Computer vision · Ochrona zdrowia
AI w obrazowaniu medycznym: jak pomaga szpitalom i firmom MedTech
Badania MRI i CT zawierają więcej informacji, niż zespół jest w stanie przeanalizować w dostępnym czasie. AI przejmuje czasochłonne kroki: obrysowuje struktury, zaznacza podejrzane obszary, sprawdza jakość obrazów. Ocena pozostaje w rękach lekarzy. Dwa projekty pokazują, jak wygląda to w praktyce.
Julia Rose
Najważniejsze w skrócie
- AI w obrazowaniu medycznym wspiera segmentację, oznaczanie trudno widocznych zmian, kontrolę jakości i przebieg pracy.
- W apoQlar segmentacja struktur anatomicznych na potrzeby planowania operacji trwa kilka sekund zamiast kilku godzin.
- Dla Hamburskiego Centrum Padaczki model wykrywający ogniskowe dysplazje korowe osiągnął 90% czułości i 70% swoistości.
- Potrzebne są starannie opisane dane, pipeline’y, które da się prześledzić, oraz działanie we własnej infrastrukturze, jeśli wymagają tego dane pacjentów.
Dlaczego AI pomaga w obrazowaniu medycznym
Obrazowanie medyczne odgrywa kluczową rolę w diagnostyce, monitorowaniu i planowaniu leczenia. Liczba badań stale rośnie, a wiele związanych z nimi kroków zajmuje dużo czasu: obrysowywanie struktur warstwa po warstwie, szukanie subtelnych zmian, porównywanie badań. Modele deep learning mogą te kroki przejąć albo wykonać wstępnie. Pracują powtarzalnie, nie męczą się i dostarczają wyniki w kilka sekund.
Ocena pozostaje w rękach ekspertów. AI zaznacza, mierzy i przygotowuje, a decyzję podejmuje radiolog, neurolog lub zespół chirurgiczny.
Gdzie AI jest wykorzystywana w obrazowaniu medycznym
| Zastosowanie | Co przejmuje AI |
|---|---|
| Segmentacja | automatyczne obrysowywanie kości, naczyń i narządów w badaniach MRI i CT, na przykład na potrzeby planowania operacji |
| Oznaczanie zmian | zaznaczanie trudno widocznych nieprawidłowości, które następnie oceniają eksperci |
| Kontrola jakości | sprawdzanie, czy badania nadają się do oceny, zanim ktoś straci na nie czas |
| Przebieg pracy | wstępne sortowanie i rejestracja badań oraz przygotowanie pomiarów |
| Wizualizacja 3D | budowanie modeli z posegmentowanych struktur na potrzeby planowania i edukacji pacjentów |
Dwa projekty w praktyce
W praktyce: apoQlar
Platforma VSI HoloMedicine® pokazuje chirurgom anatomię pacjenta w 3D przez gogle XR. Wcześniej radiolodzy i technicy obrysowywali struktury ręcznie, warstwa po warstwie, przez wiele godzin na każdego pacjenta. Opracowaliśmy modele U-Net dla obrazów MRI i CT, po jednym wariancie na każdą strukturę docelową. Segmentacja trwa teraz kilka sekund zamiast kilku godzin, przy stałej jakości i powtarzalnych pipeline’ach w Azure ML.
W praktyce: Hamburskie Centrum Padaczki
Ogniskowe dysplazje korowe to częsta przyczyna padaczki lekoopornej i bywają ledwo widoczne w badaniu MRI. Razem z Centrum Padaczki przy Evangelisches Krankenhaus Alsterdorf opracowaliśmy sieć neuronową, która zaznacza te zmiany. W badaniu prospektywnym osiągnęła 90% czułości i 70% swoistości. Wyniki opublikowano w dwóch recenzowanych artykułach naukowych.
Jak model rozwijano dalej dzięki uczeniu ciągłemu, opisujemy w artykule AI, która uczy się i dostosowuje.
Czego potrzebują takie projekty
- Dane z adnotacjami: badania, na których eksperci starannie zaznaczyli struktury docelowe lub zmiany. Od ich jakości zależy jakość modelu.
- Współpraca kliniczna: radiologia, neurologia lub chirurgia określają, co ma zostać znalezione i kiedy wynik jest przydatny.
- Identyfikowalność: zbiory danych, trening i ewaluacja są w pełni udokumentowane, dzięki czemu można później sprawdzić, jak model doszedł do wyniku.
- Ochrona danych w eksploatacji: jeśli wymagają tego dane pacjentów, modele działają we własnej infrastrukturze, a dokumenty są najpierw anonimizowane.
- Dopasowanie do przebiegu pracy: wyniki muszą trafiać tam, gdzie ludzie pracują, na przykład bezpośrednio do oprogramowania do planowania.
Jak szpitale i firmy MedTech mogą zacząć
- Wskaż wąskie gardło: który krok w obrazowaniu zajmuje dziś najwięcej czasu albo prowadzi do niespójnych wyników?
- Sprawdź dane: jakie badania i adnotacje są dostępne i w jakiej jakości?
- Zbuduj prototyp na własnych danych: jeden model dla jednej struktury lub jednego typu zmian, porównany z oceną ekspertów.
- Włącz go w przebieg pracy: dopiero gdy wyniki są przekonujące, zintegruj ten krok z istniejącym oprogramowaniem.
Więcej zastosowań, od anonimizacji wypisów lekarskich po kwestionariusze bezpieczeństwa, znajdziesz na stronie AI w ochronie zdrowia i MedTech.
Chcesz usprawnić obrazowanie w szpitalu lub w swoim produkcie?
Sprawdzamy, który krok nadaje się dla AI, jakie dane są dostępne i jak może wyglądać pierwszy prototyp.
Zapytaj o analizę procesuNajczęściej zadawane pytania
Na przykład do automatycznej segmentacji struktur w badaniach MRI i CT, oznaczania trudno widocznych zmian, kontroli jakości badań, usprawniania przebiegu pracy i tworzenia modeli 3D do planowania operacji.
Nie. AI zaznacza, mierzy i przygotowuje. Ocena i decyzja należą do ekspertów.
Badań, na których eksperci starannie zaznaczyli interesujące struktury lub zmiany. Liczba i jakość tych adnotacji decydują o tym, jak dobry będzie model.
Tak. Jeśli wymagają tego dane pacjentów, modele działają na własnych serwerach albo w chmurze szpitala lub firmy.
Julia jest w theBlue.ai od 2019 roku i od początku istnienia firmy obserwuje z bliska, jak powstają aplikacje AI dla przedsiębiorstw. Jako Marketing Lead ściśle współpracuje z zespołami inżynierów i doradców, a złożone tematy techniczne przekłada na język zrozumiały dla osób decyzyjnych.
W swoich artykułach pisze o praktycznych doświadczeniach z projektów enterprise AI oraz o wyzwaniach i szansach, jakie AI daje firmom.