Oportunistyczna sztuczna inteligencja do skanów medycznych

Poniższe po raz pierwszy pojawiły się w Podstawa Erica Topola, MD, zatytułowanej Ground Truths.

W tym tygodniu nowe badanie z wykorzystaniem prześwietlenia klatki piersiowej przyćmiło zbiór wielu innych badań dotyczących wykorzystywania skanów medycznych do niezamierzonych celów diagnostycznych, dla których zaczęto przyjmować termin „oportunistyczny”.

Nowe badanie

Lek. Eric Topol

Skala ryzyka miażdżycowej choroby sercowo-naczyniowej (ASCVD), oparta na 9 zmiennych, jest najczęstszym sposobem, w jaki klinicyści ilościowo oceniają ryzyko chorób serca u pacjentów w ciągu następnych 10 lat pod kątem głównych niepożądanych zdarzeń CV (MACE), takich jak zawał serca, udar i zgon z przyczyn sercowo-naczyniowych . Możesz teraz użyć nomogramu, aby gwałtownie obliczyć swój wynik. Głównym rezultatem jest kategoryzacja ryzyka na 4 grupy i zalecenia dotyczące stosowania statyn. Szczegóły dotyczące statyny i dawki znajdują się w linku.

Jakob Weiss i współpracownicy postawili hipotezę, iż ASCVD można uzyskać na podstawie prześwietlenia klatki piersiowej. Jeszcze kilka lat temu wydawałoby się to wysoce nieprawdopodobne i stanowiłoby realny zasięg. Najpierw opracowali model wykorzystujący bardzo duży zbiór danych z badań przesiewowych w kierunku raka, obejmujący ponad 40 000 uczestników i > 147 000 prześwietleń klatki piersiowej. Po wieloletniej obserwacji zdarzeń sercowo-naczyniowych w tej dużej kohorcie przeprowadzili niezależne badania 2 różnych grup pacjentów z Mass General Brigham: jednej kohorty składającej się z 2132 pacjentów ze znanym ryzykiem ASCVD i kolejnej 8869 z nieznanym ryzykiem (w sumie 11 001).

Uderzającym rezultatem końcowym jest to, iż AI prześwietlenia klatki piersiowej pod kątem ryzyka była lepsza niż ASCVD! Lepsze, ponieważ zidentyfikowało znacznie więcej osób, które odniosłyby korzyść z terapii statynami, co stanowi główny wynik oceny ryzyka ASCVD.

Ma to niezwykłą użyteczność, ponieważ często brakuje danych do obliczenia ASCVD (takich jak wartości cholesterolu lub skurczowe ciśnienie krwi). W raporcie bieżącym było ono dostępne jedynie u 19% pacjentów (2132 z 11 001). Prześwietlenie klatki piersiowej jest najczęstszym rodzajem uzyskiwanego obrazu medycznego — w samych Stanach Zjednoczonych wykonuje się je ponad 70 milionów rocznie! Chociaż nie zlecalibyśmy prześwietlenia klatki piersiowej w celu określenia ryzyka CV, pomyśl o dużej liczbie osób, które otrzymałyby te informacje „bezpłatnie” w postaci odczytu ze skanu. Oczywiście raport ten należy niezależnie odtworzyć, zanim stanie się częścią rutynowych interpretacji prześwietlenia rentgenowskiego klatki piersiowej, ale daje on poczucie bogatych informacji zawartych w skanie, których ludzkie oko nie jest w stanie wykryć, ale w jakiś niewytłumaczalny sposób (dla w większości, patrz poniżej) w tym momencie cyfrowe, maszynowe oczy mogą to zrobić. Lepsza pierwotna profilaktyka chorób serca w ciągu następnej dekady może uratować życie znacznej liczbie osób posiadających te informacje.

Wcześniejsze badania

Wiele z nich mnie utknęło. Wykrycie cukrzycy na podstawie prześwietlenia klatki piersiowej nie było czymś, czego bym się spodziewał. Jednak głębokie uczenie się (DL) na podstawie ponad 271 000 prześwietleń klatki piersiowej u > 160 000 pacjentów zapewniło zaskakująco wysoką dokładność (AUC 0,84). Trzeba przyznać, iż badacze szukali wyjaśnienia, które okazało się, poprzez okluzję (analizowanie danych z regionami i bez) map, powiązanymi z poduszkami tłuszczowymi w klatce piersiowej.

