznym naprawdę się sprawdza, gdzie wciąż potyka się o własne sznurówki oraz co trzeba zrobić, aby wdrożyć ją w szpitalu lub centrum diagnostyki obrazowej bez spowodowania po drodze żadnych poważnych problemów.
W najprostszym ujęciu obrazowanie medyczne oparte na sztucznej inteligencji polega na szkoleniu oprogramowania – głównie modeli uczenia głębokiego opartych na konwolucyjnych sieciach neuronowych lub nowszych architekturach transformatorowych – w celu rozpoznawania wzorców na obrazach tak, jak robi to doświadczony radiolog. Wystarczy dostarczyć modelowi wystarczającą liczbę oznaczonych zdjęć rentgenowskich klatki piersiowej przedstawiających zapalenie płuc, a zacznie on dostrzegać te same cechy wizualne, co radiolog – tylko szybciej i bez przerwy na kawę.
Zakres zastosowań znacznie wykroczył poza wykrywanie pojedynczych guzów. Dzisiejsze narzędzia obejmują niemal każdy etap procesu obrazowania: akwizycję, rekonstrukcję, interpretację, sporządzanie raportów, a także – w coraz większym stopniu – przewidywanie postępu choroby i wyników leczenia pacjentów. Niektóre z tych procesów przebiegają jako uczenie maszynowe wbudowane bezpośrednio w skaner. Część z nich działa jako oddzielna warstwa, która odczytuje plik DICOM po zakończeniu skanowania.
Organy regulacyjne dostrzegły tę zmianę na długo przed większością placówek opieki zdrowotnej. Pod koniec 2025 r. radiologia stanowiła około 76% każdego urządzenia medycznego wyposażonego w sztuczną inteligencję zatwierdzonych przez FDA w ciągu ostatnich 30 lat – więcej niż w przypadku wszystkich pozostałych specjalności klinicznych łącznie. W obrazowaniu medycznym dane są najbogatsze, wzorce są na tyle wyraźne wizualnie, że sieć neuronowa może się dobrze uczyć, a korzyści kliniczne są najbardziej oczywiste, dlatego właśnie w tej dziedzinie sztuczna inteligencja uzyskała przewagę.
Sztuczna inteligencja pełni kilka różnych funkcji w zależności od tego, na którym etapie procesu znajduje się. Oto, jak wykorzystuje się sztuczną inteligencję w obrazowaniu medycznym, gdy pominie się już slajdy marketingowe.
To właśnie ta aplikacja przychodzi wszystkim na myśl jako pierwsza. Model skanuje obraz i zaznacza wszystko, co wygląda na coś, czego nie powinno tam być: guzek, złamanie, krwotok, podejrzaną masę itp. Oczywiste jest, że wynikiem nie jest diagnoza. To po prostu dodatkowa para oczu, która nigdy się nie męczy ani nie rozprasza, a właśnie tym jest wizja komputerowa w czym model się sprawdza, a w czym nie radzi sobie człowiek przeglądający właśnie dwusetne zdjęcie rentgenowskie klatki piersiowej podczas tej zmiany.
Segmentacja pozwala wyznaczyć kontury, wskazując dokładnie, gdzie na obrazie znajduje się guz, narząd lub naczynie. Brzmi to mało efektownie, dopóki nie uświadomimy sobie, jak bardzo radiologia opiera się na spójnych pomiarach w czasie. Model, który spójnie segmentuje tę samą zmianę w kolejnych badaniach kontrolnych, w zaskakującym stopniu eliminuje elementy zgadywania z monitorowania leczenia.
Nie każde badanie jest równie pilne, ale listy zadań w systemie PACS (system archiwizacji i transmisji obrazów) tradycyjnie traktowały je w ten sposób: kto pierwszy, ten pierwszy. Modele selekcji analizują napływające badania i przesuwają na początek kolejki wszystkie przypadki wykazujące oznaki udaru, zatorowości płucnej lub krwawienia śródczaszkowego, czasami już w ciągu kilku minut od wykonania badania. Ostateczną decyzję nadal podejmuje radiolog. Po prostu robi to szybciej.
Sztuczna inteligencja przetwarza również sam obraz, zanim jeszcze obejrzy go człowiek – usuwa szumy z tomografii komputerowej wykonanej przy niskiej dawce promieniowania, wyostrza obrazy rezonansu magnetycznego uzyskane w czasie krótszym niż wymaga tego standardowy protokół lub uzupełnia luki powstałe w wyniku artefaktów ruchowych. Korzyści są realne: niższe dawki promieniowania, krótszy czas badania oraz obrazy łatwiejsze do interpretacji.
