Radiolodzy stają się kluczowymi specjalistami ds. danych w medycynie

L.PL.MKT.04.2018.6325

Autor Kruskal JB, Berkowitz S, Geis JR, Kim W, Nagy P, Dreyer K. (zou/ktg)

Źródło J Am Coll Radiol. Czerwiec 2017;14(6):811-7.

Przyszłość radiologii będzie wyglądała zupełnie inaczej niż obecnie: Główne zadanie radiologów zmieni się z interpretacji obrazu w specjalistyczne przetwarzanie danych klinicznych. Samouczące się algorytmy komputerowe poprawią przepływ pracy i dokładność interpretacji; konieczne będzie zarządzanie dużymi zbiorami danych.

Podczas 38. Konferencji Towarzystw Radiologicznych, która odbyła się latem 2016 roku w Olympic Valley/CA, USA, omówiono znaczenie obszernych zbiorów danych oraz uczenia maszyn w radiologii. „Radiolodzy prawdopodobnie zmienią się z interpretatorów obrazu w specjalistów zarządzających danymi radiologicznymi przy wspomaganiu maszyn” – mówią eksperci komisji. Oczekują oni, że naukowym podstawom przetwarzania danych w radiologii będą towarzyszyły nowe modele praktyczne i biznesowe.

Uczenie maszynowe oraz związane z nim wymagania wstępne

Uczenie maszynowe oznacza, że algorytmy komputerowe uczą się i doskonalą, analizując dane. Algorytm musi najpierw zostać przeszkolony w oparciu o ważne dane, które reprezentują pewien wzorzec. Następnie algorytmy te można wykorzystać do wyszukiwania wzorców w nowych danych.

Należy opracować algorytmy do analizy obrazów medycznych oraz ocenić ich skuteczność diagnostyczną. W zależności od kontekstu klinicznego wymagają one zestawu danych uzyskanych u setek do wielu tysięcy osób zdrowych oraz pacjentów z określonymi chorobami w celu przeszkolenia algorytmu. Dokładność klasyfikacji jest uzależniona od jakości obrazów wzorcowych, jednak brakuje standaryzowanych definicji. Ponadto stosowanie tego typu rozwiązań wymaga zgody organów regulacyjnych, zarządzania aktualizacjami i monitorowania jakości.

Radiologia wspomagana przez uczenie maszynowe

Wprowadzenie algorytmów uczenia maszynowego do obrazowania diagnostycznego zwiększy wydajność i dokładność interpretacji. Identyfikacja nowych wzorców będzie stymulowała postęp i wiedzę w dziedzinie radiologii opartej na danych. Po wdrożeniu tego procesu może on wspomagać proces decyzyjny, np. pod kątem planowania i dobierania najbardziej odpowiednich testów obrazowych, jak też obserwacji wyników nieprawidłowych.

ACR ASSIST dla integracji danych

Dostępne są coraz większe ilości danych cyfrowych pochodzących z elektronicznej dokumentacji medycznej (EHR), systemów archiwizacji obrazu i komunikacji (PACS), a także innych źródeł, takich jak urządzenia medyczne, media społecznościowe lub dane genomiczne i naukowe. Zaawansowana integracja danych oraz zarządzanie nimi pozwalają na efektywne wykorzystywanie wszystkich dostępnych danych.

Czas do podwojenia wiedzy medycznej nieustannie się skraca. Szacuje się, że w roku 2020 będzie on wynosił 73 dni. Systemy zarządzania wiedzą pomagają w wydobywaniu istotnych informacji z literatury medycznej.

ACR ASSIST to początek, który spełnia wszystkie te wymagania w rutynowej radiologii: aplikacja wchodzi w dwukierunkowe interakcje ze źródłami danych medycznych, systemami zarządzania wiedzą i zestawami danych badawczych.

Jak zmieniają się zadania radiologów?

Procedury staną się bardziej ustandaryzowane; tradycyjne opisy tekstowe zmienią się w raporty o ściśle określonej strukturze. Radiolodzy będą potrzebowali dokładnego zrozumienia podstawowej struktury oraz statystyk algorytmów uczenia maszynowego. Bardzo ważne stanie się zapewnienie wystarczającej mocy obliczeniowej i technologii. To samo dotyczy zarządzania danymi oraz integracji różnych źródeł danych. W związku z tym informatyka obrazowa będzie musiała stać się centralnym elementem edukacji radiologicznej.

Wniosek

Specjalistyczne przetwarzanie danych klinicznych i uczenie maszynowe zapewnią wysokiej jakości diagnostykę i leczenie. Spowoduje to zmianę praktyki radiologicznej. Jednak radiolodzy nie zostaną zastąpieni komputerami – a raczej staną się najważniejszymi specjalistami ds. przetwarzania danych w medycynie. Opracowanie silnych algorytmów obliczeniowych pozwoli znacznie zwiększyć wydajność.