A.I., Radyoloji Alanını Nasıl Yeniden Şekillendirecek – Radyologları Değiştirmeden

2016 yılında, Nobel ödüllü “yapay zekanın vaftiz babası” Geoffrey Hinton, radyologların (tıbbi teşhis koymaya yardımcı olmak için röntgen, ultrason ve diğer görüntüleri okuyan doktorların) beş yıl içinde yerini bilgisayarların alacağını öngörmüştü. Bugün alan, Mark Twain’in ünlü esprisinden alıntı yaparak karşılık verebilir: Ölümümle ilgili haber abartıydı.

Radyolojinin sıralaması aslında istikrarlı bir şekilde artıyor ve uygulayıcı sayısının da artması bekleniyor Yüzde 26 veya daha fazla önümüzdeki otuz yıl boyunca. Ancak Hinton’un iş piyasasının dinamikleri hakkında gözden kaçırmış olabileceği şey onun önsezisini gölgelememeli: İnsan doktorların artık odada kendi performanslarına uyan veya onları aşan silikon temelli bir meslektaşının olduğu konusunda haklıydı. Aslına bakılırsa radyoloji, tıbbın Yapay Zeka için en sıcak noktasıdır ve bu da onu sağlık hizmetlerinde ve belki de diğer alanlarda uzman karar verme sistemlerinin benimsenmesi için bir öncü haline getirmektedir.

2026’nın başlarında, 1.400 yapay zeka destekli tıbbi cihazın yaklaşık dörtte üçü, Gıda ve İlaç İdaresi radyoloji içindi. Bazıları, rapor hazırlayarak veya acilen ilgilenilmesi gereken görüntüler konusunda onları uyararak doktorları daha verimli hale getiriyor. Ancak diğer A.I. Araçlar, insan gözüyle görülemeyen anormallikleri tespit ederek veya görüntüleri eğitimli radyologlar kadar (ve bazen onlardan daha iyi) yorumlayarak insan performansını iyileştirme potansiyeline sahiptir. Örneğin, bir 43 klinik araştırmanın analizi Yapay zeka destekli kolonoskopilerin geleneksel olanlardan daha fazla polip ortaya çıkardığı sonucuna vardı.

Doğruluğu artırmak önemlidir çünkü tanısal görüntüleri içeren ortalama insan hatası oranlarının yüzde 3 ila 5 arasında olduğu tahmin edilmektedir. Dünya çapında her yıl 40 milyon hata. Ancak çözüm bu kadar basit değil insanların makinelerle değiştirilmesi. Hinton’un sansasyonel tahmininden on yıl sonra, asıl soru insanların mı yoksa yapay zekanın mı olduğu değil. belirli bir görevde istatistiksel olarak daha iyi performans gösterir, ancak yapay zekanın teknik hassasiyeti nasıldır? Hastaların yararına doğruluğu artırmak için insanların deneyimi ve esnekliği ile birleştirilebilir.

Birlikte çalışmak

En iyi yolu bulmak böyle bir işbirlikçi sistem tasarlayın basit değil. A.I. Stanford Üniversitesi Tıp ve Görüntülemede Yapay Zeka Merkezi direktörü radyolog Curtis Langlotz, belirli görüntüleri yorumlama konusunda yetenekli bir radyologdan ortalama olarak daha güvenilir olmasına rağmen yine de insanların yapmayacağı bazı hatalar yapacağını söylüyor. Bu, radyologları her bir yapay zekayı değerlendirme rolüne sokar. karar verme (bunların büyük çoğunluğu doğru olacaktır) ve algoritmanın yanlış anladığı nadir örneklerin belirlenmesi.

Memphis’teki St. Jude Çocuk Araştırma Hastanesi’nde akıllı görüntüleme bilişimi bölüm şefi radyolog Paul Yi, “Bu, tamamen zihinsel bir yeniden yapılanma gerektiriyor” diyor.

Doktorlar bilgisayarları geçersiz kılmaya alıştı ama bu an farklı. Kural tabanlı algoritmalar tarafından tetiklenen elektronik tıbbi kayıt uyarıları, onlarca yıldır doktorları potansiyel olarak tehlikeli ilaç etkileşimleri gibi konularda uyarıyor. Langlotz, doktorların genellikle bu uyarıları yarı yarıya dikkate almadığını söylüyor. “Bilgisayardan bazı tavsiyeler alacağım ve bunu hasta hakkında sahip olduğum tüm diğer bilgiler bağlamında değerlendirmem ve en iyi kararı vermem gerekecek” diyor.