Najnowszy nurt łączy wyniki badań obrazowych z innymi rodzajami danych, wynikami badań laboratoryjnych, danymi genomicznymi oraz notatkami klinicznymi, aby przewidywać prawdopodobny przebieg choroby, a nie tylko opisywać to, co widać obecnie. Jest to wciąż początkowy etap, ale perspektywy są obiecujące i właśnie w tym kierunku kierowana jest obecnie znaczna część środków przeznaczonych na poważne badania naukowe.
Zastosowania to jedno podejście do tej kwestii, ale kolejnym jest obszar kliniczny. I to właśnie ten ostatni ma prawdopodobnie większe znaczenie dla osoby zatwierdzającej budżet. Oto kilka konkretnych przykładów wykorzystania sztucznej inteligencji w obrazowaniu medycznym w podziale na specjalizacje.
Obrazowanie onkologiczne ma jedną z najbogatszych historii zastosowań sztucznej inteligencji, głównie dlatego, że badania przesiewowe w kierunku raka piersi, płuc i prostaty dostarczają ogromnych, dobrze oznaczonych zbiorów danych. W jednym z największych dotychczasowych badań przeprowadzonych w warunkach rzeczywistych radiolodzy stosowali podwójną ocenę obrazów mammograficznych wspomaganą sztuczną inteligencją wykryto o 17,6% więcej przypadków raka niż radiolodzy korzystający z tego rozwiązania, w grupie ponad 460 000 kobiet poddanych badaniom przesiewowym w 12 ośrodkach w Niemczech.
W przypadku udaru liczy się każda minuta, a narzędzia do segregacji medycznej oparte na sztucznej inteligencji, stworzone z myślą o tomografii komputerowej (CT) i rezonansie magnetycznym (MRI), obecnie sygnalizują podejrzenie niedrożności dużych naczyń i krwotoku śródczaszkowego na tyle szybko, że skracają czas między wykonaniem badania a podjęciem decyzji o leczeniu. Ta sama technologia śledzi również zmiany w istocie białej w miarę upływu czasu w przypadku schorzeń takich jak stwardnienie rozsiane, co wcześniej wymagało żmudnego ręcznego porównywania poszczególnych obrazów.
Rezonans magnetyczny i tomografia komputerowa serca generują obszerne i zawierające wiele danych dotyczących ruchu materiały, których spójna ocena przez człowieka jest naprawdę trudna. Narzędzia oparte na sztucznej inteligencji zajmują się obecnie obliczaniem objętości komór serca, oceną nasilenia zwapnienia oraz analizą tętnic wieńcowych z poziomem powtarzalności, którego rzadko udaje się osiągnąć przy pomiarach ręcznych, ponieważ dwóch kardiologów oceniających to samo serce ręcznie nie zawsze uzyska dokładnie ten sam wynik.
Wykrywanie złamań na zdjęciach rentgenowskich – zwłaszcza tych subtelnych, które łatwo przeoczyć w zatłoczonym oddziale ratunkowym – to jeden z mniej nagłośnionych sukcesów sztucznej inteligencji. Ocena wieku kostnego i klasyfikacja stopnia zaawansowania choroby zwyrodnieniowej stawów przebiegały według tego samego schematu: zadania, które zawsze miały nieco subiektywny charakter, zyskały teraz spójną „drugą opinię”.
Korzyści płynące z wykorzystania sztucznej inteligencji w obrazowaniu medycznym są różnie postrzegane w zależności od tego, kto o to pyta, dlatego warto rozpatrywać je osobno w zależności od grupy odbiorców, zamiast zakładać, że wszyscy oczekują tego samego.
Żadna z powyższych rzeczy nie dzieje się automatycznie, a udawanie, że jest inaczej, sprawia, że projekty pilotów opartych na sztucznej inteligencji po cichu lądują gdzieś w szufladzie. Oto, co zazwyczaj stoi na przeszkodzie.
Jakość modelu zależy od jakości etykiet, na podstawie których został wytrenowany, a opisywanie obrazów medycznych jest procesem powolnym, kosztownym i wymagającym rzeczywistej wiedzy klinicznej. Brak spójności w etykietowaniu między placówkami jest jedną z najczęstszych przyczyn, dla których model osiąga doskonałe wyniki w fazie testowej, a rozczarowujące w warunkach produkcyjnych.
