Przegląd Okulistyczny Nr 1/2025
Obietnice sztucznej inteligencji w medycynie i okulistyce
The promises of artificial intelligence in medicine and ophthalmology
Prof. dr hab. med. Andrzej Grzybowski
Katedra Okulistyki, Uniwersytet Warmińsko-Mazurski, Olsztyn
Kierownik Instytutu Okulistycznych Badań Naukowych, Fundacja Okulistyka 21, Poznań
Współfinansowane ze środków Ministerstwa Edukacji i Nauki na podstawie umowy nr. POPUL/SN/0475/2023/01 w ramach projektu pt.: Kampania edukacyjna „Sztuczna inteligencja w okulistyce”
Streszczenie
Istnieje wiele obiecujących zastosowań sztucznej inteligencji w opiece zdrowotnej, ukierunkowanych na różne cele i przyjmujących wiele różnych podejść. Niektóre ambitne oczekiwania dotyczące sztucznej inteligencji w opiece zdrowotnej obejmują m.in. przewyższanie lekarzy, – pomoc w diagnozowaniu tego, co jest obecnie niemożliwe do zdiagnozowania, – pomaganie leczenia tego, co jest obecnie nieuleczalne oraz rozpoznawanie na obrazach to, co obecnie jest nierozpoznawalne. Artykuł przedstawia w skrótowy sposób osiągniecia sztucznej inteligencji w ostatnich latach w medycynie i okulistyce oraz możliwości jej dalszego rozwoju w tych dziedzinach.
Słowa kluczowa: sztuczna inteligencja w okulistyce; uczenie maszynowe; analiza obrazów
Abstract
There are many promising applications of AI in healthcare, with different goals and approaches. Some of the ambitious goals for AI in healthcare include surpassing doctors, helping diagnose what is currently undiagnosable, helping treat what is currently incurable, and recognizing what is currently unrecognizable in images. This article provides a brief overview of AI’s achievements in medicine and ophthalmology in recent years and how it can continue to advance in these areas.
Key words: artificial intelligence in ophthalmology; machine learning; image analysis
Termin „sztuczna inteligencja” (AI) został zaproponowany 31 sierpnia 1955 roku, kiedy John McCarthy, Marvin L. Minsky, Nathaniel Rochester i Claude E. Shannon przedstawili „Propozycję letniego projektu badawczego Dartmouth dotyczącego sztucznej inteligencji”. [1, 2]. Jednak to Alan Turing podczas publicznego wykładu w Londynie w 1947 roku wspomniał o inteligencji komputerowej, a w 1948 roku przedstawił wiele głównych koncepcji sztucznej inteligencji w raporcie zatytułowanym „Intelligent Machinery” [3]. Co więcej, Turing zaproponował w 1950 roku test, pierwotnie nazywany grą imitacyjną, a później znany jako test Turinga, jako sposób na potwierdzenie, że inteligentne zachowanie maszyny jest równoważne zachowaniu człowieka. Osoba oceniająca jest proszona o określenie charakteru partnera (człowieka lub maszyny) na podstawie rozmowy tekstowej [1-3]. Po dziesięcioleciach powolnego postępu od czasu zaproponowania testu Turinga, sztuczna inteligencja w końcu rozkwitła. Dostępnych jest wiele nowych technologii i aplikacji, a obietnica zastosowania sztucznej inteligencji w opiece zdrowotnej budzi wielki entuzjazm. Ma ona potencjał do poprawy wyników leczenia pacjentów i lekarzy, obniżenia kosztów poprzez zapobieganie błędom i niepotrzebnym procedurom oraz zapewnienia poprawy zdrowia całej populacji. Wkroczyliśmy w czwarty etap rewolucji przemysłowej, która rozpoczęła się w XVIII wieku, a jej cechą charakterystyczną może być wykorzystanie technologii sztucznej inteligencji (Ryc. 1). Wyniki corocznego konkursu znanego jako ImageNet Large Scale Visual Recognition Challenge (ILSVRC) zapewniają interesujący wgląd w najnowsze osiągnięcia technologii AI (Ryc. 2). W latach 2010-2016 nastąpił stały spadek poziomów błędów prezentowanych algorytmów, a w 2017 r. 29 z 38 konkurujących zespołów miało poziomy błędów niższe niż 5% (uważane za próg ludzki). Tak więc w ciągu 10 lat algorytmy AI przekroczyły ludzką wydajność w rozpoznawaniu obrazów.
