Uplatnění umělé inteligence v programech časné detekce karcinomůProgram časné detekce karcinomu prostaty – screeningový program, který využívá umělou inteligenci? Poznatky z něj odbornému publiku v Plzni odprezentoval pan profesor Jiří Ferda během semináře na čtyřicátém pátém Českém radiologickém kongresu. Za první kvartál roku se screeningu zúčastnilo už přes třicet tisíc mužů, což je na poměry České republiky číslo nevídané.

„V rámci časné detekce karcinomu prostaty se opíráme o multiparametrický protokol zobrazení a vynecháváme kontrastní vyšetření, vyjma situací, kdy máme nejednoznačný patologický nález v oblasti periferní zóny. Ve screeningovém programu je pro nás důležité měření správného objemu, neboť jedním ze vstupních parametrů je zvýšená hodnota density PSA,“ popsal Jiří Ferda. „Správná volumetrie je v tomto případě klíčová, protože hodnoty, které vypočítávají lékaři z urologie na ultrasonografických vyšetřeních, jsou značně nepřesné.

“Umělá inteligence se v praxi dokáže uplatnit díky detekci patologických ložisek. Právě tady může být velmi užitečná: Jak totiž ukázala data prezentována profesorem Ferdou, využití umělé inteligence u diagnostického popisování jednotlivých vyšetření magnetickou rezonancí dokáže výrazně urychlit práci. V tomto případě se využívají algoritmy hlubokého učení, které se mohou ze vstupních dat a následných úprav učit – podobně, jako sami lékaři.

Užitečné jsou algoritmy též v akvizici dat. „Umělá inteligence je mnohem šikovnější a přesnější než ruka každého z nás. Když zkontrolujeme, jak je umělou inteligencí označena prostata, jak je vypočítaný objem přechodové zóny, periferní zóny a celkový objem v mililitrech, tak tam jsme na tom daleko hůř než umělá inteligence. Pokud máme malou prostatu a správně zadanou hodnotu PSA, pak nám to vypočítá systém sám a výsledná denzita je velmi dobrý ukazatel přítomnosti karcinomu,“ uvedl Jiří Ferda. Dalším krokem je označení ložiska, což už je značně obtížnější situace. I tady ale umělá inteligence může pomoci – zlepšením kvality obrazu, díky čemuž je detekce ložisek pro lékaře snazší. V případě úspěšného zvýšení kvality lze lépe vidět ohraničené jednotlivé struktury, avšak ani tady nemusí být umělá inteligence stoprocentní. Dojde-li k pohybovému artefaktu, například vlivem činnosti svěrače, může naopak kvalitu podstatně zhoršit. Bez lidské odbornosti se tudíž ani datová stránka lékařské práce hned tak neobejde.

Zvýšení kvality či ostrosti obrazu není v rámci technologií nic nového; díky zvýšení výkonu zařízení, cloudovým úložištím a pokrokům v hlubokém učení je ale nyní možné vše provést efektivněji, rychleji a především kvalitněji, což je v oblasti, kde jde o správnou diagnózu potenciálně život ohrožujícího nádoru, naprosto klíčové.

„Často používaná“, pokračuje profesor Ferda, „je umělá inteligence v oblasti vyhledávání ložisek, tedy automatické detekce podezřelých nálezů. Díky volumetrii jsou v případě snímků prostaty dobře vidět jednotlivé oblasti, dá se změřit objem ložiska a dá se tím řídit jako určitým návodem k PI-RADS klasifikaci – tu sama umělá inteligence nevytvoří.

Označené ložisko je dále vždy potřeba ověřit. Každá léze je radiologem vyhodnocena a v předvyplněné tabulce zhodnotí skóre nálezu, načež následuje výstup reportu, export datového souboru a algoritmus pomůže i s označením ložiska pro sonografickou navigaci u biopsie urologa.“

Problémem umělé inteligence v této oblasti jsou nálezy algoritmu, které se neshodují s názorem radiologa. Profesor Ferda, který se tématu věnuje dlouhodobě, zaznamenal za poslední rok podstatné zlepšení v rámci využívaných nástrojů. Proběhlo několik aktualizací jak u softwaru instalovaného on-premises, tak u cloudové aplikace, a obě mají lepší výsledky než minulý rok.

„Dnes se musíme věnovat hlavně falešné pozitivitě – nikoli negativitě. Ložiska jsou vyhledávána dobře. Falešná pozitivita plyne z toho, že vedle prostaty máme bohužel orgán, který mění svou susceptibilitu, velikost, a mění tím polohu prostaty – rektum a jeho plynná náplň,“ upozorňuje. Mezi dvěma sekvencemi, difuzní a T2 váženou, může být značný posun prostaty a značná distorze obrazu. Proto je nutné pečlivě sledovat podezřelé léze, které algoritmus označí, a ujistit se, že zde skutečně podezřelý nález je.

Ačkoli se software zlepšil, falešně pozitivní nálezy stále představují značně nebezpečný jev, obzvláště u mladých lékařů; přestože je tedy zlepšování umělé inteligence pozitivním jevem, druhé čtení zůstává zcela nezbytné.

„To, co umělá inteligence zatím nedokáže, je správné hodnocení extraprostatické extenze. U každého ložiska je proto nutné, abychom extraprostatickou extenzi hodnotili zvlášť,“ vysvětluje a dodává, že umělá inteligence stále nedokáže správně zhodnotit různé rozsáhlé nálezy typu infiltrace nervově cévního svazku nebo extraprostatické postižení uzlinami nebo kostními metastázemi.

Proč tedy umělou inteligenci používat? Díky rekonstrukčním algoritmům dojde ke zvýšení rovnoměrnosti kvality jednotlivých snímků a novým radiologům umělá inteligence výrazně urychlí učení – popisování snímků a rozpoznávání tumorů se začínající radiolog naučí snáz. U zkušených radiologů jde zase o vynikající nástroj na zkrácení doby vyšetření. Díky předpřipravení nálezu trvá zkušenému radiologovi popsat screeningové vyšetření prostaty pouhých několik desítek sekund.

Zajímavé využití nalézá umělá inteligence v případě, kdy není pacientova situace zcela jasná. Kliniky se dnes snaží vyhýbat nálezu PI-RADS 3, což znamená nejasný nález, u kterého není jistá pravděpodobnost. Ve screeningovém programu je ale něco takového značně nežádoucí.

Zkušení radiologové mají obvykle kolem třetiny případů označených jako PI-RADS 3. Zajímavé je, že u umělé inteligence jde o poměr výrazně nižší, neboť ložiska umí vyhledávat velmi dobře a patologické nálezy odhaluje leckdy lépe než člověk.