Ar dirbtinis intelektas pakeis radiologus?

Kiekvieną kartą, kai naujas dirbtinio intelekto modelis gauna įspūdingą demonstraciją, vėl iškyla tas pats susirūpinimas – ar dirbtinis intelektas pakeis radiologus. Tai pagrįstas nerimas. Radiologija yra paremta vaizdais, šablonais, o kompiuteriai mėgsta šablonus taip, kaip mažyliai mėgsta mygtukus.

Štai aiškesnis atsakymas: dirbtinis intelektas jau sparčiai keičia radiologiją... ir daugiausia pertvarko darbo formą, o ne jį panaikina. Kai kurios užduotys susitrauks. Keletas darbo eigų apsivers. Radiologas, kuris niekada neprisitaikys, gali būti nušalintas. Tačiau visiškas pakeitimas sudėtingoje klinikinės priežiūros realybėje yra visai kas kita.

Straipsniai, kuriuos galbūt norėsite perskaityti po šio:

🔗 Ar dirbtinis intelektas pakeis gydytojus: medicinos ateitis
Realistinis žvilgsnis į dirbtinio intelekto vaidmenį šiuolaikinėje medicinos praktikoje.

🔗 Kaip dirbtinis intelektas padeda žemės ūkiui
Būdai, kaip dirbtinis intelektas pagerina derlių, planavimą ir ūkio sprendimų priėmimą.

🔗 Kodėl dirbtinis intelektas kenkia visuomenei
Tokios rizikos kaip šališkumas, darbo praradimas, stebėjimas ir dezinformacijos žala.

🔗 Kaip dirbtinis intelektas aptinka anomalijas
Kaip modeliai žymi neįprastą duomenų ir sistemų elgesį.

Atviras realybės patikrinimas: ką dirbtinis intelektas veikia dabar ✅

Dirbtinis intelektas radiologijoje šiandien daugiausia stiprus siaurose darbo vietose:

• Skubių išvadų žymėjimas, kad bauginantys tyrimai būtų atlikti greičiau (triažas) 🚨

• „Žinomų modelių“, tokių kaip mazgeliai, kraujavimai, lūžiai, embolai ir kt., paieška.

• Matuoti dalykus, kuriuos žmonės gali išmatuoti, bet nekenčia (tūriai, dydžiai, pokyčiai laikui bėgant) 📏

• Padėti atrankinės patikros programoms susidoroti su darbuotojų srautu nepervarginant

Ir tai ne tik gandai: reguliuojamas klinikinės radiologijos dirbtinis intelektas jau sudaro didelę klinikinių dirbtinio intelekto prietaisų dalį . Vienoje 2025 m. atliktoje FDA patvirtintų dirbtinio intelekto / mašininio mokymo medicinos prietaisų taksonomijos apžvalgoje (apimanti FDA 2024 m. gruodžio 20 d. ) nustatyta, kad dauguma prietaisų kaip įvesties duomenis priima vaizdus , ​​o radiologijos specialistai buvo pagrindinė daugumos jų peržiūros grupė. Tai daug pasako apie tai, kur pirmiausia atsiduria „klinikinis dirbtinis intelektas“. [1]

Tačiau „naudingas“ nėra tas pats, kas „savarankiškas gydytojo pakeitimas“. Kita advokatūra, kita rizika, kita atsakomybė..

Kodėl „pakeitimas“ dažniausiai yra neteisingas mentalinis modelis 🧠

Radiologija nėra tik „pažiūrėk į pikselius, įvardink ligą“

Praktiškai radiologai atlieka tokius darbus:

• Sprendimas, ar klinikinis klausimas apskritai atitinka užsakytą egzaminą

• Svėrimo priorai, operacijų istorija, artefaktai ir sudėtingi atvejai

• Paskambinus siunčiančiam gydytojui, kad išsiaiškintumėte, kas iš tikrųjų vyksta

• Rekomenduoti tolesnius veiksmus, o ne tik pažymėti radinį

• Medicininės ir teisinės atsakomybės už ataskaitą prisiėmimas

Štai trumpa scena „skamba nuobodžiai, ar ne?“:

02:07. Galvos kompiuterinė tomografija. Judesio artefaktas. Ligos istorijoje rašoma „galvos svaigimas“, slaugytojos pažymoje – „kritimas“, o antikoaguliantų sąraše – „oi-oi“.
Darbas nėra „taškinio kraujavimo pikseliai“. Darbas yra triažas + kontekstas + rizika + tolesnių veiksmų aiškumas.