Ryc. 1. Cztery główne etapy rewolucji przemysłowej, która rozpoczęła się w XVIII wieku
Ryc. 2. Historia współczynnika błędów w sieci ImageNet
Istnieje wiele obiecujących zastosowań sztucznej inteligencji w opiece zdrowotnej, ukierunkowanych na różne cele i przyjmujących wiele różnych podejść (Tabela 1). Przykładowo, błędne diagnozy stanowią ogromny, choć słabo rozpoznany, problem medyczny. W badaniu opublikowanym w 2014 r. oszacowano, że błędy diagnostyczne dotykają co najmniej 5% dorosłych Amerykanów (12 milionów osób) rocznie [4]. Niedawno przeprowadzony przegląd systematyczny i metaanaliza wykazały, że odsetek błędów diagnostycznych powodujących zdarzenia niepożądane wśród hospitalizowanych pacjentów wynosił 0,7% [5]. Co więcej, błędy diagnostyczne są najważniejszą przyczyną sporów sądowych o błędy w sztuce lekarskiej w Stanach Zjednoczonych, stanowiąc 31% pozwów o błędy w sztuce lekarskiej w 2017 roku [2]. Stworzenie programów AI do identyfikacji i analizy błędów diagnostycznych może być ważnym krokiem w rozwiązaniu tego problemu [6].
Tabela 1. Niektóre ambitne oczekiwania dotyczące sztucznej inteligencji w opiece zdrowotnej. Zaadaptowano z Topol E. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books, Nowy Jork 2019
– przewyższają lekarzy,
– pomoc w diagnozowaniu tego, co jest obecnie niemożliwe do zdiagnozowania,
– pomagają leczyć to, co jest obecnie nieuleczalne,
– rozpoznawać na obrazach to, co obecnie jest nierozpoznawalne,
– przewidywać nieprzewidywalne,
– klasyfikować to, czego nie da się sklasyfikować,
– zmniejszyć nieefektywność przepływu pracy,
– zmniejszyć liczbę przyjęć do szpitala i ponownych hospitalizacji,
– zwiększyć przestrzeganie zaleceń lekarskich
– zmniejszenie szkód wyrządzonych pacjentom
– zmniejszenie lub wyeliminowanie błędnej diagnozy
Eric Topol zaproponował, że sztuczna inteligencja może pomóc w przejściu do „głębokiej medycyny”, pozwalając lekarzom poświęcić więcej czasu na kluczowe relacje z pacjentami – aspekt medycyny, którego nie można zastąpić żadną technologią AI [2]. Interesujące jest również rozważenie, czy sztuczna inteligencja może wzbogacić relację lekarz-pacjent, umożliwiając przejście od obecnej „płytkiej medycyny” do „medycyny głębokiej”, opartej na głębokiej empatii i więzi [2]. Sukces w budowaniu takich relacji jest w dużej mierze związany z ilością czasu, jaki lekarze mogą poświęcić pacjentom i zakresem osobistego kontaktu, jaki mają ze swoimi pacjentami. Średni czas wizyty w klinice w Stanach Zjednoczonych dla stałego pacjenta wynosi 7 minut, a dla nowego pacjenta 12 minut. W wielu krajach azjatyckich wizyty w klinice trwają zaledwie 2 minuty na pacjenta [2]. Sytuację pogarsza fakt, że część tego czasu musi zostać poświęcona na wypełnienie elektronicznej dokumentacji medycznej, co dodatkowo ogranicza kontakt osobisty. Badanie opublikowane w 2017 r., w którym poproszono pacjentów o opisanie, jak postrzegają swojego lekarza, wykazało, że najczęstszymi negatywnymi odpowiedziami były „pośpiech”, „zajęty” i „pośpiech” [7]. Reakcje te są przejawami „płytkiej medycyny”. Jednym z argumentów przemawiających za wykorzystaniem sztucznej inteligencji w medycynie jest fakt, że ludzkie zdolności poznawcze do skutecznego zarządzania informacjami są często przekraczane przez ilość generowanych danych. Każdego roku świat produkuje zettabajty danych [2]. Co więcej, w przeciwieństwie do ludzi, którzy mają złe dni i emocje, i którzy są zmęczeni, co powoduje spadek wydajności i dokładności, sztuczna inteligencja działa 24 godziny na dobę, 7 dni w tygodniu, bez wakacji i skarg [2].
Technologie oparte na sztucznej inteligencji wykorzystujące podejście głębokiego uczenia (DL) okazały się skuteczne we wspieraniu decyzji w wielu specjalnościach medycznych, w tym radiologii, kardiologii, onkologii, dermatologii, okulistyce i innych. Wykazano na przykład, że algorytmy AI/DL (w dalszej części tekstu określane również jako modele AI/DL) skracają czas oczekiwania, poprawiają przestrzeganie zaleceń lekarskich, dostosowują dawki insuliny i pomagają interpretować obrazy rezonansu magnetycznego. Liczba artykułów dotyczących sztucznej inteligencji w naukach przyrodniczych wymienionych w PubMed wzrosła z 596 w 2010 r. do 12 422 w 2019 r. [8]. Liczba artykułów na temat wykorzystania sztucznej inteligencji w dziedzinie okulistyki również dramatycznie wzrosła (Ryc. 3 i 4).
