W rozpoznawaniu raka prostaty na podstawie obrazowania metodą rezonansu magnetycznego sztuczna inteligencja (AI) osiąga skuteczność porównywalną do doświadczonych radiologów. Może więc ich wspierać w podejmowaniu decyzji diagnostycznych - przekonuje w rozmowie z “Pulsem Medycyny” dr inż. Piotr Sobecki, specjalista informatyki medycznej. Wyjaśnia także, w jaki sposób AI dokonuje procesu automatycznej diagnostyki.

Kluczowe w diagnostyce raka prostaty jest badanie histopatologiczne materiału tkankowego pobranego od pacjenta podczas biopsji. Jeśli w materiale zostaną wykryte komórki nowotworowe, w opisie badania będzie podana wartość w skali Gleasona - parametr określający stopień złośliwości raka gruczołu krokowego.

Ocena ryzyka progresji raka

– Zanim jednak zostanie wykonana biopsja prostaty, trzeba zidentyfikować potencjalną zmianę nowotworową i ją zwalidować. W tym celu wykonuje się obrazowanie metodą multiparametrycznego rezonansu magnetycznego (ang. multiparametric magnetic resonance imaging, mpMRI) - wskazuje kolejność działań dr inż. Piotr Sobecki, kierownik Laboratorium Stosowanej Sztucznej Inteligencji w Ośrodku Przetwarzania Informacji — Państwowym Instytucie Badawczym.

Precyzuje, że radiolog klasyfikuje uwidocznione na obrazie MRI zmiany, kierując się systemem oceny, jakim jest pięciopunktowa skala PI-RADS v2.1 (ang. Prostate Imaging Reporting and Data System).

– Skala PI-RADS szacuje, jakie jest prawdopodobieństwo, że zmiany uwidocznione na obrazie MRI są istotnymi klinicznie postaciami raka prostaty, czyli o dużym ryzyku progresji. Punktem odcięcia jest kategoria oceny PI-RADS 3 oznaczająca prawdopodobieństwo obecności raka prostaty istotnego klinicznie jako niejednoznaczne. Zgodnie z wytycznymi urologicznymi, w przypadku wartości PI-RADS przynajmniej 3 należy rozważyć biopsję stercza — mówi ekspert.

Wysoka efektywność MRI gruczołu krokowego

Wymieniając zalety obrazowania metodą rezonansu magnetycznego dr inż. Piotr Sobecki, wskazuje na dokładność w określaniu położenia zmian, a także wysoką precyzję, która pozwala szczegółowo oszacować istotność kliniczną zmian. Jednocześnie zaznacza, że jest to badanie bardzo pracochłonne dla radiologa:

– Podczas wykonywania rezonansu magnetycznego prostaty stosuje się różne metody obrazowania zmian. Oznacza to, że każdą otrzymaną sekwencję trzeba oceniać osobno, na każdej z nich określając wiele cech nowotworu. Taka analiza wymaga specjalistycznej wiedzy radiologów, których w Polsce brakuje. Wpływa to negatywnie na dostępność tego badania i koszty jego wykonywania.

Problemem jest także subiektywność oceny otrzymanych obrazów, ponieważ określenie cech zmian nowotworowych prostaty (takich jak m.in.: jednorodność, ogniskowość, kształt czy marginesy) zależy od wiedzy i doświadczenia radiologa.

– Nie ustalono wartości liczbowych, które muszą być spełnione, by cechy nowotworu były poprawnie określone, dlatego radiolodzy różnie je interpretują. Z przeprowadzonych przez nas badań wynika, że poziom zgodności radiologów w ocenie poszczególnych cech nowotworu na tym samym obrazie jest średni. Jednak standard diagnostyczny PI-RADS jest tak skonstruowany, że mimo to efektywność badania MRI stercza jest wysoka - przekonuje dr inż. Piotr Sobecki.

