Využití počítačové tomografie v diagnostice a predikci onemocnění
Výzkumný tým z University of Pennsylvania publikoval v časopise npj Digital Medicine studii, která se zabývá možnostmi využití umělé inteligence při analýze dat z CT vyšetření. Autoři vyvinuli model nazvaný Percival, což je vizuálně-jazykový model (vision-language model) trénovaný na více než 400 000 CT snímcích spárovaných s odpovídajícími radiologickými zprávami. Tato data pocházela od 52 000 účastníků zahrnutých v databázi Penn Medicine BioBank a zahrnovala širokou škálu anatomických oblastí i různé protokoly snímkování.
Princip fungování modelu Percival
Model s 86 miliony parametrů byl navržen tak, aby propojoval obrazová data s textovými zprávami. Výsledkem procesu je číselná reprezentace každého skenu, takzvaný embedding, který v sobě kóduje obrazové vzorce získané během tréninkového procesu. Výzkumníci při testování zjistili, že tyto embeddingy odrážejí základní charakteristiky pacientů, jako jsou věk, pohlaví a tělesná konstituce.
Souvislost s laboratorními výsledky a klinickými diagnózami
Studie zkoumala vztah mezi těmito digitálními reprezentacemi snímků a desítkami typů laboratorních měření provedených v rozmezí 60 dnů od vyšetření. Byly zjištěny statisticky významné asociace u 35 měřených hodnot, které zahrnovaly markery funkce ledvin a jater, metabolismus glukózy a lipidů, krevní obraz a ukazatele zánětu. Ačkoliv model vykazoval schopnost identifikovat tyto širší fyziologické souvislosti, jeho schopnost přímo odhadovat přesné laboratorní hodnoty byla omezená, s výjimkou parametrů jako albumin, hemoglobin a kreatinin.
Analýza dále ukázala souvislost mezi vzorci v datech z CT a 351 kategoriemi diagnóz, které zahrnovaly kardiovaskulární, respirační, metabolická a onkologická onemocnění. Model byl následně porovnán s alternativním modelem CT-FM, který byl trénován pouze na obrazových datech bez textových zpráv. Percival dosahoval lepších výsledků, zejména u diagnóz jako fibrilace síní, koronární ateroskleróza, srdeční selhání a karcinom pankreatu.
Predikce budoucího zdravotního stavu
Jedním z cílů výzkumu bylo ověřit schopnost modelu predikovat budoucí diagnózy. V tomto testu model překonal jak čistě obrazové modely, tak predikce založené pouze na věku, pohlaví nebo dílčích měřeních orgánů. Nejvyšší přesnosti bylo dosaženo v predikci srdečního selhání, cirhózy a akutního selhání ledvin.
Autoři studie uvádějí, že model by mohl v budoucnu napomáhat při identifikaci dosud nerozpoznaných onemocnění a predikci komplikací, a to i u diagnóz, které standardně nejsou diagnostikovány primárně pomocí CT. Je však nutné vzít v úvahu, že studie nezkoumala schopnost modelu diagnostikovat stavy v přímém srovnání s lidskými radiology. Současně platí, že predikce budoucích diagnóz může v některých případech reflektovat existující, ale dosud nezdokumentovaný zdravotní stav, spíše než vývoj nemoci s velkým časovým předstihem.
Výsledky práce naznačují potenciál vizuálně-jazykových modelů při integraci různých typů zdravotních záznamů. Další rozvoj těchto metod by mohl vést ke komplexnějšímu využití rutinního zobrazování jako nástroje pro včasnější intervenci v rámci preventivní a personalizované péče.