Будущее сонографии: Понимание ограничений искусственного интеллекта в ультразвуке
Появление технологий искусственного интеллекта в области медицинской визуализации вызвало множество споров о будущем специалистов в этой области. Хотя опасения по поводу потенциальной избыточности специалистов-людей сохраняются, крайне важно следить за развитием ИИ и его возможным применением в ультразвуковой диагностике. В этой статье мы рассмотрим уникальные проблемы, препятствующие полной замене ИИ, и подчеркнем необходимость преодоления этих препятствий для полного использования потенциала УЗИ в клинической практике. Незнание порождает страх! Поэтому будьте информированы и уверенно ориентируйтесь в том, как технологии искусственного интеллекта повлияют на вашу профессиональную деятельность.
ИИ уже занял свое место в КТ и МРТ
Технологии искусственного интеллекта уже добились значительных успехов в большинстве областей медицинской визуализации, особенно в таких видах поперечной визуализации, как КТ и МРТ. Начиная с 1980-х годов системы глубокого обучения (Deep learning), основанные на больших массивах данных («Big data»), нашли свое применение в радиологии благодаря воспроизводимости, и высокому разрешению изображений, получаемых при КТ, МРТ и ядерной медицине. ИИ используется для решения таких задач, как компьютерное обнаружение (или компьютерная диагностика, CAD), сегментация поражений, мониторинг процесса заболевания и даже автоматическая диагностика. Ожидалось, что их высокая чувствительность повысит точность, что и было достигнуто в определенной степени. Однако низкая специфичность может привести к высоким показателям ложноположительных результатов, особенно при выявлении злокачественных опухолей, что влечет за собой ряд ненужных диагностических шагов. Поэтому крайне важно, чтобы в диагностическом процессе центральное место занимали специалисты-люди, а алгоритмы служили дополнительными инструментами, позволяющими избежать недооценки патологий.
ИИ в ультразвуковом исследовании — уникальные проблемы
Ультразвуковое исследование ставит особые задачи, которые делают интеграцию искусственного интеллекта более сложной. В отличие от других методов визуализации, операторы должны выбирать области и органы для сканирования, что приводит к изменению полноты и плотности имеющихся данных. Если конкретная область, представляющая интерес, не сканируется, ИИ не может компенсировать недостаток данных. Ультразвуковые исследования также включают в себя интерактивный компонент, когда сонографисты взаимодействуют с пациентами, чтобы улучшить визуализацию органов (с помощью вдоха, позиционирования и различных маневров). Кроме того, ультразвуковые исследования включают в себя клинические аспекты, выходящие за рамки получения изображений. Таким образом, интеграция клинической информации в алгоритмы глубокого обучения будет иметь большое значение для их эффективности. Пожалуй, самыми серьезными проблемами при рассмотрении внедрения ИИ в УЗИ являются зависимость от оператора и изменчивость изображений. Как получение изображения, так и диагностика в значительной степени зависят от оператора. Изображения различаются не только у разных операторов, но и у разных производителей УЗИ, а также при различных настройках аппарата.
Потребность в «Big Data»
Внедрение ИИ в значительной степени зависит не только от качества изображения, но и от его количества. Однако, когда речь заходит об ультразвуковых данных, их заметно меньше, чем в других модальностях, что способствует замедлению темпов развития ультразвуковой диагностики на основе ИИ. Настройка алгоритмов глубокого обучения часто опирается на ретроспективные данные и ограниченные, единичные наборы данных от отдельных медицинских центров или поставщиков. Приобретение всеобъемлющих наборов данных может быть затруднено из-за ограничений, связанных с собственностью, и этических проблем, связанных с большими наборами данных пациентов. Создание больших, проверенных наборов данных визуализации в проспективном режиме имеет решающее значение.
Используя методы трансферного обучения и тонкой настройки, можно адаптировать предварительно обученные системы DL для учета новых входных данных ультразвуковых изображений.
Что ждет нас впереди?
Несмотря на то, что технология искусственного интеллекта способна изменить область ультразвуковых исследований, уникальные задачи и зависимость ультразвуковых исследований от оператора являются препятствием для полной автоматизации. Текущие приложения сосредоточены на руководстве оператором для стандартизации получения изображений, часто с обратной связью в реальном времени о качестве изображения. Инструменты искусственного интеллекта могут автоматически выбирать изображения из ранее полученных контуров, например, при анализе отслеживания спеклов. Другой пример в эхокардиографии — количественная оценка фракции выброса (auto-EF) с помощью ИИ, которая уже доступна во многих ультразвуковых аппаратах с относительно высокой точностью. В целом еще многое предстоит сделать для обеспечения максимальной стандартизации данных ультразвуковой визуализации. Кроме того, создание больших баз данных, совместно используемых различными поставщиками услуг, и PACS (Picture Archiving and Communication System) из разных медицинских учреждений с хорошо обработанными данными изображений может значительно повысить точность алгоритмов глубокого обучения.
Будущая интеграция ИИ должна рассматриваться как инструмент, расширяющий возможности сонографов, а не заменяющий их опыт. Необходимы совместные усилия для стандартизации ультразвуковых исследований, повышения квалификации операторов путем обучения, включая обратную связь с помощью инструментов ИИ, и разработки точных алгоритмов ИИ для предоставления второго мнения по обнаружению и диагностике патологий, чтобы обеспечить синергетическое взаимодействие ИИ и специалистов-людей в будущем сонографии.
Не стесняйтесь исследовать сферу ИИ в ультразвуке. Возможно, будет разумнее оставаться информированным, использовать критическое мышление и погрузиться в возможности, которые лежат впереди, а не закрывать на них глаза.