Štai kodėl dažniausias klinikinio diegimo rezultatas yra toks: dirbtinis intelektas padeda radiologams , o ne juos sunaikina.

Keletas radiologijos draugijų aiškiai pasisakė apie žmogiškąjį aspektą: daugiašalėje etikos deklaracijoje (ACR/ESR/RSNA/SIIM ir kitos) dirbtinis intelektas apibrėžiamas kaip tai, ką radiologai turi atsakingai valdyti, įskaitant ir tai, kad radiologai išlieka galutinai atsakingi už pacientų priežiūrą dirbtinio intelekto palaikomame darbo procese [2].

Kas daro dirbtinio intelekto versiją gerą radiologijai? 🔍

Jei vertinate dirbtinio intelekto sistemą (arba sprendžiate, ar ja pasitikėti), „gera versija“ yra ne ta, kurios demonstracinė versija yra šauniausia. Ji yra ta, kuri atlaiko kontaktą su klinikine realybe.

Geras radiologijos dirbtinio intelekto įrankis paprastai turi:

• Aiški taikymo sritis – gerai atlieka vieną dalyką (arba griežtai apibrėžtą dalykų rinkinį)

• Griežtas patvirtinimas – išbandytas skirtingose ​​vietose, skeneriuose, populiacijose

• Tinkamas darbo eigai – integruojasi į PACS/RIS, nesukeldamas nepatogumų visiems

• Mažas triukšmas – mažiau nepageidaujamų pranešimų ir klaidingai teigiamų rezultatų (arba juos ignoruosite)

• Paaiškinimas, kuris padeda – ne tobulas skaidrumas, bet pakankamas patikrinimui

• Valdymas – stebėjimas, ar nėra nukrypimų, gedimų, netikėtų šališkumų

• Atskaitomybė – aiškumas, kas pasirašo, kas atsakingas už klaidas, kas praneša apie pažeidimus

Taip pat: „FDA patvirtinta“ (arba lygiavertis) yra reikšmingas signalas, tačiau tai nėra patikimas sprendimas. Net FDA sudarytas dirbtinį intelektą turinčių įrenginių sąrašas pateikiamas kaip skaidrumo šaltinis , kuris nėra išsamus , o įtraukimo į jį būdas iš dalies priklauso nuo to, kaip įrenginiai apibūdina dirbtinį intelektą viešose medžiagose. Kitaip tariant, vis tiek reikalingas vietinis vertinimas ir nuolatinė stebėsena. [3]

Skamba nuobodžiai... o nuobodulys medicinoje yra geras dalykas. Nuobodulys yra saugus 😬

Palyginimo lentelė: dažniausiai pasitaikantys dirbtinio intelekto variantai, su kuriais susiduria radiologai 📊

Kainos dažnai yra pagrįstos citatomis, todėl šią rinkos dalį laikau neaiškia (nes taip paprastai būna).

Formatavimo keistenybės prisipažinimas: „Kaina“ lieka neaiški, nes pardavėjai mėgsta neaiškias kainas. Tai ne mano išsisukinėjimas, tokia yra rinka 😅

Kur dirbtinis intelektas gali pranokti vidutinį žmogų siaurose eismo juostose 🏁

Dirbtinis intelektas geriausiai sužiba, kai užduotis yra:

• Labai pasikartojantis

• Stabilus raštui

• Gerai atstovaujama mokymo duomenyse

• Lengva įvertinti pagal etaloninį standartą

Kai kuriuose atrankinės patikros tipo darbo procesuose DI gali veikti kaip labai nuoseklus papildomas akių rinkinys. Pavyzdžiui, atlikus didelį retrospektyvinį krūtų atrankinės patikros DI sistemos vertinimą, buvo nustatytas geresnis vidutinis skaitytojų palyginimo našumas (pagal AUC vieno skaitytojų tyrimo metu) ir netgi imituotas darbo krūvio sumažėjimas naudojant dvigubo skaitymo sistemą JK stiliumi. Tai yra „siauro kelio“ privalumas: nuoseklus modelio darbas dideliu mastu. [4]

