Joanna Biegaj, „Wprost”: Na czym polega i jak działa stworzony przez Pana oraz zespół naukowców system umożliwiający wczesne wykrywanie raka piersi?
Dr n. med. Jan Witowski*: Nasz system zbudowany został w celu poprawy diagnostyki raka piersi w ramach przesiewowych badań mammograficznych. Chodzi tutaj zarówno o poprawę dokładności w wykrywaniu nowotworów, jak i o poprawienie czasu niezbędnego do wykonania diagnozy. Mimo tego, że przesiewowe badania mammograficzne są skuteczną metodą wczesnego wykrywania raka piersi, to u wielu pacjentek podejrzane zmiany okazują się łagodne. Te pacjentki niestety przechodzą przez niepotrzebne i często bolesne badania, na przykład biopsję piersi. Zbudowanie dokładnych systemów wspierających diagnostykę może pomóc uniknąć niepotrzebnych procedur, wykryć bardzo wczesne i ukryte nowotwory, a także przyspieszyć czas diagnozy.
Czy można powiedzieć, że został stworzony zupełnie nowy model?
Nasz zespół opracował nowy model sztucznej inteligencji (AI, artificial intelligence) oparty o technologię sieci neuronowych. Opracowanie systemów AI, w tym naszego, polega głównie na pokazaniu sieciom neuronowym dużej liczby przykładów: przykładów tego, jak wyglądają badania radiologiczne pacjentek z rakiem piersi i przykładów tego, jak wyglądają badania radiologiczne pacjentek bez raka piersi. Sztuczna inteligencja jest bardzo dobra w rozpoznawaniu różnic pomiędzy przykładami i jest w stanie samodzielnie nauczyć się, jak na obrazie radiologicznym wygląda chory i zdrowy organ. Niezbędną kwestią jest tutaj przygotowanie odpowiednio dużego zbioru danych.
Nasz model nauczyliśmy na setkach tysięcy przykładów badań mammograficznych z Nowego Jorku, zarówno u kobiet z rakiem piersi, jak i bez raka piersi. Właśnie ten efekt skali pozwala na to, że modele AI są bardzo dokładne. Są w stanie obejrzeć dużo więcej przykładów niż lekarz radiolog w swoim życiu. Pomysł na zastosowanie sztucznej inteligencji w diagnostyce raka piersi nie jest nowy, ale w ramach naszych badań zmodyfikowaliśmy sieci neuronowe w unikalny sposób – tak, żeby były dostosowane do różnego rodzaju badań mammograficznych. Dopiero odpowiednie dostosowanie standardowych sieci neuronowych pozwala na zbudowanie systemów, które skutecznie zadziałają w praktyce klinicznej.
Jaka jest dokładność algorytmu w przypadku wykrywania raka piersi? Z czego wynika jego skuteczność?
Nasz model jest w stanie rozpoznać raka piersi z dokładnością wyższą niż przeciętny lekarz-radiolog i tak samo wysoką, jak najlepsi radiolodzy. Dwa najważniejsze aspekty tak wysokiej dokładności to dane i algorytmy. Dane – bo w przypadku sztucznej inteligencji im więcej danych pokażemy algorytmom, tym będą dokładniejsze. Nam udało się zgromadzić jeden z największych na świecie zbiorów danych, zawierający ponad milion badań obrazowych piersi. Algorytmy – bo żeby maksymalnie wykorzystać tak potężny zbiór danych nie wystarczy wykorzystać gotowej metodologii nieprzystosowanej do badań radiologicznych. My dokonaliśmy odpowiednich modyfikacji, które pozwalają sieciom neuronowym doskonale rozróżniać zdrowe i chore pacjentki.
Czy ten algorytm jest najskuteczniejszy na świecie? Dlaczego i w jaki sposób można to określić?
Kilkukrotnie porównywaliśmy nasz model do systemów opracowanych przez inne grupy naukowe i prywatne firmy, wyraźnie je pokonując. Takie porównanie wykonuje się w bardzo prosty sposób: każdy model AI można uruchomić na tej samej, standardowej grupie pacjentek, które poprzednio były zdiagnozowane z rakiem piersi. W ten sposób możemy zmierzyć, jak dokładnie każdy z tych modeli jest w stanie przewidzieć, czy pacjent jest chory, czy nie.
W oparciu o jakie dane został stworzony system?
