Изкуственият интелект в гастроентерологията

Напоследък темата за инкорпорирането на изкуствения интелект (Artificial Intelligence – AI) в медицинската наука и практика набира все по-голяма скорост и поражда редица полемики[1]. Според най-разпространената дефиниция AI се дефинира като „изкуствена симулация на процесите на човешкия интелект и способността да се анализират и интерпретират комплексни данни, както и приспособяването им към променяща се среда с цел изпълнение на задачи, традиционно изискващи човешки интелект“[2]. Според друга разпространена концепция AI се определя като „технологично базирана система, която е способна при задаване на определен набор от дефинирани от човека цели, да направи прогнози, препоръки и предложи решения, влияещи върху виртуални или реални среди“[3].

В медицинската наука използването на AI набира сила, тъй като дава възможност за неограничен брой операции с данни, за които обобщения, изводи и методи за проверка биха отнели ценно време. Натрупването на неточности и грешки при анализа на данни, както и човешкия фактор в тяхната интерпретация, прави използването на AI желан, а напоследък и предпочитан метод за обективизиране на даден проблем и представяне на решения. Критичният поглед за възможностите на AI се налага както от само себе си, така и от концепцията, че човекът е факторът, който взима крайните оперативни решения. Засиленият интерес към AI в последната една година е продиктуван от впечатляващия напредък на тази платформа и затрудненията пред институциите, международната общественост и IT сектора за отговор на редица въпроси, които се поставиха пред тях.

Доколкото вече съществува AI, внедрен в системите на образната диагностика, клиничната лаборатория, имунологичната диагностика, роботизираната хирургия, телемедицината и иновативната медицина, темата за внедряването и използването на AI в клиничната практика поражда реакции от ентусиазирано приемане до яростно отрицание. Критичният поглед върху внедряването, използването и интерпретирането на данните, предоставени от AI на вниманието на клинициста, следва да бъде внимателно проучено, оценено и интерпретирано, за да не се постигнат ефекти, обратни на очакваните както за лекаря, така и за пациента. AI продължава своето бързо навлизане в медицината и клиничните приложения на тази технология стават все по-очевидни[4].

Медицинската наука няма, а и не бива да остава встрани от световните тенденции за инкорпориране на AI във всички области на науката и практиката. Липсата на субективизъм, човешки фактор и умора, в съчетание с непрестанното набиране на информация в реално време, правят AI привлекателна алтернатива за получаване на данни от много специалисти във всички сфери на медицинската наука и практика. Въпреки създадения от Европейския парламент закон за AI (Artificial Intelligence act)[5] приет през месец март 2024 г., все още няма регулаторен механизъм на национално и световно ниво, който може да бъде следван и използван от лекарите при работа с AI. Приетият закон има по-скоро пожелателен и препоръчителен характер за други области на социално-икономическите отношения и не предлага правна рамка, отнасяща се до медицинската наука и практика.

Такава липса поражда цяло ново поле за работа в интердисциплинарните връзки, което трябва да бъде разработено, а именно – юридическите основи за правилно и безопасно използване на AI в медицината. От друга страна, медицинските стандарти в някои области на медицината са толкова информационно остарели, че това прави тяхното използване ненужно, а в някои случаи и нежелателно. Изтъква се фактът, че AI, внедрен в редица области на диагностиката и роботизираната медицина, вече дава впечатляващи резултати и изгражда специфични връзки между оператора и машината. Отричането на използването на AI в клиничната медицина вече е преодоляно в повечето клинични области и очевидно по-нататъшният процес за инкорпориране на AI в диагностиката и лечението на нозологичните единици няма да спре. Едно нещо обаче е сигурно – лекарят ще е крайният сегмент от веригата, който ще взема крайните оперативни решения и ще носи отговорност за работата си с AI.

Не може да остане встрани от тези тенденции и гастроентерологията. Гастроентерологията е в тясна връзка с ендоскопската и образната диагностика, имунологията, вирусологията, клиничната патология, фармакологията и още ред други специалности. Интензивното внедряване на AI в някои от тези специалности неминуемо оказва влияние както върху научните аспекти на гастроентерологията, така и в чисто практическите аспекти на специалността – а именно ендоскопската и лабораторната интерпретация на получените данни. Цяла нова научна сфера, при която се инкорпорира AI, се развива в областта на фарма­цев­тичната наука и производство. Лечението на нозологичните единици в гастроентерологията с помощта на AI ще започне в най-обозримо бъдеще и този факт ще постави пред проблеми специалистите, които нямат възможност или не желаят да се възползват от алтернативите, които ще им предостави AI.

