Dvě praktické zkušenosti s umělou inteligencí v onkologickém screeningu

Zaměřena byla na současnost a budoucnost screeningových programů. Část programu se věnovala využití umělé inteligence ve screeningu nádorových onemocnění.

„V časném záchytu onemocnění lze umělou inteligenci s úspěchem využít v mamografickém, cervikálním i kolorektálním screeningu,“ shrnula současné možnosti Ing. Monika Ambrožová z Národního screeningového centra Ústavu zdravotnických informací a statistiky ČR.

Modely lze například trénovat pro vyhledávání polypů na obrazu tlustého střeva a využít pro automatickou detekci polypů při kolonoskopii v reálném čase. Ambrožová zmínila randomizovanou studii, která srovnávala výsledky dosažené klasickou kolonoskopií a asistovanou kolonoskopií (doi: 10.1136/gutjnl‑2018‑317500). Ta ukázala u asistované kolonoskopie významné zvýšení detekční míry adenomů. U více než pěti set běžných kolonoskopií a více než 500 asistovaných kolonoskopií se ukázal srovnatelný čas čtení. Asistenci neunikl žádný polyp, vyskytlo se při ní 39 falešně pozitivních detekcí.

„V mamografickém screeningu by bylo možné umělou inteligenci využívat například pro přípravu snímků pro snadnější práci odborníků, případně pro klasifikaci lézí v mamografických snímcích, ke čtení mamografických snímků s asistencí umělé inteligence nebo k detekci útvarů na mamografických snímcích,“ uvedla Ambrožová.

Využití umělé inteligence má ovšem své limity a rizika, upozornila Ambrožová. Kvalita odpovídá kvalitě trénovacích dat a jejich dostatku. Pokud například v trénovacím vzorku chybí některý odlišný typ abnormálního nálezu, model jej pak nemá šanci poznat. S umělou inteligencí bývá spojen zvýšený výskyt falešné pozitivity. U modelů hlubokého učení bývá nesnadná interpretace jejich výsledků vzhledem k tomu, že není zcela transparentní, jak model došel k předloženému závěru.

Mamografie si už s umělou inteligencí tyká

V oblasti hodnocení snímků mamografického screeningu jsou už asis­ten­ční systémy s umělou inteligencí dostupné. „Komerčně dostupných systémů je už obrovské množství. Na kongresech o tématu breast imaging tvoří polovinu vystavujících firem ty, které se zabývají využitím umělé inteligence při hodnocení mamografických snímků. Zdá se, že v tom cítí velkou příležitost,“ uvedl prof. MUDr. Jan Daneš, CSc., z Radiodiagnostické kliniky 1. LF UK a VFN v Praze. Umělou inteligencí v mamografii se dnes zabývá několik velkých zavedených společností. Podle profesora Daneše by dnes už nová firma, která by chtěla v oboru začít, měla na silném světovém trhu těžkou startovní pozici. Už jen proto, že získat potřebné certifikace pro nasazení do screeningu je náročné.

Sám od asistenčního systému očekává jednoduchost použití. Tak, aby při hodnocení snímku nemusel „překlikávat“ do druhého programu, ale aby byl systém integrovaný. „Nejmodernější systémy pracují s různými přístroji, není to tak, že by uměly pracovat jen s přístroji jedné značky. To je z hlediska uplatnění na trhu důležité,“ doplňuje prof. Daneš.

„Komerčně dostupné systémy, se kterými v demo verzi pracuji, se trénují na datech z velkých spolupracujících pracovišť. U běžného uživatele se systém návazně upgraduje. Není to tak, že by se systém sám učil na vašich datech,“ popisuje prof. Daneš.

Profesor Daneš popsal současný standardní postup u mamografického screeningu, který spočívá ve dvojím čtení snímků. Je tomu tak podle evropských doporučení a česká praxe se toho drží. Cílem dvojího čtení snímků je zvýšení senzitivity, ovšem nevýhodou je, že to je na úkor specificity. „Co trápí screeningový program, je nedostatek zkušených lékařů prakticky v celé Evropě. Dělat mamografický screening s méně zkušenými nemá smysl, lékař musí mít za sebou určitý počet zhodnocených vyšetření. V této věci může umělá inteligence pomoci,“ uvedl prof. Daneš.

Protože je zkušených odborníků relativně málo, je na ně tlak, aby hodnotili opravdu velké objemy screeningových mamografických vyšetření. To ale snižuje atraktivitu oboru. Navíc je s tím spojena určitá únava a riziko větší chybovosti.

„Při dvojím čtení je problémem vysoká falešná pozitivita, která má ekonomické dopady, ale také vede k úzkosti a stresu vyšetřovaných. Jsou práce, které naznačují, že se ženám s falešnou pozitivitou zvyšuje riziko karcinomu pravděpodobně z prožitého stresu. Navíc se tyto ženy méně zúčastňují screeningu v dalších kolech,“ upozornil prof. Daneš. „Dnes už víme, že by umělá inteligence mohla pomoci selektovat normální mamografické nálezy, a tím snížit podíl falešné pozitivity,“ dodal.

Co tedy dnes už systémy s umělou inteligencí v mamografii dovedou? Profesor Daneš popsal zkušenost s programem Transpara od společnosti ScreenPoint, která sídlí v Nizozemsku. Systém má značku CE a je schválen FDA. Jiné systémy podle prof. Daneše ovšem fungují obdobně.

Systém je založen na hlubokých neuronových sítích. Screeningovému vyšetření přiřazuje rizikové skóre 1 až 10, kdy 10 znamená nejvyšší pravděpodobnost výskytu zhoubného nádoru. Rizikové skóre je přitom kalibrováno tak, aby v každé kategorii končila přibližně desetina provedených mamografických vyšetření.