Kolejnym takim osiągnięciem jest dokładne określenie frakcji wyrzutowej na podstawie zdjęcia rentgenowskiego klatki piersiowej na poziomie mniejszym lub większym niż 40%, przy AUC wynoszącym 0,92, poprzez trening krzyżowy na podstawie echokardiografii i wielu innych parametrów kardiologicznych. Podobnie jak ocena poziomu wapnia na podstawie prześwietlenia klatki piersiowej.

Wyobraź sobie przyszłe prześwietlenie klatki piersiowej z odczytami dotyczącymi ryzyka chorób serca, cukrzycy oraz tego, czy i w jakiej dawce należy rozważyć zastosowanie leku na przebarwienia.

W Stanach Zjednoczonych rocznie wykonuje się ponad 20 milionów tomografii komputerowej klatki piersiowej. Nie wykorzystuje się ich jednak do wykrywania raka trzustki, ryzyka choroby wieńcowej ani do określania poziomu wapnia w tętnicach wieńcowych. Kolejnym przykładem jest wykrycie ryzyka chorób serca na podstawie mammografii poprzez zwapnienie tętnic piersiowych. W przypadku tomografii komputerowej jamy brzusznej możliwość, jaką zapewnia sztuczna inteligencja, pozwala na znacznie dokładniejsze wykrywanie cukrzycy, ryzyka sercowo-naczyniowego lub wykrywania raka trzustki.

Co to wszystko oznacza

W ciągu ostatnich 8 lat zgromadziliśmy liczne dowody z setek badań z zakresu radiologii, iż sztuczna inteligencja oparta na głębokim uczeniu może potencjalnie zostać wykorzystana do zwiększenia dokładności interpretacji obrazów medycznych we wszystkich rodzajach skanów (prześwietlenia rentgenowskie, tomografia komputerowa, rezonans magnetyczny, PET , USG). Jednak ten zbiór danych koncentruje się na konkretnej interpretacji obrazu, takiego jak zapalenie płuc lub guzek płuca na zdjęciu rentgenowskim klatki piersiowej. Oportunistyczna interakcja skanów medycznych przedstawia coś zupełnie innego.

Jest to w dużej mierze nieoczekiwany zysk związany ze sztuczną inteligencją zastosowaną w obrazowaniu medycznym — możliwość wykorzystania oczu maszynowych do odkrycia tego, czego nie widzą eksperci-ludzi, co znacznie wzbogaci potencjalne wyniki skanów medycznych w przyszłości. Chociaż może to zapewnić znacznie większy zysk z każdej złotówki, na przykład dwa lub trzy dodatkowe wyniki poza badanym narządem, możliwe jest również, iż doprowadzi to do niepożądanych, przypadkowych, fałszywie pozytywnych wyników, które wymagają dalszej analizy . Dlatego tak ważne jest, aby to ustalić — aby zapewnić jednoznaczną ocenę korzyści i ryzyka przed próbą rutynowego wykorzystania tej metody w praktyce klinicznej. Pomocne byłoby również zobaczenie większej ilości pracy wykonanej w badaniu dotyczącym wykrywania cukrzycy dzięki promieni rentgenowskich klatki piersiowej, które dekonstruuje i wyjaśnia działanie modelu.

To kolejny przykład mocy oczu maszynowych, o której pisałem wcześniej, podobnie jak siatkówka będąca oknem na obserwacje wielu narządów. Znajduje się to w kontinuum nieoczekiwanego rozwoju sztucznej inteligencji w medycynie, co powinno skłonić nas do głębszego zastanowienia się nad tym, czego wciąż nam brakuje, a co można wykryć dzięki cyfrowych oczu. Albo uszy.

Dziękuję za przeczytanie i subskrypcję Prawdy gruntowe. Rozważ udostępnienie tego artykułu, jeżeli uznasz go za pouczający.