Новостите в тази сфера, както и важността им за клиничната практика в областта на гастроентерологията, наложиха провеждането на първата световна среща, посветена на приложението на AI в гастроентерологията и ендоскопската диагностика. Срещата се проведе във Вашингтон в края на 2019 г., като в нея участваха експерти от медицинските академични среди, индустрията, IT сектора и регулаторните институции. Срещата излезе със становище, че през следващите 10 години клиничните приложения на AI в гастроентерологията ще повлияят положително на пациентите и положително върху работния процес в клиничната практика на всеки лекар. Препоръча се насърчаването и изследването на последиците от внедряването на AI в гастроентерологичната практика. На срещата беше призната важността на тясното интердисциплинарно сътрудничество между гастроентеролозите, медицинската индустрия, IT сектора и регулаторните институции по отношение на разработката и приложението на AI в клинични условия[6].

Ето и някои от основните направления в използването на AI в гастроентерологията:

Горен гастроин­тестинален тракт

Установяване на премалигнени и малигнени лезии – Баретов хранопровод (BE), езофагеален сквамозно-клетъчен карцином (SCC) и стомашен рак (GC).
Въпреки че хистопатологията остава „златен стандарт“ в диагностиката на преканцерозите и канцерозите, AI може да насочи ендоскописта към таргетната зона и да препоръча необходимия брой прицелни биопсии. Важно е засичането на ранната неоплазия чрез конвенционално изображение с бяла светлина (WLI) и дигитална хромоендо­скопия (NBI). Това може да се окаже предизвикателство, за което AI е предложен като възможно решение за диагностиката на BE[7].

Подобна е и ситуацията при езофагеалния SCC, тъй като традиционните диагностични техники (например хромоендоскопия с лугол или NBI) имат относително ниска специфичност. С развитието на сложни новаторски методи, които се базират на подобряването на ендоскопското изображение, като например ендоцитоскопия или ендолуменна лазерна ендомикроскопия, които се внедряват постепенно в клиничната практика, се посочва, че интерпретацията на големи обеми изображения е предизвикателство, което изисква време. Поради това използването на AI за асистирана интерпретация на изображенията също е намерило приложение в идентифицирането на аномалиите във входящото изображение[8].

По отношение на GC е направен ретроспективен анализ на 24 проучвания, касаещи малигнените лезии от стомах. Точността в откриването на EGC на всички модели варира от 86.5% до 98.7%, с чувствителност от 80.0% до 96.7% и специфичност от 89.2% до 100%. Екипът, разработил модел за диагностика, използва над 9000 изображения, обработени от AI-базиран алгоритъм, който открива лезии с точност от 92.5%, чувствителност от 94.0% и специфичност от 91.0% в сравнение с диагнозата, поставена хистологично. Ph et al. разработват модел на базата на ResNet50 за компютър-асистирана диагностика (CAD) на дълбочината на инвазията на GC, базиран на ендоскопски изображения. Моделът постига точност от 89.16% при идентифициране на дълбочината на инвазията на GC в сравнение с 71.49% при ендоскопистите.

Долен гастроин­тестинален тракт
Малигнени и бенигнени полипи

В ретроспективно проучване са включени осемнадесет изследвания, които оценяват детекцията на полипи (доказани хистологично като бенигнени и като малигнени), от които при тринадесет са използвани модели на т.нар. deep learning technology. Почти всички изследвания са ограничени само до вътрешна валидация. Обучителните данни в тези изследвания използват статични изображения от колоноскопските записи, вариращи от 176 до повече от 8600 изображения. Седем изследвания изчисляват ADR на разработения модел и го сравняват с този на ендоскопистите, при които повечето е установено, че AI значително превъзхожда заключението на ендоскопистите, намалява статистически значимо времето за детекция и показва заключения със специфичност от 96.4%[9].