Systemy komputerowego wspomagania diagnostyki

Jak wyjaśnia ekspert, z pomocą przychodzą różne systemy wspomagania diagnostyki, m.in. systemy komputerowego wspomagania detekcji i diagnozy (ang. Computer-Aided Detection and Diagnosis, CAD), które bazują na przetwarzaniu sygnałów, metodach uczenia maszynowego lub głębokiego - podzbiorze metod uczenia maszynowego bazującym na sztucznych sieciach neuronowych.

– Systemy dzielą się na dwie grupy: systemy CADe (ang. Computer-aided detection), pozwalające na wykrycie podejrzanych zmian w prostacie i uwidocznienie ich na obrazie MRI, oraz systemy CADx (ang. Computer-aided diagnosis), które dokonują charakterystyki zmian, a więc pomagają w ich ocenie. Technologie te uwidoczniają cechy nowotworu, analizują je i wprowadzają metody klasyfikacji tych cech, co umożliwia określenie stopnia prawdopodobieństwa, że dana zmiana jest istotna klinicznie — mówi dr inż. Piotr Sobecki.

Dostępne są również systemy raportowania strukturalnego wspomagane algorytmami AI. Usprawniają one warsztat pracy radiologa.

– Radiolodzy w swojej codziennej pracy wchodzą w interakcję z systemami raportowania. W większości przypadków są to podstawowe systemy, w których radiolog musi opisać to, co widzi na obrazie MRI. Wynik badania jest więc narracyjny. Systemy raportowania strukturalnego pozwalają na wprowadzenie struktury do raportu badania, dzięki czemu radiolog musi jedynie uzupełnić poszczególne informacje. Są one potrzebne klinicyście do dalszego postępowania z pacjentem, a raport badania jest generowany automatycznie na podstawie wprowadzonych danych. Systemy te usprawniają więc komunikację pomiędzy klinicystą a radiologiem i zapewniają kompletność informacji potrzebnych do podejmowania decyzji klinicznych - tłumaczy specjalista.

– Badania prowadzone w Laboratorium Stosowanej Sztucznej Inteligencji w OPI — kontynuuje — koncertują się na tym, aby pogodzić ze sobą dwie omówione koncepcje, tzn. żeby wprowadzić metody wspomagania detekcji i diagnostyki na poziomie systemów raportowania strukturalnego.

Dziedzina badań, której poświęcili uwagę polscy naukowcy, jest nowa i nie ma jeszcze oficjalnej nazwy. Jednak w ciągu ostatnich lat pojawiło się pojęcie ją opisujące — computer aided reporting and decision support (CAR-DS), czyli raportowanie wspomagane komputerowo.

– Niemniej jednak — dodaje badacz — rzeczywiście są potrzebne metody, które wspomogą radiologów w ocenianiu cech nowotworu, a także w opisie obrazów uzyskanych podczas rezonansu magnetycznego prostaty.

Platforma standaryzacji opisów badań medycznych

Według dr. inż. Piotra Sobeckiego, tworzona w OPI platforma badawcza eRADS ułatwia wykonywanie opisu badania poprzez strukturalną formę tworzenia raportu:

– W pierwszej kolejności wybieramy terminy radiologiczne i cechy nowotworu, które są spójne dla oceny badań radiologicznych, zgodnej ze standardami. Następnie integrujemy terminy i cechy w ramach raportu strukturalnego. W ten sposób powstają jednolite normy opisu. Dzięki temu radiolog przy interakcji z raportem strukturalnym nie opisuje już wyniku badania, tylko zaznacza w formularzu określone cechy. Tak jest tworzony tekst badania.

– Mało tego, na podstawie cech obrazowych ocenianej zmiany, które określił radiolog, platforma eRADS pozwala ustalić jej istotność kliniczną, kierując się określonymi cechami i standardem diagnostycznym, oceniając ją w pięciostopniowej skali PI-RADS. W ten sposób wprowadzony został element wspomagania decyzji — dodaje ekspert.