Modele wytrenowane głównie na danych dotyczących jednej populacji, jednej marki aparatu lub protokołów obrazowania stosowanych w jednym szpitalu zazwyczaj osiągają gorsze wyniki we wszystkich innych przypadkach. Model, który nauczył się rozpoznawać wzorce gęstości piersi na podstawie danych dotyczących jednej grupy demograficznej, nie sprawdza się automatycznie w przypadku innej grupy.
Każdy próg to kompromis. Jeśli ustawimy go zbyt czuło, radiolodzy zostaną zasypani fałszywymi alarmami, co prowadzi właśnie do tego zmęczenia alarmami, któremu narzędzie miało zapobiegać. Jeśli natomiast zbyt mocno skupimy się na specyficzności, narzędzie zacznie pomijać rzeczywiste wyniki badań. Nie ma takiego ustawienia, które sprawiłoby, że ten kompromis zniknie – są jedynie ustawienia, które lepiej lub gorzej pasują do konkretnego kontekstu klinicznego.
Model, który podaje komunikat “rak, poziom pewności 87%” bez wyjaśnienia przyczyn, trudno jest przekazać radiologowi, który ponosi prawną i zawodową odpowiedzialność za ostateczną decyzję. Narzędzia, które wskazują konkretne piksele stanowiące podstawę prognozy, szybciej zyskują zaufanie niż te, które tego nie robią – głównie dlatego, że pozwalają lekarzowi zweryfikować diagnozę postawioną przez sztuczną inteligencję na podstawie obrazowania medycznego.
Obrazy medyczne zawierają chronione informacje zdrowotne, a procesy oparte na sztucznej inteligencji, w ramach których dane te są przesyłane między skanerami, magazynami danych, systemami analizy w chmurze i systemami raportowania, zwiększają liczbę punktów, w których może dojść do błędu. Szyfrowanie danych zarówno podczas przesyłania, jak i w stanie spoczynku, ścisła kontrola dostępu oraz rejestrowanie zdarzeń audytowych zapobiegają temu, by naruszenie bezpieczeństwa przerodziło się w katastrofę pod względem zgodności z przepisami.
Kto ponosi odpowiedzialność, gdy podczas analizy wspomaganej przez sztuczną inteligencję coś zostanie przeoczone? Ramy regulacyjne wciąż nie nadążają za tym zagadnieniem, a zezwolenie wydane przez organ taki jak FDA dotyczy wyłącznie działania oprogramowania, a nie struktury odpowiedzialności prawnej i klinicznej związanej z jego wykorzystaniem.
Model zweryfikowany na podstawie zeszłorocznych modeli tomografów i struktury pacjentów może stopniowo tracić na dokładności w miarę zmian sprzętu, protokołów i populacji pacjentów – problem ten znany jest jako „dryft”. Bez ciągłego monitorowania wydajności pogorszenie to pozostaje niewidoczne, dopóki ktoś nie zauważy, że model działa nieprawidłowo już od miesięcy. Właśnie tego rodzaju sytuacje są typowe dla solidnych Praktyki MLOps mają na celu wykrycie problemu, zanim przerodzi się on w problem kliniczny.
Opracowanie modelu na potrzeby artykułu naukowego a wdrożenie go w prawdziwym oddziale radiologii to dwa zupełnie różne przedsięwzięcia. Oto, jak wygląda to drugie.
Każde udane wdrożenie zaczyna się od wąskiego zakresu: jedna metoda diagnostyczna, jedno schorzenie, jedno jasno określone pytanie kliniczne. “Sztuczna inteligencja w radiologii” nie jest przykładem zastosowania. Natomiast “wykrycie podejrzenia zatorowości płucnej na tomografii komputerowej klatki piersiowej w ciągu pięciu minut od wykonania badania” już nim jest.
To właśnie tutaj kryje się większość prawdziwej pracy: czyszczenie, anonimizacja i opisywanie danych obrazowych zgodnie ze standardem, na podstawie którego model będzie mógł się uczyć. Kolejnym wyzwaniem jest zapewnienie, by dane odzwierciedlały populację pacjentów oraz sprzęt, na którym model będzie ostatecznie działał.
Gotowy model, dopracowany model bazowy czy rozwiązanie stworzone całkowicie na zamówienie? Właściwa odpowiedź zależy od tego, jak powszechne jest dane zadanie kliniczne oraz w jakim stopniu populacja pacjentów różni się od tej, na której szkolono istniejące modele. Wrócimy do tego w następnej sekcji.
