Az egészségügyben számos döntéstámogató algoritmus segíti az orvosok munkáját. Kérdés azonban, hogy a gyógyítás során mennyire hagyatkozhatunk a mesterséges intelligenciára (artificial intelligence, AI), fenyegetésként vagy lehetőségként tekintünk rá. Az ESGE Connect legutóbbi rendezvényen két szakértő nem kevesebbre, mint arra vállalkozott, hogy irodalmi adatok segítségével, az előnyök-hátrányok és kockázatok mérlegelésével bemutassa, hol tartunk jelenleg, hová juthatunk a mesterséges intelligencia segítségével.

Gépi tanulás kontra mély tanulás – melyikkel mit és hogyan?

Ahhoz, hogy értsük és megértsük, tudnunk kell, milyen elvek mentén működnek a különféle szoftverek. A mesterséges intelligenciának két különböző fajtáját, a gépi tanulást és az úgynevezett mély tanulást különböztetjük meg. Leegyszerűsítve: a gépi tanulás kis feladatokat old meg, kisebb teljesítményű eszközökön működik, előre meghatározott algoritmusokat használ és egyszerre kis mennyiségű „felcímkézett” adatot dolgoz fel. Gyorsan működik és a feladatokat részfeladatokra bontva oldja meg. Erre példa a keresőmotorok működése vagy a spamszűrés.

Ezzel szemben a mély tanulás komplex feladatok megoldására hivatott, működtetése nagy teljesítményű számítógépeket igényel és mesterséges idegi hálózatot használ ehhez. Működéséhez nagy mennyiségű „címkézetlen” adatot igényel. A mély tanulás hosszabb idő alatt, de a komplex feladat egészét képes megoldani. Ezekre a példa a rendszámfelismerés vagy az automata fordítás. A gépi tanulás emberi ellenőrzést igényel, az adatokat címkézni szükséges, tehát a felismerni kívánt adatok jellemzőit meg kell adni. A mély tanulás esetén nagy mennyiségű „címkézetlen” adat feldolgozása során az algoritmus önállóan tanulja meg az eltérések felismerését.

Az endoszkópiában a mély tanulás során nyert képességek használhatók. Az AI az endoszkópiában segíthet a lézió megtalálásában (polyp/adenoma, Barrett-nyelőcső), a lézió jellemzésében (prekancerózus állapot vagy rák), a normális és a gyulladt szövet elkülönítésében, és segíthet a terápiás döntések meghozatalában (endoszkópos eltávolítás vagy sebészet).

A mesterséges intelligencia a gasztroenterológia számos területén felhasználható

Miért van szükség a AI-re?

Az emberi észlelést egy kolonoszkópia során sokféle tényező befolyásolhatja: a figyelem, a szakértelem és a tapasztalat hiánya éppúgy hatással lehet a diagnózisra, mint a gyenge minőségű felszerelés vagy a fáradtság – egy esetleges hiba pedig a betegekre nézve kedvezőtlen kimenettel járhat. „Miközben valamennyien kiváló endoszkópos szakembernek gondoljuk magunkat, az irodalmi adatok mást mutatnak” – hívta fel az ESGE legutóbbi webináriumán a résztvevők figyelmét prof. dr. Pradeep Bhandari. Az ESGE kutatási bizottságának elnöke szerint a szakirodalom számos bizonyítékkal szolgál erre, így például Thomas K. L. Lui és munkatársainak (1) vizsgálata rámutatott arra, az adenomák akár 27%-át egyáltalán nem észleljük. Ez rendkívül fontos adat, mert Kaminski közleménye alapján (2) 1%-os javulás az adenómadetekciós rátában (ADR) 3%-kal csökkenti az intervallumkarcinóma esélyét.