Ryc. 3 Liczba artykułów w bazie PubMed na temat sztucznej inteligencji i oka opublikowanych w latach 2015-2024
Ryc. 4 Liczba artykułów dotyczących sztucznej inteligencji i chorób oczu opublikowanych w 2020 r.
Algorytmy AI/DL zostały wykorzystane do wykrywania chorób na podstawie analizy obrazu, ze zdjęciami dna oka i skanami optycznej koherentnej tomografii (OCT) analizowanymi pod kątem chorób siatkówki, radiogramami klatki piersiowej ocenianymi pod kątem chorób płuc i zdjęciami skóry analizowanymi pod kątem chorób skóry. Zdjęcia siatkówki zostały również wykorzystane do identyfikacji czynników ryzyka związanych z zaburzeniami sercowo-naczyniowymi, w tym ciśnienia krwi, palenia tytoniu i wskaźnika masy ciała [9]. Korzystając z modeli DL wyszkolonych na danych pochodzących od ponad 280 000 pacjentów i zweryfikowanych na dwóch niezależnych zestawach danych, Poplin i wsp. przewidzieli czynniki ryzyka sercowo-naczyniowego, o których wcześniej nie sądzono, że są obecne lub wymierne na obrazach siatkówki, takie jak wiek (średni błąd bezwzględny w granicach 3. 26 lat), płeć (pole pod krzywą charakterystyki operacyjnej odbiornika = 0,97), palenie tytoniu (AUC = 0,71), skurczowe ciśnienie krwi (średni błąd bezwzględny w granicach 11,23 mmHg) i poważne niekorzystne zdarzenia sercowe (AUC = 0,70) (ryc. 5) [9].
Rys. 5 Mapy uwagi dla pojedynczego obrazu dna oka. Obraz w lewym górnym rogu to przykładowy kolorowy obraz siatkówki ze zbioru danych UK Biobank. Pozostałe obrazy przedstawiają ten sam obraz siatkówki w czerni i bieli. Mapa ciepła miękkiej uwagi dla każdej prognozy jest nałożona na zielono, wskazując obszary mapy ciepła, których model sieci neuronowej używa do przewidywania obrazu. [Źródło: Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, Peng L, Webster DR. Przewidywanie czynników ryzyka sercowo-naczyniowego na podstawie zdjęć dna oka za pomocą głębokiego uczenia. Nat Biomed Eng. 2018 Mar; 2 (3): 158-164]
Pandemia COVID-19 zwiększyła oczekiwania dotyczące wykorzystania sztucznej inteligencji w analizie danych. Do tej pory była ona wykorzystywana w modelowaniu epidemii, wykrywaniu dezinformacji, diagnostyce, opracowywaniu szczepionek i leków, triażu i wynikach pacjentów oraz identyfikacji regionów o największych potrzebach [10].
Piśmiennictwo
1. Mitchell M. Artificial intelligence: a guide for thinking humans. Penguin UK; 2019.
2. Topol E. Deep medicine: how artificial intelligence can make healthcare human again. New York: Basic Books; 2019.
3. Copeland BJ. Artificial intelligence. Encyclopedia Britannica, 11 August 2020. https://www.britannica.com/technology/artificial-intelligence. Accessed 18 Mar 2021.
4. Singh H, Meyer AN, Thomas EJ. The frequency of diagnostic errors in outpatient care: estimations from three large observational studies involving US adult populations. BMJ Qual Saf. 2014;23(9):727–31.
5. Gunderson CG, Bilan VP, Holleck JL, et al. Prevalence of harmful diagnostic errors in hospitalised adults: a systematic review and meta-analysis. BMJ Qual Saf. 2020;29:1008–18.
6. Zwaan L, Singh H. Diagnostic error in hospitals: finding forests not just the big trees. BMJ Qual Saf. 2020;29(12):961–4.
7. Singletary B, Patel N, Heslin M. Patient perceptions about their physician in 2 words: the good, the bad, and the ugly. JAMA Surg. 2017;152(12):1169–70.
8. Benjamens S, Dhunnoo P, Meskó B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. NPJ Digit Med. 2020;3:118.
9. Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, Peng L, Webster DR. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng. 2018;2(3):158–64.
10. Chen J, See KC. Artificial intelligence for COVID-19: rapid review. J Med Internet Res. 2020;22(10):e21476.