Ta koncepcja została już opracowana. Obecnie prowadzone są dalsze badania nad integracją bardziej zaawansowanych modeli sztucznej inteligencji. Pozwolą one platformie eRADS na dokonanie analizy obrazów MRI i automatyczne wygenerowanie opisu badania. W tym celu wykorzystywane są metody uczenia głębokiego, uczenia maszynowego czy też metoda radiomiki.

Podstawa do rzetelnej weryfikacji oceny

– Jednocześnie modele sztucznej inteligencji dostarczą wyjaśnień, na jakiej podstawie dokonały danej oceny. Jest to potrzebne m.in. po to, aby radiolog mógł zweryfikować, czy dana ocena jest rzeczywiście prawidłowa, czy nie nastąpiła jakaś pomyłka wynikająca np. z zaburzenia w danych — mówi dr inż. Piotr Sobecki.

Efektem prac specjalistów z OPI jest platforma szkoleniowa, która powstaje w ramach projektu „Radiologia wzmacniana AI — wykrywanie, raportowanie i podejmowanie decyzji klinicznych w diagnostyce raka prostaty”. Partnerem naukowym projektu jest Dolnośląskie Centrum Onkologii, Pulmonologii i Hematologii we Wrocławiu. Projekt uzyskał dofinansowanie w ramach I konkursu INFOSTRATEG, ogłoszonego przez NCBR.

Kluczowe dane do trenowania algorytmu

Aby predykcje dokonywane przez sztuczną inteligencję były wyjaśnialne, potrzeba dużej liczby danych wysokiej jakości oraz adnotacji przygotowanych przez specjalistów. To właśnie na nich jest trenowany algorytm AI. W omawianym przypadku takimi danymi są obrazy MRI prostaty opisane przez radiologów. Zespół z OPI zebrał już ich w sumie 500 — mniej więcej taka ilość jest potrzebna do stworzenia rozwiązań opartych o metody sztucznej inteligencji.

– Do tego etapu naszej pracy badawczej angażujemy cały zespół radiologów, który opisuje dane obrazowe zgodnie z naszym standardem opisu i wprowadza je do systemu. Dzięki temu otrzymujemy określone cechy nowotworu stercza, które świadczą m.in. o jego istotności klinicznej.

Dodatkowo prosimy radiologów o obrysowanie na obrazach rezonansu magnetycznego prostaty jej poszczególnych stref, a także zmian, które się w nich znajdują. Przygotowanie danych do wyuczenia algorytmu jest więc bardzo praco- i kosztochłonne — powiedział dr inż. Piotr Sobecki.

Mając takie dane, można wytrenować algorytmy uczenia głębokiego w taki sposób, aby automatycznie znajdowały i nauczyły się reprezentacji cech, które świadczą o istotności klinicznej danej zmiany.

– Możemy również zweryfikować skuteczność algorytmów w ocenie istotności klinicznej zmian. Oczywiście, zdajemy sobie sprawę, że ocena dokonana przez radiologa jest subiektywna, ale chcemy określić, na ile jest ona prawdziwa. Jeśli trzech radiologów oceni obraz MRI w taki sam sposób, to będziemy w stanie z dużym prawdopodobieństwem stwierdzić, że opis badania jest prawidłowy i będziemy mogli go wykorzystać do nauki naszych modeli — przekonuje ekspert.

Podkreśla przy tym, że modele sztucznej inteligencji są tak dobre, jak dane, na których zostały wytrenowane. Dlatego przy tworzeniu rozwiązań AI tak ważne jest skupienie się na zebraniu wysokiej jakości danych. Należy także odnotować, że dane z badania MRI prostaty są integrowane z badaniami histopatologicznymi, by stwierdzić, czy podejrzana zmiana rzeczywiście jest zmianą nowotworową, czy nie.

Efektywność jak u doświadczonego radiologa

W toku prac badawczych przeprowadzonych w 2020 r. porównano ocenę obrazów MRI prostaty, dokonaną przez modele uczenia głębokiego, z diagnozami postawionymi przez doświadczonych i niedoświadczonych radiologów. Analizą objęto 6 radiologów, którzy ocenili 32 podejrzane zmiany w obrazowaniu metodą rezonansu magnetycznego.

