Alicja Barwicka
Dynamika rozwoju technologii medycznych ma w ostatnich latach wręcz kosmiczne tempo. Już nikogo nie dziwi termin telemedycyna, a to przecież tylko jeden z bardzo wielu elementów pracy lekarza wynikający z postępu medycyny i nauk ścisłych wykorzystujących technologie cyfrowe. W medycynie, a w szczególności w diagnostyce medycznej wykorzystujemy już z powodzeniem sztuczną inteligencję, a coraz częściej słyszymy o jednej z jej gałęzi – machine learningu czyli samouczeniu się maszyn. Ta nowa, ale już coraz bardziej powszechna dyscyplina bazuje na algorytmach, które przetwarzają dostarczane oprogramowaniu komputera dane w poszukiwaniu powtarzalnych schematów i wzorców. Na podstawie wcześniej opracowanych (opartych o ogromne zbiory danych) schematów które stanowią bazę - system wykonuje modele analityczne dla danego problemu, zapamiętuje ich wyniki, a w konsekwencji maszyna „się uczy”. Dzięki temu diagnosta uzyskuje wiarygodną odpowiedź dotyczącą wyniku konkretnego badania u konkretnego pacjenta, opartą o porównawczą analizę ogromnych zbiorów danych.
Drugą po radiologicznej diagnostyce obrazowej specjalnością lekarską, w której wykonuje się najwięcej badań diagnostycznych wykorzystujących nowoczesne technologie informatyczne jest okulistyka. Techniki diagnostyki obrazowej są tu powszechnie stosowane i machine learning nie jest już niczym nowym. Przykładem niech będzie badanie OCT (optyczna koherentna tomografia), które jest w okulistyce złotym standardem wykorzystywanym w monitorowaniu efektów leczenia, czy progresji zmian w chorobach siatkówki (np. AMD, retinopatia cukrzycowa) czy nerwu wzrokowego (np. jaskra, tarcza zastoinowa). Wyniki w/w badania są automatycznie analizowane za pomocą machine learningu, co zdecydowanie ułatwia obiektywne monitorowanie zmian. W przebiegu zwyrodnienia plamki związanego z wiekiem (AMD) i w retinopatii cukrzycowej z powodzeniem wykorzystuje się techniki machine learningu do oceny wysokorozdzielczych (wykonanych funduskamerą) zdjęć zajętego obszaru siatkówki. Pozwala to na zautomatyzowaną klasyfikację zmian wolną od subiektywnej oceny, a w konsekwencji na rzetelne monitorowanie ewentualnej progresji choroby. Podobne korzyści daje monitorowanie przebiegu jaskry czy innych chorób nerwu wzrokowego, gdzie tak, jak w przebiegu AMD ocena efektów zastosowanego leczenia, lub potrzeba zmian w tym zakresie ma dla pacjenta i lekarza wartość kluczową.
Coraz więcej wiemy na temat wykorzystywanych w diagnostyce medycznej nowoczesnych technik sztucznej inteligencji, coraz bardziej praktyczne są urządzenia dzięki którym możemy je stosować. Dla przykładu – istnieje już smartfonowy system oftalmoskopowy składający się z nakładki na kamerę do smartfona, będącej zamiennikiem tradycyjnego wziernika okulistycznego. Taka przenośna przystawka do telefonu wraz z zainstalowaną na nim odpowiednią aplikacją pozwala bez przeszkód wykonywać fotografie i filmować dno oka.
Trzeba pamiętać, że stosowana dotychczas tradycyjna formuła analizowania badań diagnostycznych jest nie tylko czaso- i kosztochłonna, ale też podatna na błędy ludzkie, co zdecydowanie podnosi wartość stosowania do tych celów machine learningu. Wszystkie te nowoczesne rozwiązania dowodzą ogromnego postępu wiedzy w zakresie stosowanych w medycynie technologii cyfrowych i pozwalają mieć nadzieję, że dalszy ich rozwój przyspieszy diagnostykę wielu ciągle jeszcze nie do końca wyjaśnionych chorób i zaburzeń.