Bet vėlgi… tai yra darbo eigos pagalba, o ne „DI pakeičia radiologą, kuriam priklauso rezultatas“

Kur dirbtinis intelektas vis dar sunkiai sprendžia problemas (ir tai nėra menkniekis) ⚠️

Dirbtinis intelektas gali būti įspūdingas ir vis tiek nesėkmingas kliniškai svarbiais aspektais. Dažniausios problemos:

• Neplatinimo atvejai : retos ligos, neįprasta anatomija, pooperacinės ypatybės

• Konteksto aklumas : vaizdiniai radiniai be „istorijos“ gali klaidinti

• Artefaktų jautrumas : judesys, metalas, keisti skaitytuvo nustatymai, kontrasto laikas... įdomūs dalykai

• Klaidingi teigiami rezultatai : viena bloga dirbtinio intelekto diena gali sukurti papildomo darbo, o ne sutaupyti laiko

• Tyliosios nesėkmės : pavojingos rūšies – kai kažko tyliai nepastebima

• Duomenų dreifas : našumas keičiasi, kai keičiasi protokolai, mašinos ar populiacijos.

Pastarasis teiginys nėra teorinis. Net ir didelio našumo vaizdų modeliai gali paslinkti, kai keičiasi vaizdų gavimo būdas (skenerio įrangos keitimas, programinės įrangos atnaujinimai, rekonstrukcijos pakeitimai), ir šis paslinkis gali pakeisti kliniškai reikšmingą jautrumą / specifiškumą taip, kad tai būtų svarbu žalos atžvilgiu. Štai kodėl „stebėjimas gamyboje“ nėra madingas žodis – tai saugos reikalavimas. [5]

Be to, – ir tai labai svarbu – klinikinė atsakomybė nepersikelia algoritmui . Daugelyje vietų radiologas išlieka atsakingu pasirašiusiuoju, o tai riboja, kiek realiai galima nesikišti. [2]

Radiologo darbas, kuris auga, o ne traukiasi 🌱

Kita vertus, dirbtinis intelektas gali radiologiją padaryti labiau „panašią į gydytoją“, o ne mažiau.

Plečiantis automatizavimui, radiologai dažnai daugiau laiko skiria:

• Sunkūs atvejai ir daugiaprobleminiai pacientai (kurių DI nekenčia)

• Protokolavimas, tinkamumas ir kelio dizainas

• Išvadų aiškinimas klinikų gydytojams, navikų taryboms ir kartais pacientams 🗣️

• Intervencinė radiologija ir vaizdiniais metodais valdomos procedūros (labai mažai automatizuotos)

• Kokybės lyderystė: dirbtinio intelekto veikimo stebėjimas, saugaus diegimo užtikrinimas

Taip pat yra „meta“ vaidmuo: kažkas turi prižiūrėti mašinas. Tai šiek tiek panašu į autopilotą – vis tiek reikia pilotų. Galbūt šiek tiek ydinga metafora... bet jūs suprantate.

Dirbtinis intelektas pakeičia radiologus: tiesus atsakymas 🤷♀️🤷♂️

• Artimiausiu metu: tai pakeis darbo dalis (matavimus, triažą, kai kuriuos antrojo skaitytojo modelius) ir pakeis personalo poreikius pakraščiuose.

• Ilgalaikė perspektyva: tai galėtų labai automatizuoti tam tikrus atrankos darbo eigą, tačiau daugumoje sveikatos sistemų vis tiek reikalinga žmogaus priežiūra ir eskalavimas.

• Labiausiai tikėtinas rezultatas: radiologai + dirbtinis intelektas (DI) savarankiškai dirba geriau, o darbas pereina prie priežiūros, komunikacijos ir sudėtingų sprendimų priėmimo.