– Wykazano, że metody sztucznej inteligencji oparte na głębokich sieciach neuronowych w większości przypadków diagnozują zmiany tak dobrze, jak doświadczeni radiolodzy, a niekiedy osiągają nawet lepszą jakość diagnostyczną. Dotyczy to szczególnie sytuacji, gdy trzeba ocenić zmiany pochodzące ze stref prostaty, które nie są objęte standardem diagnostycznym, tzn. w wytycznych nie zdefiniowano, w jaki sposób oceniać zmiany w danych strefach — wyjaśnia dr inż. Piotr Sobecki.

Głos niezależnego eksperta

Kierownik Laboratorium Stosowanej Sztucznej Inteligencji w OPI podkreśla, że finalnym celem prowadzonych badań jest możliwość automatycznego generowania wyników badania MRI gruczołu krokowego przez sztuczną inteligencję. Jak przekonuje, w ten sposób AI będzie wspierała radiologa w podejmowaniu decyzji diagnostycznych, co wpłynie na większą dostępność tego badania. Ostatecznie pozwoli to na ograniczenie liczby niepotrzebnie wykonywanych biopsji prostaty, które są badaniami inwazyjnym i trudnym ze względu na lokalizację, a dodatkowo wiążą się z powikłaniami.

– W przyszłości chcemy wykorzystywać sztuczną inteligencję jako obiektywnego obserwatora, niezależnego oceniającego, który jest w stanie zaopiniować, czy na danym obrazowaniu jest widoczna zmiana nowotworowa. Chcemy, aby radiolog otrzymał swego rodzaju drugą, niezależną opinię — argumentuje dr inż. Piotr Sobecki.

Sztuczna inteligencja jest pozbawiona ograniczeń lekarza: nie jest przeciążona pracą i nie sugeruje się pewnymi okolicznościami, które mogą wynikać z obrazu klinicznego pacjenta.

Obiektywizm nabywany z liczbą przyswojonych danych

Ekspert zwraca jednak uwagę, że obiektywność modeli sztucznej inteligencji jest ściśle powiązania z liczbą i jakością danych, na których został wyuczony algorytm:

– Sztuczna inteligencja jest obiektywna na tyle, na ile obiektywne są dane, na których został wytrenowany algorytm. Nie można wyuczyć algorytmów, bazując na badaniach pochodzących tylko z jednego rezonansu magnetycznego. Dlatego tak ważne jest gromadzenie danych z wielu ośrodków, integracja wielu ich źródeł, które — co należy podkreślić — muszą dobrze odwzorowywać wszystkie możliwe przypadki. Jeśli obraz MRI poddawany analizie będzie inny niż obrazy, które algorytmy widziały wcześniej, sztuczna inteligencja może popełniać błąd diagnostyczny — zauważa informatyk medyczny.

Unaocznia to, dając przykład:

– Algorytmy sztucznej inteligencji, wytrenowane tylko na danych obrazowych, w których była nadreprezentatywność przypadków pozytywnych raka prostaty, mogą być „uprzedzone” do obrazów MRI, przedstawiających przypadki bezwzględnie negatywne. Sztuczna inteligencja będzie też miała problem z postawieniem diagnozy, jeśli obraz MRI odbiega od normy — wskazuje dr inż. Piotr Sobecki.

– Oczywiście radiolog może zweryfikować, czy wygenerowany opis badania odpowiada jego diagnozie. Jeśli zauważa fragmenty, z którymi się nie zgadza lub uważa za błędne, może wejść w formularz raportu strukturalnego i sprawdzić, w jaki sposób sztuczna inteligencja dokonała oceny cech obrazowych, dlaczego różni się ona od jego rozpoznania. Jednocześnie radiolog może dokonać korekty. Wtedy tekst badania wygeneruje się jeszcze raz — precyzuje.

