Latest / Týdeník Respekt / Lékaře nenahradí, ale může jim asistovat. Umělá inteligence z Česka čte rentgeny hrudníku
Transcript
- 0:00Program, který pozná a označí rakovinu, tuberkulózu i
- 0:03poškozené plicní buňky po covidu.
- 0:05Posloucháte podcast týdeníku respekt je tady avizovaný díl o
- 0:09využití umělé inteligence ve zdravotnictví, konkrétně
- 0:12radiologii. Hostem je Daniel quak tento
- 0:15informatik? Stojí v čele české.
- 0:16Firmy kerbot systém, který vyvíjejí, pomáhá lékařům
- 0:20rozpoznat onemocnění na rentgenových snímcích.
- 0:22Uslyšíte, jak taková diagnostika v praxi funguje?
- 0:26IO tom, jak se celý nápad začal zhmotňovat v době pandemie.
- 0:29Ale IO možných úskalích i aj v lékařství podnětný poslech vám
- 0:33přeje Štěpán Sedláček. Mé jméno je Daniel quak, působím
- 0:41jako CEO ve společnosti kerbot. Zároveň jako doktorand působím
- 0:44na Masarykově univerzitě, kde se věnuju strojovému učení, umělé
- 0:47inteligenci v rámci společnosti kerbolt tak vyvíjíme
- 0:50doporučující systémy pro lékaře, které mají za cíl zpřesnit,
- 0:55efektivnit diagnostiku nejenom z rentgenových snímků.
- 0:59Vy jste začali vyvíjet kerbot tuším v roce 2020.
- 1:02Zhruba během pandemie přišel ten nápad.
- 1:05Přesně tak, prvotní nápad přišel v roce 20:20 v průběhu pandemie
- 1:08covidu 19. Ty jsme vlastně sledovali tu
- 1:10zahlcenost lékařů, především ve spojitosti s těmi nálezy té
- 1:14plicní konsolidace, která se může vlastně na těch snímcích
- 1:16vyskytovat. AV rámci toho nás společně s
- 1:19mojí manželkou Karolínou napadlo, že by bylo dobré spojit
- 1:22své působení. Ona v té době působila jako
- 1:24forenzní antropoložka v brně v laboratoři morfologie, forenzní
- 1:28antropologie a já jsem se už nějakou dobu věnoval strojovému
- 1:31učení o počítačovému vidění a podobně.
- 1:34Spojili jsme tedy síly dohromady a navrhli jsme vlastně 1 verzi
- 1:37systému. Který by měl sloužit k tomu, aby
- 1:40rozlišoval mezi pacienty s nálezem covidu 19 pacienty s
- 1:44jinými nálezy, popřípadě těmi zdravými snímky s tady touto
- 1:47myšlenkou jsme vlastně oslovili některé lékaře, respektive
- 1:51zveřejnili jsme takovou výzvu na LinkedIn na sociální sítě a
- 1:55lékaři se nám potom začali ozývat, řekli nám to je skvělý
- 1:58nápad. Určitě by se nám to hodilo, ale
- 2:01je tam spousta, ale mají určité zaryté postupy.
- 2:04Existuje tam velká míra standardizace.
- 2:07Samozřejmě regulatorní věci, to je kapitola sama o sobě.
- 2:11Nicméně my jsme viděli, že ten problém se netýká jenom covidu
- 2:1519 ale je řekněme tomu trošku více systémový, a proto jsme se
- 2:19rozhodli začít vyvíjet náš systém kerbot.
- 2:22Když začnete vyvíjet nový systém, tak asi koukáte i co
- 2:26kolem už existuje, kde by se šlo třeba přiučit nebo kde naopak už
- 2:30je třeba už něco hotové, tak v tomhletom oboru v radiologii.
- 2:35Jsou vlastně IV zahraničí nějaké takové aplikace?
- 2:36Já jsem třeba koukal, že? Mamografii se vyvíjí něco asi
- 2:40obdobného. Samozřejmě obdobné systémy už se
- 2:42tady vyskytují. Řekněme tomu v 90 let, kdy ještě
- 2:45nebyly postavené na bázi AI, ale řekněme tomu na bázi logistické
- 2:48regrese, metody podpůrných vektorů, takové ty jednodušší
- 2:51statistické modely a de facto ta myšlenka.
- 2:54Těch modelů se ovšem příliš nezměnila.
- 2:56My samozřejmě, byli jsme si vědomi toho, že podobná řešení
- 3:00existují v ten moment, kdy my jsme navrhli naše covidové
- 3:03řešení, se něco podobného stalo i na taiwanu.
- 3:06AV jižní Koreji situace tam byla ale trošku rozdílná.