OLT (Orthotopic Liver Transplantation)

Особен интерес в клиничната практика се оказва използването на AI базирани модели за оценка на донор и реципиент по отношение на OLT. От проведени 20 проучвания, които разглеждат предикторите на резултата, 8 оценяват модели за предсказване на резултатите от OLT, включително съответствие между донор и реципиент, survival predictors и morbidity predictors в определен времеви период. Bertsimas et al. създават вътрешно-валидиран модела за решения, базиран на машинно обучение, използвайки клинични данни, които предиктират 3-месечната смъртност на пациентите на списъка за чакане или премахване с AUC (Area Under Curve) от 0.895. Петте изследвания създават модели за предиктиране на резултата при пациенти с НСС, включително отговора при провеждане на трансартериалната хемоемболизация (ТАСЕ), рецидив или преживяемост след резекция, повечето от които се базират на CNN (Convolutional Neutral Network). Резултатите показват чувствителност на модела от 94.7% и специфичност от 96.2%[10].

Заключение

От показаните по-горе данни, както и въз основа на постоянните проучвания в областта на интегрирането на AI в медицинската наука и практика, става ясно, че използването на AI в гастроентерологичната практика се развива бързо и дава положителни резултати. Неограничената възможност за боравене с данни и представяне на обосновани решения в светлината на практикуването на evidence-based medicine, ще направят използването на AI в ежедневната практика все по-желана платформа. Много центрове вече успешно използват AI базирани модели в своята ежедневна практика за справки. Отговорността за използването и интерпретирането на данните, предоставени от AI, остава отговорност на лекаря. n

книгопис:
1. Drawbacks of Artificial Intelligence and Their Potential Solutions in the Healthcare SectorBangul khan,1,2 Hajira Fatima,3 Ayatullah Qureshi,3 Sanjay Kumar,4 Abdul Hanan,3 Jawad Hussain,2 and Saad Abdullah2,5, Biomed Mater Devices. 2023 Feb 8: PMCID: PMC9908503 PMID: 36785697.
2. Russell, Stuart J., and Peter Norvig. “Artificial Intelligence: A Modern Approach.” Prentice Hall Press, 2016.
3. Luger, George F., and William A. Stubblefield. “Artificial Intelligence: Structures and Strategies for Complex Problem Solving.” Pearson, 2004.
4. 1. Noorbakhsh-Sabet N, Zand R, Zhang Y, Abedi V. Artificial Intelligence Transforms the Future of Health Care. Am J Med. 2019;132:795–801. [PMC free article] [PubMed] [Google Scholar] [Ref list]
5. https://digital-strategy.ec.europa.eu/bg/policies/regulatory-framework-ai
6. Parasa S, Wallace M, Bagci U, Antonino M, Berzin T, Byrne M, Celik H, Farahani K, Golding M, Gross S, Jamali V, Mendonca P, Mori Y, Ninh A, Repici A, Rex D, Skrinak K, Thakkar SJ, van Hooft JE, Vargo J, Yu H, Xu Z, Sharma P. Proceedings from the First Global Artificial Intelligence in Gastroenterology and Endoscopy Summit. Gastrointest Endosc. 2020;92:938–945.e1. [PubMed] [Google Scholar] [Ref list]
7. Hashimoto R, Requa J, Dao T, Ninh A, Tran E, Mai D, Lugo M, El-Hage Chehade N, Chang KJ, Karnes WE, Samarasena JB. Artificial intelligence using convolutional neural networks for real-time detection of early esophageal neoplasia in Barrett’s esophagus (with video) Gastrointest Endosc. 2020;91:1264–1271.e1. [PubMed] [Google Scholar] [Ref list]
8. Pannala R, Krishnan K, Melson J, Parsi MA, Schulman AR, Sullivan S, Trikudanathan G, Trindade AJ, Watson RR, Maple JT, Lichtenstein DR. Artificial intelligence in gastrointestinal endoscopy. VideoGIE. 2020;5:598–613. [PMC free article] [PubMed] [Google Scholar] [Ref list]
9. Liu WN, Zhang YY, Bian XQ, Wang LJ, Yang Q, Zhang XD, Huang J. Study on detection rate of polyps and adenomas in artificial-intelligence-aided colonoscopy. Saudi J Gastroenterol. 2020;26:13–19. [PMC free article] [PubMed] [Google Scholar] [Ref list]
10. Abajian A, Murali N, Savic LJ, Laage-Gaupp FM, Nezami N, Duncan JS, Schlachter T, Lin M, Geschwind JF, Chapiro J. Predicting Treatment Response to Intra-arterial Therapies for Hepatocellular Carcinoma with the Use of Supervised Machine Learning – An Artificial Intelligence Concept. J Vasc Interv Radiol. 2018;29:850–857.e1. [PMC free article] [PubMed] [Google Scholar] [Ref list]