Potrzebna wiedza dziedzinowa lekarzy

Ekspert z OPI zwraca uwagę, że radiolog — w przeciwieństwie do AI — jest w stanie prawidłowo ocenić obraz badania wyglądający inaczej niż obrazy, które dotychczas oceniał. Problemem nie jest również obraz pod pewnymi względami odbiegający od normy. W całym procesie tworzenia modeli sztucznej inteligencji kluczowa jest więc wiedza dziedzinowa lekarzy.

– Modele sztucznej inteligencji, które przygotowujemy, analizują małe wycinki rzeczywistości, bazują na pewnych „snapshotach”, czyli na danych zebranych w konkretnym momencie. Dlatego przygotowanie nowych rozwiązań AI wymaga powtórzenia procesu zbierania i modelowania danych. Z tego też powodu modele sztucznej inteligencji — w przeciwieństwie do lekarza — nie są w stanie holistycznie rozumieć danego przypadku. Wiedza dziedzinowa lekarzy jest więc bardzo potrzebna — nie tylko w celu przeprowadzenia diagnozy, ale także po to, aby w ogóle móc projektować rozwiązania AI. Lekarze muszą być częścią zespołów badawczych pracujących nad AI, żeby dzielili się wiedzą dziedzinową — uważa dr inż. Piotr Sobecki i zaznacza:

– Sztuczna inteligencja w diagnostyce obrazowej raka prostaty nie jest celem samym w sobie. Wprowadzamy ją, aby wspomagać radiologa. Celem naszych działań jest stworzenie metod zwiększania zdolności poznawczych klinicystów. Dlatego w kontekście radiologii i w ogóle medycyny powinno się mówić bardziej o intelligence augmentation (IA), czyli o wzmacnianiu inteligencji niż o sztucznej inteligencji.

Ekspert przypomniał komentarz jednego z doświadczonych radiologów, dotyczący tego, gdzie rozwiązania sztucznej inteligencji miałyby zastosowanie, na czym mu najbardziej zależy.

– Wyjaśnił, że dla niego najciekawsze i najbardziej fascynujące jest rozwiązywanie zagadki. Jest nią ocena badania, gdy patrzy na różne modalności w obrazie MRI i ustala cechy zmian. Po jakimś czasie jest w stanie poukładać wszystkie „puzzle” w jedną całość. Potem przychodzi najbardziej pracochłonny, żmudny i nudny moment — przełożenie tego, co wie, na tekst badania. Wydaje się, że nasza propozycja integracji sztucznej inteligencji z systemami raportowania strukturalnego jest optymalną formą wspomagania radiologów w procesie diagnostyki — przekonuje dr inż. Piotr Sobecki.

Wykorzystanie w innych obszarach onkologii

Jeśli dzięki AI uda się zoptymalizować pracę radiologów, to, zdaniem eksperta, można rozważyć zastosowanie rezonansu magnetycznego w skriningu raka prostaty.

– W Wielkiej Brytanii obrazowanie metodą rezonansu magnetycznego było już rozpatrywane jako badanie przesiewowe w kierunku raka prostaty w toku przeprowadzonych badań w ramach projektu ReImagine. Mając rozwiązania sztucznej inteligencji, które są w stanie znacznie przyspieszyć ocenę obrazowania tą metodą, można rozpatrzyć tę rolę badania MRI — twierdzi informatyk.

Jak wskazuje dr inż. Piotr Sobecki, metodologia opracowana przez zespół z OPI jest uniwersalna, dzięki czemu można ją wykorzystać w celu wspomagania specjalistów z innych obszarów onkologii:

– Ciągle poszukujemy kolejnych projektów badawczych, w których moglibyśmy wykorzystać opracowaną metodologię, bazującą na integracji modeli sztucznej inteligencji w systemach raportowania strukturalnego. Jesteśmy otwarci na współpracę z zespołami badawczymi — szczególnie zależy nam na zaangażowaniu diagnostów i klinicystów w prace nad kolejnymi problemami — powiedział dr inż. Piotr Sobecki.

Monika Majewska