της Γεωργίας Αθ. Σκιτζή
Η τεχνητή νοημοσύνη μπορεί να αναλύσει εκατοντάδες εικόνες σε λίγα λεπτά και ανωμαλίες ταξινόμησης, έτσι ώστε οι ακτινολόγοι να μπορούν να δώσουν προτεραιότητα σε πιθανά κρίσιμα περιστατικά και να σώσουν ζωές. Ένας εμπειρογνώμονας από την αρχή Aidoc συζητά τις δυνατότητες.
Ο αριθμός των ιατρικών εικόνων που ελήφθησαν στα νοσοκομεία έχει ξεπεράσει τα όρια, σύμφωνα με μια μελέτη , από το 1999 έως το 2010, η μέση εξέταση CT αυξήθηκε από 82 εικόνες σε 679, ωστόσο ο αριθμός ακτινολόγων παρέμεινε στατικός. Ως αποτέλεσμα, οι κρίσιμες περιπτώσεις συχνά μπορούν να περιμένουν μια ώρα ή περισσότερο έως ότου εξεταστούν από έναν ακτινολόγο, και πάνω από το 97% όλων των ιατρικών εικόνων πηγαίνουν χωρίς περαιτέρω επεξεργασία.
Για να βοηθήσουμε την αντιμετώπιση αυτού του προβλήματος και να βοηθήσουμε τον πολυάσχολο ακτινολόγο, τα εργαλεία τεχνητής νοημοσύνης καλύπτουν το κενό. Σε αυτό το ταχέως αναπτυσσόμενο πεδίο, η ισραηλινή εκκίνηση Aidoc είναι πρωτοπόροι τρόποι βελτίωσης της ιατρικής ανάλυσης εικόνας.
Ποιες είναι οι κύριες απαιτήσεις που αντιμετωπίζουν οι ακτινολόγοι;
Elad Walach, CEO της Aidoc: Η μεγαλύτερη ζήτηση για ακτινολόγους είναι η μαζική αύξηση της ποσότητας απεικονίσεων που εκτελούνται σε ασθενείς. Οι προηγμένες τεχνικές απεικόνισης, όπως η CT και η μαγνητική τομογραφία, κάποτε χρησιμοποιήθηκαν μόνο για τις πιο σοβαρές περιπτώσεις, αλλά είναι πλέον συνήθεις διαγνωστικοί μηχανισμοί.
Οι εν λόγω απαιτήσεις οδηγούν σε σφάλματα;
Walach: Οι ακτινολόγοι είναι τεράστιοι ταλαντούχοι γιατροί, αλλά προφανώς, εάν έχουν λιγότερο χρόνο για να περάσουν σε κάθε ασθενή και κάθε εικόνα, υπάρχει αντίκτυπος. Αυτός ο αντίκτυπος έχει αντισταθμιστεί από τις βελτιώσεις στην ίδια την τεχνολογία απεικόνισης. Τα αποτελέσματα των ασθενών βελτιώνονται ακόμη, επειδή οι ακτινολόγοι βλέπουν περισσότερες εικόνες και εικόνες υψηλότερης ποιότητας. Αλλά η υπερφόρτωση σημαίνει ότι μερικές εικόνες δεν φαίνονται ποτέ, και μερικές φορές ένας γιατρός μπορεί να περάσει μόνο μερικά δευτερόλεπτα ανά εικόνα.
Πώς επηρεάστηκε η ακτινολογία από τον ψηφιακό μετασχηματισμό;
Walach: Η ραδιολογία ήταν νωρίς να υποβληθεί σε ψηφιακό μετασχηματισμό. Αντί για παλιομοδίτικες διαφάνειες X-ray, τα περισσότερα νοσοκομεία σε προηγμένες χώρες χρησιμοποιούν συστήματα αρχειοθέτησης και επικοινωνίας εικόνων (PACS) που ψηφιοποιούν όλη τη διαδικασία από τη συλλογή, την αποθήκευση και την ανάκτηση εικόνων. Οι λειτουργίες PACS λειτουργούν σε X-Rays, CTs και MRI και χρησιμοποιούν μορφές αρχείων προτύπων. Αυτό καθιστά πραγματικά μια εξαιρετική πειθαρχία για την ενσωμάτωση της μηχανικής μάθησης επειδή τα δεδομένα και η υποδομή είναι ήδη ψηφιακά.
Πώς είναι η μηχανική μάθηση που διαμορφώνει την ακτινολογία;
Walach: Η Μηχανική Μάθηση βοηθά τους ακτινολόγους με λίγους διαφορετικούς τρόπους. Πρώτον, το ML μπορεί να βοηθήσει στον εντοπισμό, τη σήμανση και την ταξινόμηση ανωμαλιών στις ανιχνεύσεις, προσθέτοντας έναν δεύτερο αναγνώστη του AI που βοηθά τους ακτινολόγους να επιβεβαιώσουν τη δουλειά τους. Σε ορισμένες περιπτώσεις, μια λύση για τη βαθιά εκμάθηση ηλεκτρονικού υπολογιστή μπορεί να ανιχνεύσει ανωμαλίες που μπορεί να μην είναι προφανείς στο ανθρώπινο μάτι.