Profesor Daneš dále upozornil na práci Kristiny Långové a kolegů, která byla letos publikována v European Radiology (Identifying normal mammograms in a large screening population using artificial intelligence. DOI: 10.1007/s00330‑020‑07165‑1). Ta prověřila 9 581 mamografických screeningových vyšetření, z toho 1 829 bylo hodnoceno systémem umělé inteligence do kategorie rizika 1 až 2. Ani v jednom z těchto případů skutečně nebyl žádný karcinom. Zároveň bylo mezi nimi deset snímků, které byly označeny radiologem jako falešně pozitivní. „Práce Kristiny Långové kopíruje moje zkušenosti. Umělá inteligence se může využít k identifikaci normálních mamogramů. Mohlo by to být velmi přínosné v každodenní praxi screeningů,“ myslí si prof. Daneš. U mamogramů, kterým systém přiřkl vysoké rizikové skóre, byla ale vysoká falešná pozitivita.

Jaké tedy aktuálně mohou být možnosti uplatnění umělé inteligence v mamografickém screeningu? Samostatné hodnocení snímků umělou inteligencí bez účasti lékaře je podle profesora Daneše zatím zcela nereálné. Může se ale uplatnit v určitých případech pro druhé čtení. Snímky, kterým by systém dal skóre 1 nebo 2, by mohl číst jen jeden lékař. „Pracujeme teď na variantě umožnit nahrazení lékaře u druhého čtení snímků systémem s umělou inteligencí. Považuju za důležité, aby se lékaři s těmito systémy seznámili a naučili se, co od nich mohou čekat,“ uvedl prof. Daneš. Další možnost je použít systém pro první čtení a snímky, které budou označeny rizikem 1 až 2, by viděl jen jeden lékař.

Systém umělé inteligence na druhou stranu selhává s rozpoznáním pokročilých karcinomů, nerozpozná nepřímé známky jako ztluštění kůže, problémem jsou kalcifikace nebo špatné projekce a s nimi spojená falešná pozitivita.

„Systémy umělé inteligence jsou nadějné, je vhodné se s nimi seznamovat a částečně je využívat,“ míní prof. Daneš.

Cytologie očima umělé inteligence

Zajímavý projekt probíhá aktuálně v oblasti hodnocení cytologických vyšetření v cervikálním screeningu.

Při hodnocení preparátů gynekologické cytologie se umělá inteligence využívá už překvapivě dlouhou dobu, uvedl MUDr. Ondrej Ondič z Šiklova ústavu patologie LF UK v Plzni a FN Plzeň. V roce 1979 vyšla práce nizozemských autorů, kteří popsali systém počítačové asistence screeningu karcinomu děložního čípku ve stěrech. Využívali k tomu tehdy dostupný počítač, mikroskop, televizní kameru a katodovou televizi. Z obrazu buňky provedli histogram, který umožnil identifikovat jádro a cytoplazmu buňky. Optické parametry převedli do čísel. Vyvinuli algoritmus, který s čísly pracoval a hodnotil ze snímků, jestli se jedná o normální buňku, nebo ne. „Na technické úrovni své doby navrhli funkční systém nejprimitivnější podoby umělé inteligence,“ říká doktor Ondič.

Systémy se zvláště od roku 2000 dál rozvíjely. Od roku 2013 je v České republice dostupný imager, který je spojen s mikroskopem. Když imager naskenuje a přečte LBC preparát (tekutá cytologie), přenese obraz do mikroskopu, a když screenerka nebo cytopatolog vloží sklo do mikroskopu, zobrazí se zároveň průsvitně preparát s vyznačenými body, kde stroj identifikoval podezřelé buňky. Systém pracuje pouze s tekutou cytologií.

„Screenerka tedy v první řadě kouká na vyznačená riziková místa. To přináší velkou úsporu času. Se strojem může souhlasit, že jsou v preparátu dysplastické buňky, pak předá preparát ke druhému čtení cytopatologovi. Nebo naopak shledá, že v žádném z vyznačených bodů žádná dysplastická buňka není, a preparát vyřazuje jako normální,“ popisuje MUDr. Ondič. Dodává, že existují i jiné systémy, kde je rolí umělé inteligence vyřazovat normální preparáty samostatně.

Nejpodstatnějším přínosem částečného využití umělé inteligence je podle doktora Ondiče zlepšení senzitivity screeningového vyšetření a jeho specificity. Falešná negativita klesá. Zároveň systém zrychluje práci lidí.

K pojmu umělé inteligence podotkl, že ještě nejde o inteligenci, jak ji obvykle chápeme. Umělá inteligence nemyslí, jen propočítává se silou výpočetního výkonu.

Aktuální vývoj umělé inteligence v gynekologické cytologii směřuje k tomu, že se místo práce s číselným popisem preparátů bude pracovat přímo s celými obrázky. „To s sebou nese několik problémů, zejména nutnost vytvořit dostatečnou databázi obrázků k učení systému. Problém je, že variabilita je obrovská, buňky mohou být v různém úhlu. Jsou proto vysoké nároky na kvalitu databáze obrázků a její velikost,“ říká MUDr. Ondič. Také algoritmy pro hodnocení obrazu jsou podstatně složitější matematika než algoritmy, které pracují s čísly.

Několik pracovišť se zapojilo do projektu, který databázi obrázků shromažďuje. „Naše pracoviště spolupracuje na vytváření velké databáze obrázků abnormálních buněk, aby mohly být využity pro trénink algoritmů umělé inteligence,“ říká MUDr. Ondič.

Zdroj: MT