AI w medycynie – jak już zmienia diagnostykę

Algorytmy uczące się rozpoznają raka piersi na mammogramii szybciej niż doświadczony radiolog. Systemy analizujące zapisy EKG wykrywają migotanie przedsionków w ułamku sekundy. To nie scenariusz z przyszłości – to codzienność coraz większej liczby szpitali i przychodni na świecie. AI w medycynie przestała być laboratoryjną ciekawostką i wchodzi do klinicznej praktyki, zmieniając to, jak stawiane są diagnozy i jak podejmowane są decyzje terapeutyczne.

Warto przy tym patrzeć na ten temat bez nadmiernego entuzjazmu ani nieuzasadnionego sceptycyzmu. Technologia ma realne, udokumentowane sukcesy – ale też konkretne ograniczenia, o których każdy pacjent i każdy lekarz powinien wiedzieć.

Radiologia AI – gdzie zaczęła się rewolucja diagnostyczna

Radiologia była pierwszą specjalnością medyczną, która masowo przyjęła narzędzia sztucznej inteligencji. Powód jest prosty: zdjęcia rentgenowskie, tomografie komputerowe i rezonanse magnetyczne to dane w formie obrazowej, a sieci neuronowe osiągają w analizie obrazów wyniki porównywalnie z najlepszymi ludzkimi ekspertami – albo je przewyższają.

Jak algorytmy wykrywają zmiany na obrazach radiologicznych

Modele głębokiego uczenia trenowane są na milionach oznaczonych obrazów. W przypadku mammografii system uczy się rozróżniać między tkanką gruczołową a zmianami podejrzanymi o złośliwość, identyfikując subtelne różnice w gęstości i strukturze, które nawet doświadczone oko może przeoczyć przy setnym badaniu w ciągu dyżuru. Badania kliniczne z 2020 roku pokazały, że jeden z modeli Google Health wykrył raka piersi z mniejszą liczbą fałszywych negatywów niż panel sześciu radiologów.

Podobna sytuacja dotyczy detekcji guzków płuc w tomografii komputerowej klatki piersiowej. Algorytmy potrafią oznaczyć i zmierzyć każdą zmianę powyżej 3 mm, dostarczając lekarzowi nie tylko lokalizację, ale też wskaźnik prawdopodobieństwa złośliwości na podstawie kształtu, gęstości i dynamiki wzrostu przy porównaniu z poprzednimi skanami.

Diagnoza obrazów okulistycznych – przykład wdrożenia na masową skalę

Okulistyka to obszar, gdzie radiologia AI znalazła zastosowanie wyjątkowo skutecznie. System IDx-DR, jako pierwszy w historii algorytm diagnostyczny zatwierdzony przez FDA bez konieczności interpretacji przez lekarza, automatycznie ocenia zdjęcia dna oka pod kątem cukrzycowej retinopatii. Czułość systemu sięga 87,2%, a swoistość 90,7% – wartości wystarczające, by stosować go w przesiewowych programach dla pacjentów diabetologicznych w podstawowej opiece zdrowotnej, gdzie dostęp do okulisty bywa ograniczony.

Podobne podejście stosuje się przy ocenie zdjęć dna oka w kontekście jaskry i zwyrodnienia plamki żółtej. W krajach o dużym deficycie specjalistów – np. w Indiach czy krajach subsaharyjskiej Afryki – takie narzędzia mogą realnie zapobiec ślepocie u setek tysięcy pacjentów rocznie.

Wspomaganie lekarzy w diagnostyce poza radiologią

Zastosowanie sztucznej inteligencji wykracza daleko poza analizę obrazów. Algorytmy wchodzą do patologii, kardiologii, dermatologii i onkologii, zmieniając sposób, w jaki specjaliści przetwarzają dane kliniczne.

W patologii cyfrowej systemy AI analizują skany preparatów histologicznych i wspomagają diagnozę raka prostaty według skali Gleasona. W opublikowanych badaniach porównawczych algorytm osiągnął zgodność z oceną ekspertów na poziomie 70-75% – wynik zbliżony do przeciętnej zgodności między dwoma niezależnymi patologami. Różnica polega na tym, że algorytm przetwarza cały preparat w ciągu sekund, zamiast minutami analizować wybrane pola widzenia.

Kardiologia korzysta z AI przy interpretacji elektrokardiogramów. Model opracowany przez Mayo Clinic rozpoznaje dysfunkcję lewej komory serca na podstawie standardowego 12-odprowadzeniowego EKG z czułością 86,3% – i robi to w przypadkach, gdzie tradycyjna interpretacja tego zapisu wypadała jako norma. Kliniczne znaczenie jest ogromne: dysfunkcja lewej komory często przebiega bezobjawowo, a jej wczesne wykrycie pozwala włączyć leczenie zanim dojdzie do jawnej niewydolności serca.

Dermatologia to kolejna specjalność z udokumentowanymi wynikami. Algorytmy klasyfikujące zmiany skórne osiągają w badaniach czułość zbliżoną do dermatologa z kilkunastoletnim doświadczeniem przy ocenie czerniaka. Ograniczenie jest jednak istotne: systemy sprawdzają się dobrze na standardowych fotografiach klinicznych i słabiej radzą sobie z obrazami niskiej jakości lub ze zmianami na trudno dostępnych lokalizacjach.

Diagnoza obrazów w praktyce – jak wygląda realne wdrożenie

Wdrożenie AI w szpitalu to nie pobranie aplikacji. To wielomiesięczny proces integracji z istniejącą infrastrukturą PACS (Picture Archiving and Communication System), walidacji na lokalnej populacji pacjentów i szkolenia personelu.