Buna karşılık A.I. Radyolojideki görüntü analiz sistemleri genellikle tümör alt tiplerini tanımlayabilen, lezyonların sınırlarını çizebilen ve diğer teşhis görevlerini yüksek doğrulukla gerçekleştirebilen sinir ağlarına dayanır. Doktorların kendi tıbbi bilgilerine dayanarak hızlı bir şekilde yorumlayabilecekleri yanıtlar veya yönlendirmeler veren kurallara dayalı algoritmalardan farklı olarak sinir ağları, “kara kutu” sistemleri. Bunlar A.I. modeller genellikle bir karara nasıl ulaştıklarını açıklamaz, bu da bir radyoloğun veto edip etmemeye karar verme işini çok daha belirsiz hale getirir.

“Bu gerçekten bir anormallik mi, yoksa yapay zekanın ince zekasıyla ya da her ne ise onu tanımlayan bir şeyi mi kaçırıyorum?” diyor editörü Charles Kahn Radyoloji: Yapay ZekaKuzey Amerika Radyoloji Derneği’nin bir yayını. “Ve bu bizim için gerçekten zorlayıcı.”

Veto gücü

Langlotz teorik bir yapay zeka örneğini veriyor. Radyologların yüzde 90’ını tespit ettiği biliniyorken, göğüs BT’sinde akciğer nodüllerinin yüzde 95’ini tespit edebilen bir araç. “Bazıları ‘Yapay zeka radyologlardan daha iyi, bu yüzden tüm radyologları yapay zekayla değiştirmeliyiz’ diyebilir” diyor. “Fakat size şunu söyleyeyim, radyolog, makinenin kaçırdığı yüzde 5’in bir kısmını tespit edecek. Bunun nedeni, makine zekası ile insan zekasının farklı zeka türleri olmasıdır.”

yapay zeka bir görüntüdeki her pikseli yorulmadan, dikkati dağılmadan inceleyebilir ve karşılaştığı diğer tüm görüntülerle karşılaştırabilir. Buna karşılık, radyologların hastalık anlayışı, görüntüleri yapay zekanın yorumlayabileceği şekilde yorumlamalarına olanak tanıyor. yapamamak.

“Yapay zeka ve radyologlar doğal olarak farklı bir şey düşünürken, radyologun yapay zekanın her haklı olduğunu kabul ettiğinden ve her yanlışında reddettiğinden nasıl emin oluyorsunuz?” diyor tıbbi yapay zeka şefi Nina Kottler. Mozaik Klinik Teknolojileri memuru. “Kolay olması şart değil ama bunu yapmanın yolları var.”

İdeal bir yapay zeka/insan ekibi oluşturma hedefiyle dünyanın her yerindeki radyologlar, yapay zeka ile nasıl işbirliği yapacaklarını öğrenmek için çalışıyorlar. Böylece onlar ve hastaları bunun faydalarından yararlanabilirler. Bu işbirliği aşağıdakilerle uğraşmayı gerektirir: bilinçsiz önyargılar bu da doktor yapar A.I.’ye güvenin çok fazla veya yanıtlarını uygunsuz bir şekilde reddedin. Dolayısıyla bu sistemlerle en iyi şekilde çalışmak için radyologların yapay zekanın genel güvenilirliğini takdir etmeleri gerekiyor. hala hatalarını fark edebiliyorken.

Langlotz, “Bu sistemlerin nasıl çalıştığı hakkında biraz bilgi sahibi olmak, bir algoritmanın sizi ne zaman yoldan çıkarabileceğini daha iyi anlayabilmenize yardımcı olur” diyor.

Bir insan veya makine, tıbbi bir görüntünün yorumlanmasında evet/hayır hatası yaptığında, yanlış gitmenin iki olası yolu vardır: Yanlış bir negatif, hastalığın varlığını gözden kaçırır, oysa yanlış pozitif, gerçekte orada olmayan bir hastalığı görür.