- 3:09Oni rovnou vzali ty systémy a rovnou je začali nasazovat do
- 3:13samotné klinické praxe. To samozřejmě v rámci Evropy
- 3:16nebylo úplně možné, ale sledovali jsme ten progres,
- 3:18který se tam děje a snažili jsme se i poučit z jejich chyb.
- 3:22To znamená, že co se týče aplikace umělé inteligence ve
- 3:24zdravotnictví, je to samozřejmě citlivé téma.
- 3:27Je to velice komplexní problematika a ten postup návrhu
- 3:32těch systémů musí být opravdu robustní.
- 3:34Ty výsledky musí být opravdu dobře.
- 3:36Kvantifikovatelné musí být dobře ověřené vědeckými metodami, a to
- 3:40byly určitě body, kde my jsme se poučili a snažili jsme se jít
- 3:44řekněme tomuto tou klinicky nejpřesnější, nejčistší cestou
- 3:47čili určitě sledujeme i teď nasazování umělé inteligence,
- 3:51zatímco řekněme tomu v západní Evropě už sledujeme, takováto
- 3:55nasazení, řekněme, tomu v jihovýchodní asii toho sledujeme
- 3:59ještě mnohem více, tak u nás. Je.
- 4:02Po nasazování velice postupné je takové velice opatrné a
- 4:05samozřejmě já pro to mám velké pochopení.
- 4:08Když to řeknu trošku lidsky, není to, jako když uděláme
- 4:11doporučující systém někde ecommerce a zákazníkovi
- 4:13doporučíme červenou nebo zelenou pohovku, tak se vlastně nic moc
- 4:16nestane a zde jde opravdu o zdraví pacienta čili.
- 4:19Ten pacient musí být vždy na 1. Místě a bezpečnost takového
- 4:21systému musí být, vždy musí být vždy dodržena a to byly určitě
- 4:25věci, které jsme sledovali již od počátku a snažíme se je
- 4:28sledovat i nyní. A mohl by se tedy přiblížit, co
- 4:31už dnes ta aplikace kerbo teda umí na jakém je teď, nebo v
- 4:35jakém je teď stádiu po těch několika letech vývoje možná
- 4:39můžete i okomentovat, ukázat nějaký příklad, že bychom si to
- 4:43na tom teda v audiu přiblížili. Samozřejmě moc rád.
- 4:47My v současnosti máme plně vyvinutý systém pro detekci
- 4:51nálezu na rentgenu hrudníku, kdy sledujeme akutní nálezy akutní
- 4:54patologie, což můžou být například konsolidace, zápaly
- 4:58plic u těch pacientů. Sledujeme taky další akutní
- 5:01nálezy, jako je například pneumoterax, ale i ty klinické
- 5:03dlouhodobé, což můžou být například léze v plicním
- 5:06parinchymu, které indikují například počínající rakovinu
- 5:09plic my. V současnosti máme náš systém
- 5:12nasazený v rámci preklinického testování v nemocnici Havířov,
- 5:15se kterou dlouhodobě spolupracujeme.
- 5:17My jsme začali testovat náš naši 1 verzi toho systému, která
- 5:21vlastně dokáže rozlišit, zdali je snímek pacienta.
- 5:25Normální, suspekní, respektive abnormální.
- 5:28V současné fázi už pracujeme se systémem, který dokáže rozlišit
- 5:31přímo jednotlivé patologie a vyznačit je na snímku zároveň i
- 5:34předpřipravit lékařskou zprávu samotnou lékaři, když se zde
- 5:37podíváme. Takže vy si tady otevřeme na
- 5:40počítači asi nějaký snímek, který zpracoval kerbo.
- 5:44Náš systém vlastně funguje na tom, že je přímo implementovaný
- 5:47v systémech, který lékaři už nesmí a velice aktivně
- 5:50používají. Jsou to tak zvané systémy paks,
- 5:52které slouží k pořizování, respektive k archivaci a
- 5:55zobrazování té obrazové dokumentace pacienta, ať už
- 5:58rentgen. Snímků CTA dalších my tedy
- 6:00implementujeme náš systém přímo zde.
- 6:02To znamená, že lékař nemusí na nic kliknout.
- 6:04Vše se děje absolutně automaticky.
- 6:05Podle předem nastavených filtrů. Jakmile tedy snímek od
- 6:09radiologického asistenta pořízen je vlastně uložen v tady tomto
- 6:12archivu a následně jde na to hodnocení lékaři, my v ten
- 6:16moment už mu předkládáme 2 hlavní informace 1 z toho je
- 6:20textová zpráva, která indikuje například nálezy, které se na
- 6:24tom snímku můžou vyskytovat. Zde si můžeme například přečíst.