Nasze systemy AI są uczone na podstawie baz danych sieci placówek New York University. Przez lata naszej pracy naukowej zgromadziliśmy w sumie ponad milion badań radiologicznych piersi, w tym kilkaset tysięcy badań mammograficznych.
Czy system już działa? Czy już ratuje życie kobiet?
Tak. System jest wdrożony w placówkach New York University Langone Health, które wykonują przesiewowe badania mammograficzne. Jest to ponad 10 lokalizacji w obrębie Nowego Jorku, w których codziennie pod kątem raka piersi bada się kilkaset pacjentek. Badania radiologiczne każdej z tych pacjentek są interpretowane przez lekarzy radiologów, którzy wykorzystują nasz system do poprawienia diagnozy. Ostatnio jedna z analiz naszego systemu pokazała, że pozwolił on na znalezienie u ponad 10 pacjentek raka piersi, który nie został początkowo zauważony przez radiologa. Dodatkowo liczba pacjentek, które uniknęły niepotrzebnej biopsji piersi, jest już liczona w tysiącach.
Jakie, poza skutecznością, jeszcze korzyści przynosi korzystanie ze stworzonego modelu?
„Dokładność” czy „skuteczność” naszego modelu wpływa na poprawę dwóch aspektów badania piersi. Po pierwsze, zastosowanie naszego systemu pozwala uniknąć niepotrzebnych biopsji piersi i dodatkowych badań diagnostycznych. To jest ta ochrona przed fałszywie pozytywnym wynikiem badania. Działa to w ten sposób, że nasz model AI jest w stanie z bardzo wysoką dokładnością (>99.9%) zidentyfikować te badania mammograficzne, w których nie ma żadnej podejrzanej zmiany. Wtedy lekarze radiolodzy mogą mieć większe zaufanie do swojej decyzji i rzadziej wysyłają pacjentki na dodatkowe badania. Jak wspomniałem w poprzednim pytaniu – już tysiące pacjentek uniknęło niepotrzebnej biopsji piersi dzięki zastosowaniu naszego systemu.
Co jest tym drugim aspektem?
Po drugie, nasz model jest w stanie znaleźć nowotwory, które są trudne do zauważenia przez radiologów. To jest ochrona przed fałszywie ujemnym wynikiem badania. System AI jest w stanie zaznaczyć podejrzane obszary na badaniu radiologicznym i zwrócić uwagę lekarza na zmianę. Jak w poprzednim pytaniu – według ostatniej analizy, u przynajmniej 10 pacjentek zidentyfikowano nowotwór, który nie został wstępnie zauważony przez radiologów. Warto zauważyć, że to pierwsze zadanie jest trudniejsze niż drugie. Badania mammograficzne są bardzo czułe, tzn. radiolodzy z bardzo wysoką dokładnością są w stanie zauważyć nowotwór. Rzadko zdarza się, że rak jest niezauważony. Większym problemem klinicznym jest to, że zbyt wiele pacjentek niepotrzebnie przechodzi przez stres i bolesne badania, mimo tego, że nie mają nowotworów.
Czy model jest skuteczny, nawet jeżeli ma do czynienia z bardzo rzadkim podtypem raka? Czy jego skuteczność zmniejsza się przez jakieś czynniki, na przykład wiek pacjentki, jej rasę?
Model jest dokładny we wszystkich podtypach nowotworów i grupach pacjentek. Są różnice w dokładności modelu w zależności od podgrupy, ale wynikają one bezpośrednio ze zmienności biologicznej, a nie słabości czy przekonań sztucznej inteligencji. Na przykład pacjentki pochodzenia azjatyckiego mają tak zwane „gęste piersi”, tzn. piersi z niewielką zawartością tkanki tłuszczowej i z tego względu detekcja raka u nich jest trudniejsza niż u innych kobiet. Ten problem jest wspólny zarówno dla lekarzy radiologów, jak i dla modelu sztucznej inteligencji – rak jest po prostu trudniejszy do zauważenia. Mimo wszystko model radzi sobie u tych pacjentek tak samo dobrze lub lepiej od radiologów.
W jak dużej mierze diagnostyka poprzez algorytm jest skuteczniejsza od diagnostyki podejmowanej przez lekarza?
Pozwolę sobie zacząć od tego, że obecnie modele sztucznej inteligencji takie jak nasz nie wykonują diagnostyki w pełni samodzielnie. Są one „systemami wsparcia decyzji”, co oznacza, że jedynie informują lekarzy, do których należy ostateczna decyzja o diagnozie czy leczeniu. Modele AI są wyraźnie skuteczniejsze lub równie skutecznie, co lekarze radiolodzy w coraz większym zakresie problemów diagnostycznych i z biegiem czasu zaczną zastępować lekarzy w poszczególnych zadaniach.