Istotnym aspektem jest tak zwany distribution shift – problem, który pojawia się, gdy algorytm trenowany był na danych z innej populacji niż ta, w której jest wdrażany. Modele uczone na danych z USA mogą gorzej działać w Polsce, jeśli różnią się protokoły skanowania, aparatura lub demograficzne cechy populacji. Z tego powodu regulatorzy – zarówno FDA w USA, jak i Europejska Agencja Leków czy Urząd Rejestracji Produktów Leczniczych – wymagają walidacji klinicznej na lokalnych danych przed wdrożeniem.

Praktyczny obieg pracy wygląda zazwyczaj tak:

• Badanie wpływa do systemu PACS i jest automatycznie przekazywane do algorytmu analizującego
• Algorytm generuje raport wstępny z oznaczonymi zmianami i wskaźnikami probabilistycznymi w czasie poniżej 60 sekund
• Lekarz otrzymuje wstępną analizę jako punkt startowy własnej interpretacji
• Przypadki oznaczone jako pilne (np. odma opłucnowa, zatorowość płucna) mogą być automatycznie priorytetyzowane w kolejce
• Finalna decyzja kliniczna zawsze pozostaje po stronie lekarza

Ten ostatni punkt nie jest przypadkowy. Obowiązujące regulacje w UE (w tym rozporządzenie MDR i AI Act) jasno definiują, że systemy diagnostyczne AI są narzędziami wspomagającymi, a nie autonomicznymi decyzjami medycznymi. Odpowiedzialność prawna i kliniczna spoczywa na lekarzu.

Ograniczenia i ryzyka, o których trzeba mówić otwarcie

Entuzjazm wokół AI w medycynie jest uzasadniony danymi – ale historia zna też przypadki, gdzie nadmierna wiara w algorytm prowadziła do błędów. Dlatego wspomaganie lekarzy przez AI musi iść w parze ze zrozumieniem granic tej technologii.

Stronniczość algorytmów i nierówności w danych treningowych

Algorytmy uczą się na historycznych danych, a te dane odzwierciedlają istniejące nierówności. Jeśli w danych treningowych ciemna skóra była reprezentowana rzadziej, model gorzej rozpoznaje zmiany skórne u osób o ciemnej karnacji. Jeśli dataset obejmował głównie mężczyzn, algorytm kardiologiczny może gorzej wykrywać choroby serca u kobiet – bo objawy kliniczne i wzorce EKG różnią się między płciami. To nie jest problem teoretyczny: w 2019 roku analiza opublikowana w Science wykazała, że powszechnie stosowany w USA algorytm do zarządzania opieką zdrowotną systematycznie niedoszacowywał potrzeby czarnych pacjentów.

Czarna skrzynka i wyjaśnialność decyzji

Głębokie sieci neuronowe działają jako „czarne skrzynki” – generują wynik, ale nie potrafią wytłumaczyć swojego rozumowania w sposób zrozumiały dla lekarza. Rozwijające się metody wyjaśnialnej AI (XAI), takie jak mapy ciepła wskazujące, które obszary obrazu zadecydowały o klasyfikacji, poprawiają tę sytuację, jednak pełna interpretowalność pozostaje wyzwaniem badawczym, nie rozwiązanym problemem klinicznym.

Dla lekarza to istotny dylemat: jak uzasadnić pacjentowi decyzję diagnostyczną, której logiki nie można w pełni odtworzyć? Jak postąpić, gdy własna intuicja kliniczna wskazuje inaczej niż algorytm? Te pytania nie mają jeszcze jednoznacznych protokołów – i właśnie dlatego edukacja lekarzy w zakresie możliwości i ograniczeń AI staje się równie ważna jak sama technologia.

Kierunek zmian – co najbliższe lata przyniosą do klinik

AI w medycynie nie jest projektem, który osiągnie jakiś punkt końcowy. To ciągły proces wdrożeń, walidacji i korekty w odpowiedzi na kliniczne wyniki. Kilka trendów wyznacza kierunek na najbliższe 3-5 lat.

Multimodalna analiza danych to obszar, który wychodzi poza samą diagnozę obrazów i integruje dane radiologiczne z historią choroby, wynikami laboratoryjnymi, genomem i danymi z urządzeń noszonych. Takie modele – określane jako foundation models w medycynie – mogą potencjalnie oszacować ryzyko choroby niedokrwiennej serca na 10 lat do przodu z dokładnością przekraczającą tradycyjne skale ryzyka.

Zastosowanie AI w onkologii precyzyjnej przyspiesza proces doboru terapii celowanych. Algorytmy analizujące profile mutacji nowotworów skracają czas od biopsji do rekomendacji leczenia z tygodni do godzin. W Polsce pilotażowe wdrożenia tego typu trwają w wybranych centrach onkologicznych, choć powszechna dostępność pozostaje kwestią finansowania i infrastruktury.

Telemedycyna i AI tworzą kombinację szczególnie obiecującą dla diagnostyki w obszarach niedostatecznie obsłużonych przez specjalistów. Algorytm interpretujący zdjęcie wykonane smartfonem w przychodni podstawowej opieki zdrowotnej może być pierwszym filtrem kierującym pacjentów do odpowiedniej ścieżki diagnostycznej – zanim dojdzie do kontaktu ze specjalistą.

Każde z tych zastosowań wymaga jednak tego samego: rzetelnych danych, niezależnej walidacji klinicznej i przejrzystych regulacji. AI w medycynie nie zastąpi lekarza – ale lekarz korzystający ze sprawdzonych narzędzi AI będzie miał realną przewagę nad tym, który ich nie zna.

Redakcja

Za Foto5 stoi redakcja, która dostarcza konkretne porady i inspiracje z różnych obszarów życia – od nowoczesnych technologii po dom, ogród, zdrowie i finanse. Nasze artykuły pomagają podejmować lepsze decyzje na co dzień.