A mesterséges intelligencia egy gyengén előkészített bélen végzett kolonoszkópos vizsgálat esetén is segítségünkre lehet, felhívhatja a figyelmet egy esetleges polipra, a szoftver által küldött figyelmeztető jel pedig a kérdéses terület alapos tisztítására, átvizsgálására ösztönözhet. Ha ilyen kedvezőtlen körülmények, „rossz látási viszonyok” között is segítheti a diagnózist a mesterséges intelligencia, akkor kedvező körülmények esetében egyértelmű, hogy a hasznunkra lehet.

Kiváló példa erre a vastagélpolip észlelése, így például Hassan metaanalízise is (3), a kutatók a vizsgálatban 5 RCT adatait dolgozták fel, az AI ADR-e 36,6% volt az humán 25,2%-kal szemben. Ezen adatok alapján az AI a vastagbélpolipok és -adenomák észlelésében jól teljesít.

Gyakori a felső tápcsatorna területi daganatokkal kapcsolatos „tévesztés” is – hívta fel a figyelmet Pradeep Bhandari, Menon és Trudgill metaanalízise alapján (4) a felső tápcsatorna területi daganatok 11,3%-át nem észlelik a diagnózis előtti 3 évben végzett endoszkópos vizsgálatok során. Ez azt jelenti, hogy minden 398 vizsgálat során elnézünk egy daganatot. Barrett-neoplázia észlelése szempontjából még rosszabbul teljesítünk, mivel ez egy lapos, ritka eltérés. Schölvinck adatai alapján (5) a Barrett-nyelőcső miatt továbbküldött esetek 76%-ában találtak korábban nem leírt kezelést vagy műtétet indokló elváltozást.

Az AI alkalmazásával sokat tehetünk betegeinkért, ezt bizonyítja Rintaro Hashimoto publikációja is (6), aki munkatársaival együtt jó eredményekről számol be egy pilot vizsgálata során. Tesztképek vizsgálata során a korai Barrett-carcinoma és a high-grade diszplázia észlelése szempontjából a szenzitivitás 96,4%, a specificitás 94,2% és a pontosság 95,4%-nak bizonyult AI rendszer használata során. Az előadó saját vizsgálata során hasonlóan jó eredményekről számolt be (UEGW absztrakt 2020): szenzitivitás 96,3%, specificitás: 97%, pontosság 96,8% volt.

Szükséges az AI a polipok jellemzéséhez?

A DISCARD-2 vizsgálatban (7) összehasonlították az NBI alapú optikai diagnózist a szövettani értékeléssel és polipmérettel. A vizsgálatban az endoszkópos vizsgálatot végző orvosok nem teljesítettek megfelelően, a tévedés akár 68% is lehetetett a jó minőségű eszközök és a megelőző felkészítés ellenére. Mo Abdelrahim (UEGW absztrakt, 2020) adatai alapján a Fujifilm kereskedelmi forgalomban kapható CAD-EYE rendszere az adenómák észlelése szempontjából jobban teljesít az embernél (szenzitivitás 95 vs. 81,67%, specificitás 96,67% vs. 80%, NPV: 90,62% vs, 68,57%, pontosság 90,62% vs, 81,11%). A jó negatív prediktív értéke alapján a módszer alkalmasnak tűnik a mindennapi használatra.

Vagyis – összegezte tapasztalatait az ESGE kutatási bizottságának elnöke, a jelenleg rendelkezésre álló tapasztalatok szerint a jövőben az AI alkalmas lehet a gasztro- és kolonoszkópos teljesítménymutatók követésére, kapszula-enteroszkópos vizsgálatok automatikus leletezésére, segíthet az EUS-diagnosztikában, pH- és manometriában, a kezelési modalitások kiválasztásában (sebészet vagy endoszkópia), követési intervallumok meghatározásában, képzésben, valamint automata endoszkópos leletíró szoftverek elkészítésében.