Model, który nie potrafi odbierać badań z systemu PACS, zapisywać wyników z powrotem do systemu RIS ani wyświetlać wyników w systemie EHR, z którego już korzysta lekarz, nie jest narzędziem klinicznym, lecz projektem badawczym opartym na dobrych intencjach. Integracja systemów EHR i EMR Ta praca nie jest zbyt efektowna, ale jest absolutnie niezbędna, ponieważ nikt nie chce otwierać trzeciej aplikacji tylko po to, by sprawdzić, co znalazła sztuczna inteligencja.
Interfejs ma niemal tak samo duże znaczenie jak model, na którym się opiera. Wyniki analizy opartej na sztucznej inteligencji muszą pojawiać się w narzędziach, z których już korzystają radiolodzy, i być przedstawiane w formacie dostosowanym do ich klinicznego przebiegu pracy, wraz z prostymi opcjami akceptacji, odrzucenia lub pominięcia sugestii sztucznej inteligencji.
Oczywiście uruchomienie systemu nie oznacza jeszcze mety. Ciągłe monitorowanie pozwala sprawdzać zgodność z rzeczywistymi wynikami, wykrywać odchylenia oraz zauważać moment, w którym aktualizacja oprogramowania sprzętowego skanera niepostrzeżenie zmienia obrazy rozpoznawane przez model.
Wcześniej czy później każdy projekt dotyczący technologii sztucznej inteligencji w obrazowaniu medycznym staje przed tym samym rozdrożem, a ktoś z obecnych wypowiada słowo “plan działania” z większą pewnością siebie, niż na to zasługuje dana sytuacja. Możecie stworzyć to samodzielnie, kupić coś, co już istnieje, albo zatrudnić ludzi, którzy popełnili już kosztowne błędy na cudzym budżecie. Żadna z tych trzech opcji nie jest poprawna w teorii. Jedna z nich jest jednak właściwa dla waszego zespołu, waszego terminu realizacji oraz poziomu ryzyka, jaki wasz dział prawny jest w stanie zaakceptować przed obiadem.
| Podejście | Szybkość wdrożenia | Koszt początkowy | Indywidualne dostosowanie kliniczne | Wieloletni serwis |
|---|---|---|---|---|
| Tworzyć we własnym zakresie | Powoli: od miesięcy do lat | Wymaga dużego nakładu pracy oraz dedykowanego zespołu zajmującego się uczeniem maszynowym | Bardzo wysoki | To zależy wyłącznie od twojego zespołu |
| Kup gotowy produkt | Szybko: tygodnie | Niższe opłaty licencyjne – zarówno początkowe, jak i bieżące | Ograniczone do funkcji obsługiwanych przez dostawcę | Obsługa przez sprzedawcę |
| Nawiąż współpracę z zespołem programistów | Umiarkowane: od kilku tygodni do kilku miesięcy, rok | Umiarkowane, ograniczone do zakresu projektu | Wysoki | Przekazano lub oddano pod opiekę po ustabilizowaniu stanu |
Niestety, dobre intencje nie wystarczą, by przejść audyt bezpieczeństwa. Zanim proces przetwarzania obrazów medycznych oparty na sztucznej inteligencji i uczeniu maszynowym trafi do prawdziwego pacjenta, musi już istnieć dość nieefektowny zestaw rozwiązań, który cicho wykonuje swoją pracę, tak aby nikt nie musiał o nim myśleć.
Oto z grubsza kolejność, w jakiej przeprowadzamy klientów przez ten proces – opracowana na podstawie projektów, w których rozwiązania AI w zakresie obrazowania przeszły etap pilotażowy i stały się częścią codziennej rutyny.
W poważnych badaniach naukowych i planach rozwoju produktów dość często pojawia się kilka kierunków, które warto śledzić, a nie odłożyć na bok jako kolejne slajdy dostawców. Właśnie w tym obszarze sztuczna inteligencja zmienia oblicze obrazowania medycznego, gdy zespoły wykraczają poza możliwości obecnych narzędzi.
