
Spis treści
Na czym polega uczenie sztucznej inteligencji (AI) w medycynie?
Algorytmy AI są trenowane na danych - tysiącach obrazów medycznych, wynikach badań i dokumentacji klinicznej. Są uczone identyfikować wzorce, a z każdym przeanalizowanym przypadkiem stają się coraz efektywniejsze. Co więcej, analizę przeprowadzają w czasie rzeczywistym co znacząco przyspiesza proces diagnostyczny.
Sztuczna inteligencja osiąga wyjątkową skuteczność w obrazowym diagnozowaniu chorób wątroby. AI na podstawie obrazów z USG, tomografii komputerowej, rezonansu magnetycznego lub elastografii uczy się identyfikować subtelne zmiany w strukturze tkanki, które wskazują na różne stadia choroby. Poziom rozpoznawalności choroby jest obiecująco wysoki.
Przykłady wysokiej skuteczności AI w stawianych diagnozach chorób wątroby
W przypadku wykrywania niealkoholowej stłuszczeniowej choroby wątroby (NAFLD), badania pokazały, że AI potrafi precyzyjnie identyfikować wczesne stadia choroby na podstawie elektronicznej dokumentacji medycznej. W jednym z eksperymentów, spośród 834 pacjentów spełniających kryteria NAFLD, tylko 137 miało oficjalnie zdiagnozowaną chorobę – to oznacza, że aż 83% przypadków pozostało niezdiagnozowanych przez tradycyjne metody.
System SALSA (System for Automatic Liver tumor Segmentation And detection) wykazał wyjątkową skuteczność w wykrywaniu guzów wątroby – wykrywalność zmian nowotworowych na poziomie pacjenta przekroczyła 99%, a precyzja detekcji poszczególnych zmian osiągnęła niemal 82%. Narzędzie to przewyższyło w wielu przypadkach dokładność doświadczonych radiologów.
Biopsja wątroby wciąż skuteczniejsza od AI
Biopsja wątroby to inwazyjne badanie polegające na pobraniu niewielkiego fragmentu tkanki wątroby za pomocą specjalnej igły w celu zbadania jej pod mikroskopem. Badanie pozwala na dokładną ocenę struktury komórkowej wątroby, wykrycie obecności zmian patologicznych oraz określenie stopnia nasilenia procesów chorobowych.
Mimo że sztuczna inteligencja może w pewnym zakresie wspierać diagnozowanie schorzeń wątroby, nie jest w stanie całkowicie zastąpić biopsji tego organu. Choć algorytmy AI, które oceniają poziom zwłóknienia i mierzą stłuszczenie, mogą osiągnąć czułość przekraczającą 85% i swoistość ponad 90%, to jednak nie są wystarczające w przypadku wczesnych stadiów choroby, takich jak zwłóknienie F0-F1 lub stłuszczenie poniżej 5%. W takich sytuacjach biopsja pozostaje kluczowym elementem diagnostyki.
Wyzwania związane z szerszą implementacją AI w diagnostyce chorób wątroby
Głównym wyzwaniem jest zapewnienie jakości i dostępności danych medycznych potrzebnych do trenowania algorytmów AI. Modele sztucznej inteligencji wymagają dostępu do dużych, dobrze ustrukturyzowanych i reprezentatywnych zbiorów danych, podczas gdy w Polsce nadal występuje fragmentacja systemów i różne standardy zapisu informacji medycznych.
Szczególnie problematyczne jest zjawisko „czarnej skrzynki" – AI podaje pomocną dłoń tam, gdzie ludzie nie radzą sobie z ilością danych, ale jej działanie opiera się na czystej matematyce, której wyników często nie można przewidzieć ani zweryfikować. Oznacza to, że przy masowym wykorzystaniu AI nie będziemy w stanie sprawdzić, co system nam podpowiada, co rodzi pytania o odpowiedzialność za błędne diagnozy.
Istotnym problemem jest również ryzyko bezkrytycznej wiary w możliwości AI oraz uzależnienie się od niej przez lekarzy. Jeśli AI będzie traktowana jako podwykonawca od myślenia, lekarze mogą stracić umiejętność krytycznej oceny wyników, co jest szczególnie niebezpieczne w sytuacjach, gdy algorytm popełnia błąd.