Co dalej? Kiedy będzie można powiedzieć, że model rzeczywiście działa? Kiedy narzędzie będzie mogło służyć lekarzom?
Nawiązując do poprzedniego pytania: pomimo tego, że modele AI – szczególnie w obrębie radiologii – działają bardzo dobrze, często lepiej od lekarzy, to ich wejście do praktyki klinicznej zajmie więcej czasu. Powodów jest kilka. Chyba najważniejszy jest taki, że modele sztucznej inteligencji, jak każde inne nowe urządzenie medyczne czy lek, musi przejść przez pewnego rodzaju weryfikację. Pierwszą weryfikacją jest zgromadzenie wystarczających dowodów naukowych, które dobitnie pokażą, że modele te są bardzo dokładne. Ponieważ sztuczna inteligencja jest dziś gorącym tematem, to próg do przejścia jest często wyższy niż w innych obszarach medycyny. Producenci oprogramowania opartego o sztuczną inteligencję muszą udowodnić, że ich modele AI działają w różnych szpitalach, u różnych pacjentów. Te dowody muszą być opracowane przez niezależnych naukowców z różnych ośrodków. Cała ta procedura trwa, często latami.
Z jakich specjalistów składa się zespół pracujący nad algorytmem?
Zbudowanie unikalnego, dobrze przetestowanego systemu z modelami sztucznej inteligencji wymaga zaangażowania zespołu kilku-kilkunastu osób z różnych dziedzin. Nasza grupa naukowa na NYU jest tego dobrym przykładem: składa się ona z ponad 10 naukowców-informatyków – pracowników naukowych, doktorantów i studentów. Dodatkowo współpracujemy z ponad 10 lekarzami radiologami i studentami medycyny, którzy wspierają nas przy analizie medycznej wyników naszych badań czy opracowywaniu baz danych.
W jaki sposób łączą się tutaj dwa światy – technologii i medycyny? Jaka jest istota współpracy między tymi dziedzinami?
Dla mnie najistotniejsze w tej współpracy jest zidentyfikowanie problemów, które rzeczywiście są istotne w praktyce klinicznej. Większość projektów, nad którymi pracują techniczne zespoły, nie będzie miało żadnego wpływu na diagnostykę czy leczenie pacjentów, bo dotyczą one problemów, które realnie nie są istotne dla lekarzy ani pacjentów. Potrzeba głosu ekspertów – lekarzy i pacjentów, którzy są w stanie wskazać, które problemy wymagają pomocy systemów sztucznej inteligencji. Każdy dobrze zdefiniowany problem medyczny jest do rozwiązania – kwestia czasu i pieniędzy.
Dr n. med. Jan Witowski – lekarz i naukowiec zajmujący się komputerowym przetwarzaniem obrazów medycznych, w szczególności obrazowaniem nowotworów. W latach 2019-2023 pracował jako adiunkt badawczy (tzw. „post-doc") w grupach naukowych na Uniwersytecie Harvarda/Massachusetts General Hospital w Bostonie oraz na New York University. Jako naukowiec w USA pracował przede wszystkim nad zastosowaniem sztucznej inteligencji w obrazowaniu raka piersi. Opracował modele AI, które automatycznie rozpoznawały podejrzane zmiany w badaniach mammografii, ultrasonografii i rezonansu magnetycznego piersi. Niektóre modele opracowane przez Jana Witowskiego zostały wdrożone do praktyki klinicznej. Jego model AI dla przesiewowej mammografii został wdrożony w sieci klinik New York University (ponad 10 placówek) i pozwolił na zmniejszenie wskaźnika fałszywie dodatnich wyników oraz na wykrycie kilkunastu nowotworów niezauważonych przez radiologów. Wyniki badań współprowadzonych przez Jana Witowskiego zostały opublikowane w prestiżowych czasopismach naukowych, takich jak Nature Medicine, Science Translational Medicine czy Nature Communications.
Nauka to polska specjalność
Wielkie postacie polskiej nauki
Przeczytaj inne artykuły poświęcone polskiej nauce
Projekt współfinansowany ze środków Ministerstwa Edukacji i Nauki w ramach programu „Społeczna Odpowiedzialność Nauki”