Nasza działalność w tym obszarze obejmuje cały łańcuch rozwiązań opartych na sztucznej inteligencji w dziedzinie obrazowania medycznego. Z jednej strony, wizja komputerowa modele wyszkolone na prawdziwych danych obrazowych pochodzących z praktyki klinicznej. Z drugiej strony – mniej efektownej – są prace nad integracją systemów PACS, RIS i EHR, od których zależy, czy cokolwiek z tego zostanie wykorzystane. Zgodność z HIPAA, RODO i MDR nie jest dodawana na końcu jako dodatek. Są one częścią procesu tworzenia od pierwszego sprintu, a nasz certyfikat ISO 13485 obejmuje właśnie ten rodzaj oprogramowania do urządzeń medycznych, którego to dotyczy. Nasze studia przypadków z branży opieki zdrowotnej dają bardziej rzetelny obraz tego, jak to wygląda w praktyce, niż cokolwiek, co mógłbym tutaj podsumować.
Opinia klienta
Opinia klienta
Opinia klienta
Sztuczna inteligencja nie poradzi sobie z wadliwą integracją systemu PACS, ale nie będzie też czekać na idealną integrację. Gdzieś pomiędzy programem pilotażowym a chaotyczną rzeczywistością szpitala IT oddziały radiologiczne już teraz interpretują obrazy inaczej niż pięć lat temu. To, czy ta zmiana wydaje się rewolucyjna, czy po prostu dyskretnie użyteczna, zależy mniej od algorytmu, a bardziej od tego, kto był gotów jako pierwszy podjąć się często pomijanej pracy nad integracją.
Szczerze mówiąc, po trochu wszystkiego: wykrywanie nieprawidłowości, segmentacja i pomiary obrazów, klasyfikacja listy zadań, rekonstrukcja obrazów, raportowanie strukturalne oraz analityka predykcyjna – w różnych technikach obrazowania, takich jak rentgen, tomografia komputerowa, rezonans magnetyczny i ultrasonografia.
Rentgen, tomografia komputerowa (CT), rezonans magnetyczny (MRI), ultrasonografia, mammografia, pozytonowa tomografia emisyjna (PET) oraz, w coraz większym stopniu, obrazy patologiczne całych preparatów mikroskopowych. Rentgen i tomografia komputerowa (CT) nadal mogą pochwalić się najdłuższą i najbardziej ugruntowaną historią stosowania.
W większości przypadków tak. Narzędzia kliniczne oparte na sztucznej inteligencji są zazwyczaj tworzone z myślą o integracji z istniejącymi systemami PACS i RIS za pośrednictwem standardów takich jak DICOM, DICOMweb, HL7 V2 i FHIR, choć to, jak głęboka jest ta integracja w praktyce, w dużej mierze zależy od dostawcy.
Zależy to w dużej mierze od rodzaju zadania oraz od tego, jak rygorystycznie model został zweryfikowany, dlatego do każdej pojedynczej wartości dokładności należy podchodzić z pewną dozą sceptycyzmu. Dobrze zweryfikowane narzędzia w takich dziedzinach jak badania mammograficzne wykazały rzeczywistą poprawę wskaźników wykrywalności w porównaniu z interpretacją bez wsparcia komputerowego, przy czym wiążą się one z konkretnymi kompromisami w zakresie wskaźników wyników fałszywie dodatnich, które warto rozważyć.
Nie ma tu żadnej magicznej liczby. Zależy to od stopnia złożoności zadania klinicznego, ale w przypadku sprawdzonych modeli obrazowania zatwierdzonych przez FDA do celów walidacji klinicznej historycznie wykorzystywano od kilkuset do kilku tysięcy przypadków pacjentów.
W Stanach Zjednoczonych chodzi głównie o zezwolenia FDA wydawane w ramach procedur takich jak 510(k), De Novo lub PMA, a także o przepisy HIPAA dotyczące ochrony danych. W Unii Europejskiej są to rozporządzenie w sprawie wyrobów medycznych (MDR), RODO oraz unijna ustawa o sztucznej inteligencji.
Krótka odpowiedź brzmi: nie. Obecne narzędzia są zatwierdzone jako pomocnicze lub uzupełniające środki wspomagające interpretację, a nie jako samodzielne urządzenia do odczytu, więc ostateczna decyzja kliniczna nadal należy do radiologa, a nie do modelu.
Szczerze mówiąc, różnice są zbyt duże, by podać jedną konkretną kwotę. Zakup gotowego rozwiązania, stworzenie rozwiązania na zamówienie czy współpraca z zespołem programistów to zupełnie różne scenariusze, podobnie jak złożoność integracji i liczba zaangażowanych witryn. Konsultacja obejmująca szczegółowy zakres projektu pozwoli Ci znacznie szybciej uzyskać rzeczywistą kwotę niż zgadywanie.