A kutató az AI lehetséges hátrányaként említette egyrészt a módszertől való túlzott függést. Másrészt azt a tényt, hogy a téves észlelés (fals pozitív) esetén a vizsgáló túl sok időt tölthet el irreleváns elváltozások vizsgálatával. Az AI használata nem helyettesíti a rutint, hisz az AI csak azt ismeri fel, amire felkészítették – hangsúlyozta a professzor. Amennyiben az AI rosszul ismer fel egy elváltozást, kizárólag erre hagyatkozva rossz terápiás döntés születhet!  Pont ebből adódóan attól semmiképp sem kell tartani, hogy az AI a jövőben átveszi/elveszi az endoszkópos orvosok munkáját – mondta, majd hozzátette: a mesterséges intelligencia segítségével precízebb diagnózisokat állíthatunk fel. Az AI kizárólag egy „második megfigyelő szerepét töltheti be” – ám a „közös munka” eredményeképp optimalizálhatók a terápiás döntések, ami terápiás eredményesség szempontjából javulást eredményezhet a gasztroenterológiai kórképek gyógyítása esetén.

Megéri vagy sem?

A mesterséges intelligencia alkalmazásának megtérüléséről prof. dr. Cesare Hassan Olaszország egyik ismert és elismert szaktekintélye beszélt az ESGE szimpóziumán. Az előadó felhívta a figyelmet arra, hogy egy új eljárás bevezetésén akkor érdemes elgondolkodni, ha a költségek és a várható terápiás haszon arányban áll egymással.

A közvetlen költségek az eszközbeszerzéssel kapcsolatosak, ám közvetett kiadásokkal is kalkulálni kell. Hisz az AI által kiszűrt – a rutinvizsgálatok során esetleg fel nem ismert – polipok eltávolítása, a betegek követése, valamint a tévesen azonosított és szükségtelenül eltávolított polipokkal kapcsolatos beavatkozások további kiadásnövekedést eredményezhetnek. A mérlegeléskor érdemes figyelembe venni azt is, hogy az AI által tévesen jelzett elváltozások ellenőrzése növelheti a vizsgálatok időigényét (AID Study).

De az AI használata nem csak költségekkel, hanem direkt megtakarítással is járhat. Jó példa erre Yuichi Mori és munkatársainak vizsgálata (8), ha a CADx segítségével a diagnosztizáld-és-hagyd-ott stratégiát követjük, az vizsgálatonként 119 USD megtakarítással járhat.

A CADe hatékonysága nehezen mérhető, mivel az elvesztett életévek száma függ a kolorektális rák (CRC) halálozási kockázatától, valamin az ADR csak közvetett kapcsolatban van a CRC-megelőzési aránnyal. Az AI használata következtében javuló ADR érték CRC rizikócsökkenésre való átváltását egy bonyolult szimulációs modell, a Markov-modell segítségével végezték. A Markov-modell szerint a CADe használata során elért 47%-os ADR-növekedés 11%-os CRC-incidencia-csökkenéssel és 7%-os CRC okozta halálozáscsökkenéssel járna.

A költséghatékonyság-számítások szerint egy eljárás akkor számít költséghatékonynak, ha a költsége alacsonyabb egy meghatározott küszöbértéknél, ami az USA-ban 126 340 USD életminőségre korrigált életévenként (QALY). Az CADe használata során ez az érték 96 392 USD/QALY, tehát költséghatékony. Ha a CADe mellett a CADx-et és a Mori által vizsgált diagnosztizáld-és-hagyd-ott stratégiát is követjük, ez az érték még kedvezőbb, 86 456 USD/QALY.

Összefoglalva a CADe kezdeti befektetést igényel, de a vele járó költségek nemcsak a beszerzéssel, hanem az általa generált polipektómiák és a követés költségeivel is kapcsolatosak. A CRC incidencia és mortalitás 11/7%-os csökkenése ellensúlyozza a CADe költségigényét. A CADx és a diagnosztizáld-és-hagyd-ott stratégia tovább javítja a költséghatékonyságot és megnyitja a kaput a széles körű alkalmazáshoz.