Nadir görülen hastalıklar için (ve çoğu hastalık göreceli olarak nadirdir) herhangi bir teşhis, sırf hastalığı olmayan çok sayıda insanla karşılaştığı için çok sayıda yanlış pozitif sonuç verme eğiliminde olacaktır ve bu da ona yanlış alarm vermesi için daha fazla fırsat verecektir. Bir doktorun, makinenin nispeten nadir görülen doğru teşhisini doğru bir şekilde tanımlarken, bu yanlış pozitifleri tanıyabilmesi ve geçersiz kılabilmesi gerekir. Makinenin sonuçlarına (olumlu veya olumsuz) çok fazla inanmaya otomasyon önyargısı denir.

Ancak yanlış negatifleri kabul etmekten kaçınmak da önemlidir. Örneğin, bir A.I. Sistem beyindeki kanın varlığını CT veya MRI taramasında gerçekte oradayken gözden kaçırabilir. Bu tür gözetimlere güvenmeye otomasyon rahatlığı denir.

Kottler, “Bunların her ikisi de yapay zekanın radyoloğun şüphe düzeyini farkında olmadan değiştirmesine izin verme meselesidir” diyor. Zamanla insanlar yapay zekanın cevaplarına çok fazla inanmaya başlayabilir. Bir çalışma deneyimli radyologların bile büyük mamografilerinin doğruluğu düşer kararları yanlış yapay zekanın etkisi altında verildiğinde yorum. tahminler.

Öte yandan A.I. güvensizlik biraz daha sezgiseldir. Pek çok kişi, değeri kanıtlanana kadar yeni bir teknolojiden, özellikle de potansiyel olarak işlerini elinden almakla suçlanan bir teknolojiden doğal olarak şüphe duyacaktır. Ve bu, başka türlü güvenilir olan A.I. Sistemler insan hatalarından farklı olarak bariz hatalar yapar. Kottler, “Yani aptalca bir hata, aptalca bir yanlış pozitif görüyorsunuz ve ‘Elbette yapay zeka akıllı değil’ diyorsunuz ve ardından bunu göz ardı edebilirsiniz” diyor.

Radyologların yapay zekayla ne kadar hemfikir olup olmadıklarını zaman içinde izleyerek bu önyargıları gidermeyi öneriyor. meslektaşları ve şu ya da bu şekilde çok ileri gidiyor gibi görünüyorlarsa müdahale etmek. Kottler, “Radyologlar yapay zeka sonucunu yüz defadan 99’unda kabul ediyorsa ve bunun yalnızca yüzde 95’inin doğru olduğunu biliyorsak, gidip o radyologla konuşuruz” diyor.

Ancak radyologlara basitçe bir yapay zekanın olduğunu söylüyorum. Kottler, aracın yüzde 95 oranında doğru olmasının yeterli olmadığını söylüyor. Hekimlerin neyi, ne zaman arayacaklarını bilmeleri için eğitim önemlidir. Örneğin belirli bir A.I. Hasta tarayıcının içinde hareket ederse, araç taramaların yüzde 30’unda hatalı olacaktır. Ancak Amerikan Tabipler Birliği’nin 2026 anketine yanıt veren doktorların dörtte birinden fazlası, bu tedaviyi aldıklarını söyledi. AI hakkında eğitim yokve yalnızca yüzde 11’i çok fazla eğitim aldığını söyledi.

Kottler ayrıca A.I.’yi de savunuyor. Basit bir evet/hayır yanıtı yerine her değerlendirme için bir güven tahmini raporlayan araçlar; çünkü hiçbir radyologun birden fazla yapay zekanın inceliklerini bilmesi beklenemez. sistemler. Ve bu sistemlerin sayısı ve karmaşıklığı artacak.

Langlotz, “İnsan/makine sisteminin nasıl optimize edileceğini anlamanın henüz başlangıcındayız” diyor. Bugün radyologların takdir etmesi gereken en önemli şeyin, neredeyse on yıl önce yapay zekanın tahminini çürütürken söylediği şeyin aynısı olduğunu ekliyor: Bu, yapay zeka değil. radyologların yerini alacak. A.I.’yi kullanan radyologlar. bunu yapmayan radyologların yerini alacak.