Jei esate medicinos studentas arba jaunesnysis gydytojas: kaip pasiruošti ateičiai (be panikos) 🧩

Keletas praktinių žingsnių, kurie padės, net jei nesate „technologijų entuziastas“:

• Sužinokite, kaip dirbtinis intelektas neveikia (šališkumas, dreifas, klaidingi teigiami rezultatai) – tai dabar yra klinikinis raštingumas [5]

• Susipažinkite su darbo eiga ir informatikos pagrindais (PACS, struktūrizuota ataskaitų teikimas, kokybės užtikrinimas)

• Ugdykite tvirtus bendravimo įpročius – žmogiškasis aspektas tampa vertingesnis

• Jei įmanoma, prisijunkite prie dirbtinio intelekto vertinimo arba valdymo grupės savo ligoninėje

• Dėmesys sritims, kuriose reikalingas didelis kontekstas + procedūros (infraraudonųjų spindulių, sudėtinga neurologinė, onkologinė vaizdinė diagnostika)

Ir taip, būkite žmogumi, kuris gali pasakyti: „Šis modelis čia naudingas, ten pavojingas, ir štai kaip mes jį stebime.“ Tokį žmogų sunku pakeisti.

Apibendrinimas + trumpas pristatymas 🧠✨

Dirbtinis intelektas neabejotinai pakeis radiologiją, o apsimetinėti kitaip – ​​tik susidoroti su problema. Tačiau naratyvas „radiologai pasmerkti nesėkmei“ dažniausiai tėra masalas su laboratoriniu chalatu.

Greitas paėmimas

• Dirbtinis intelektas jau naudojamas triažui, aptikimo palaikymui ir matavimo pagalbai.

• Jis puikiai tinka siauroms, pasikartojančioms užduotims ir nestabilus dirbant su reta, didelio konteksto klinikine realybe.

• Radiologai ne tik aptinka modelius – jie nustato kontekstą, bendrauja ir prisiima atsakomybę.

• Realiausia ateitis yra tokia, kai „radiologai, kurie naudoja dirbtinį intelektą“, pakeičia „radiologus, kurie jo atsisako“, o ne dirbtinis intelektas visiškai pakeičia profesiją. 😬🩻

Nuorodos

1. Singh R. ir kt., npj Digital Medicine (2025) – taksonomijos apžvalga, apimanti 1016 FDA patvirtintų dirbtinio intelekto / mašininio mokymosi medicinos prietaisų leidimų (iki 2024 m. gruodžio 20 d.), kurioje pabrėžiama, kaip dažnai medicininis dirbtinis intelektas remiasi vaizdo įvestimis ir kaip dažnai radiologija yra pagrindinė peržiūros grupė. Skaityti daugiau

2. ESR parengtas daugiašalis pareiškimas – tarpdisciplininis dirbtinio intelekto radiologijoje etikos modelis, kuriame pabrėžiamas valdymas, atsakingas diegimas ir nuolatinė klinikų atsakomybė dirbtinio intelekto palaikomuose darbo procesuose. Skaitykite daugiau

3. JAV FDA dirbtiniu intelektu pagrįstų medicinos prietaisų puslapis – FDA skaidrumo sąrašas ir metodikos pastabos, skirtos dirbtiniu intelektu pagrįstiems medicinos prietaisams, įskaitant įspėjimus dėl taikymo srities ir įtraukimo nustatymo. Skaitykite daugiau

4. McKinney SM ir kt., „Nature“ (2020 m.) – Tarptautinis dirbtinio intelekto sistemos, skirtos krūties vėžio atrankai, vertinimas, įskaitant skaitytojų palyginimo analizę ir darbo krūvio poveikio modeliavimą dvigubo skaitymo sistemoje. Skaityti daugiau

5. Roschewitz M. ir kt., „Nature Communications“ (2023 m.) – Tyrimas apie našumo poslinkį, kai medicininių vaizdų klasifikavimo metu pasikeičia įrašymo greitis, iliustruojantis, kodėl stebėjimas ir poslinkio korekcija yra svarbūs diegiant vaizdavimo dirbtinį intelektą. Skaityti daugiau

Raskite naujausią dirbtinį intelektą oficialioje dirbtinio intelekto asistentų parduotuvėje

Apie mus