W przypadku pacjentów trafiających na oddział ratunkowy z silnym bólem brzucha liczy się każda minuta. Może chodzić na przykład o zapalenie trzustki, wyrostka robaczkowego czy niedrożność jelita.

Aby usprawnić pracę radiologów i zwiększyć jej efektywność, a także szybko identyfikować pacjentów wymagających pilnej operacji, naukowcy z University of Colorado Anschutz School of Medicine (USA) opracowali narzędzie (vision-language agent) wykorzystujące sztuczną inteligencję (AI) do szybszej i dokładniejszej interpretacji badań ultrasonograficznych prawego górnego kwadrantu jamy brzusznej (RUQ).

Badanie to pozwala uwidocznić narządy znajdujące się w tej części ciała, takie jak wątroba, pęcherzyk żółciowy, prawa nerka oraz fragment trzustki (http://dx.doi.org/10.1038/s41467-026-77498-w).

Nowe rozwiązanie pozwala lekarzom zaoszczędzić czas, a pacjentom umożliwia szybsze uzyskanie niezbędnej pomocy. Łączy ono dane wizualne z badania USG z pisemnymi informacjami klinicznymi (np. wynikami badań laboratoryjnych), co pozwala na precyzyjną analizę obrazów RUQ, diagnozowanie częstych schorzeń znajdujących się tam narządów oraz sugerowanie dalszych kroków diagnostyczno-terapeutycznych.

Dr Harrison Bai, profesor wizytujący na Wydziale Radiologii i główny autor publikacji, podkreśla, że system został zaprojektowany do współpracy z wykwalifikowanym radiologiem – przygotowuje on raporty, które lekarz następnie sprawdza i ocenia. Jest to narzędzie, które może znacząco usprawnić codzienną pracę.

„Celem nie jest zastąpienie lekarza. Nie próbujemy stworzyć »radiologa-AI«” – wyjaśnił dr Bai. „Jeśli jednak nasz system AI potrafi przygotować wstępne raporty, pozwala to radiologom zaoszczędzić czas” - zauważył.

Badanie USG prawego górnego kwadrantu jamy brzusznej (RUQ) jest często wybierane przez lekarzy jako podstawowe narzędzie diagnostyczne w przypadku problemów dotyczących wątroby lub układu żółciowego. Lekarze często je zlecają, gdy pacjenci odczuwają ból w prawym górnym kwadrancie brzucha lub gdy wyniki badań laboratoryjnych wykazują na przykład podwyższony poziom enzymów wątrobowych bądź bilirubiny.

Badania ultrasonograficzne tego obszaru są bezbolesne i nieinwazyjne; pomagają w diagnozowaniu schorzeń takich jak kamica żółciowa, stłuszczenie, marskość czy zapalenie wątroby, kamica nerkowa oraz zapalenie trzustki. Pozwalają również wykryć torbiele lub guzy w tej części ciała.

W wielu dziedzinach medycyny brakuje specjalistów, jednak radiolodzy znajdują się pod szczególną presją – wynika to ze starzenia się społeczeństwa i rosnącego zapotrzebowania na badania obrazowe. Obciążenie pracą radiologów jest obecnie większe niż kiedykolwiek, a od lekarzy oczekuje się coraz więcej przy ograniczonych zasobach. W 2022 roku odsetek radiologów odchodzących z zawodu był w USA dwukrotnie wyższy niż w 2014 roku.

„Staramy się zaradzić rosnącemu obciążeniu pracą. Sporządzanie opisów badań obrazowych wymaga czasu. Brakuje personelu, a do tego dochodzi spadek stawek refundacyjnych w ramach programu Medicare” – podkreślił Bai.

Dokładność diagnostyczna badania często zależy od tego, kto je analizuje. Osoby dokonujące oceny dysponują różnym poziomem umiejętności i doświadczenia, a same obrazy mogą zawierać zakłócenia (szumy) oraz artefakty, których mniej wykwalifikowany specjalista może nie rozpoznać. Zastosowanie modelu typu vision-language model (VLM), opartego na sztucznej inteligencji, mogłoby pomóc w ujednoliceniu sposobu interpretacji takich badań, poprawie dokładności oraz zapewnieniu spójności wyników niezależnie od tego, kto przeprowadza ocenę.

Opracowany przez naukowców model VLM pozwala również na szybkie generowanie opisów badań, co ma kluczowe znaczenie w sytuacjach wymagających natychmiastowej interwencji medycznej. System potrafi wykrywać 16 typowych jednostek chorobowych, szacować rokowania dla poszczególnych pacjentów oraz automatycznie generować opisy badań.

Naukowcy przetestowali model na zbiorze danych obejmującym około 11 000 badań USG (pochodzących ze Stanford University, University of Colorado oraz Johns Hopkins University), a następnie przeprowadzili ręczną weryfikację 100 z nich. W tej grupie analizowanych opisów model VLM w 99,6 proc. przypadków poprawnie określił diagnozę na podstawie badania USG. Choć w opisach zdarzały się błędy, były one na tyle łatwe do wychwycenia, że radiolodzy weryfikujący i redagujący dokumenty mogli je bez trudu poprawić.

Naukowcy przeprowadzili również „ślepy” test z udziałem ekspertów, sprawdzając, czy potrafią oni odróżnić opisy przygotowane przez model VLM od sporządzonych samodzielnie przez radiologów. Eksperci byli w stanie zidentyfikować nieedytowane teksty wygenerowane przez VLM, ale w większości przypadków nie potrafili odróżnić opisów przygotowanych przez VLM, a następnie poprawionych przez radiologów od napisanych w całości przez lekarzy.

Zanim technologia zostanie powszechnie wdrożona, konieczne jest jej sprawdzenie  w rzeczywistych warunkach oddziałów ratunkowych. Badacze podkreślają, że kluczowe będzie również zbadanie, w jaki sposób współpraca lekarza ze sztuczną inteligencją wpływa na trafność diagnoz, efektywność pracy oraz dobrostan pacjentów.

Wyniki badania sugerują, że sztuczna inteligencja może skutecznie wspierać pracę radiologów, nie zastępując ich specjalistycznej wiedzy. „Uważam, że technologia ta może odegrać ogromną rolę w praktyce lekarskiej” – zaznaczył Bai. „Wiąże się to z wieloma zmianami i koniecznością przyswojenia nowych umiejętności. Chciałbym, aby te rozwiązania nie ograniczały się tylko do mojego laboratorium, lecz stały się częścią codziennej praktyki, przynosząc korzyści zarówno pacjentom, jak i lekarzom” - podsumował.

Paweł Wernicki (PAP)

pmw/ bar/