- 6:28Plíce plicní panenky my je bez známe konsolidace to znamená, že
- 6:31pacient netrpí například s hálem plic plicní křídla jsou
- 6:34rozvinutá, netrpí pneumotoraxem, ale můžeme zde vidět například
- 6:37informaci o tom, že jsou přítomny ložiskové změny
- 6:39plicního parenchymu, to znamená, že tam může být nějaká indikace,
- 6:42která může teoreticky znamenat například rakovinu plic jako 2.
- 6:47Informaci, kterou tomu lékaři poskytujeme, je lokalizace přímo
- 6:51samotného nálezu. Tu si může kdykoliv vypnout a
- 6:53zapnout podle jeho vlastní potřeby.
- 6:55Na tom rentgenovém snímku se vlastně zobrazuje.
- 6:58O obdélník, který označuje případné ložisko, nebo to místo.
- 7:03Zobrazujeme lékaři přímo v samotném rentgenovém snímku.
- 7:06Lokalizaci toho nálezu malinkou kostičku, která ukáže přímo to
- 7:09konkrétní místo, kde se ta patologie, kde se ten nález může
- 7:13vyskytovat tak, aby ho radiolog už nikdy nepřehlédl.
- 7:16Abyste vlastně publikovali v takovém novém vědeckém žurnálu
- 7:19majomedy informatics v lednu to vyšlo článek, který právě
- 7:24vychází z toho z několika 100 snímků, které jste prošli AI pod
- 7:30dozorem několika radiologů vám z toho vypadly nějaké výsledky
- 7:34nějaká úspěšnost i nějaké třeba nesprávně označené snímky, tak s
- 7:39jakýmsi setkáváte reakci my vlastně, když už to máte?
- 7:43V recenzovaném časopise. Samozřejmě pro nás to byla 1 z
- 7:47hlavních priorit. Já si totiž myslím, že výsledky,
- 7:49které ta umělá inteligence musí vykázat, musí být opravdu
- 7:53klinicky validované. Musí být dobře připravené, musí
- 7:55být dobře prezentovatelné a samozřejmě musí být potvrzeny v
- 7:59nějakém multiredres studii. To znamená, vezmeme opravdu
- 8:02několik radiologů s různou úrovní zkušeností a zkoušíme se
- 8:05podívat na to, jak by reagovali oni versus jak by reagoval
- 8:08systém. Takovou menší nevýhodou těch AI
- 8:11systémů ve zdravotnictví. Je samozřejmě vyšší míra falešné
- 8:15pozitivity, to znamená, že ten systém detekuje nějakou
- 8:18abnormální změnu i přesto, že tam není naopak, ale se tyto
- 8:21systémy vykazují tím, že mají velice nízkou míru falešné
- 8:24negativity čili vysokou senzitivitu a to znamená, že
- 8:28nepřehlédnou nějaký patologický nález.
- 8:30Pokud tam opravdu je, to bylo i naším cílem vlastně stanovit,
- 8:33zdali ten náš systém bude mít nižší míru falešné pozitivity
- 8:36než ti samotní lékaři, a to se nám podařilo potvrdit.
- 8:39To byla vlastně naše 1. Studie.
- 8:41Která odkazovala na naše preklické hodnocení v rámci
- 8:44nemocnice Havířov, kdy jsme sledovali data u pacientů za
- 8:48období 3 dnů a přímo na tady téhle té konkrétní kohotě na
- 8:51této skupině pacientů jsme ověřovali, jak náš systém se
- 8:55bude chovat. Bylo pro nás samozřejmě velkým
- 8:57potěšením, že nejblíže jsme se přiblížili ty základní pravdě
- 9:01toho, co tam vlastně stanovil pan primář, který měl k
- 9:04dispozici tu historii těch pacientů a podobně.
- 9:06Jsme se přiblížili my oproti ostatním radiologům.
- 9:09A věříme, že proto i tyto systémy můžou být prospěšné v
- 9:12praxi. Zároveň jsme momentálně několik
- 9:15dnů zpátky dokončili 2 studii, která se věnuje detekci
- 9:19suspektních lézí, čili například počínající rakoviny plic a tato
- 9:23studie je naprosto unikátní v tom, že se jedná vůbec o 1
- 9:26studii, která kdy vznikla, která sleduje pacienty přímo ve
- 9:29specializovaném onkologickém centru u nás UV, Masarykově
- 9:31onkologickém ústavu. V rámci této studie jsme vlastně
- 9:35zvolili velice podobný postup a opět jsme sledovali.
- 9:38Výkon našeho systému oproti 5. Dalším radiologům, kteří s námi
- 9:42spolupracují v rámci tady těchto výsledků jsme opět dosáhli
- 9:46velice vysokého skóre, za což jsme samozřejmě rádi a ještě o
- 9:50to více. Jsme rádi, že tuto studii budeme
- 9:52poprvé prezentovat na evropském radiologickém kongresu ve Vídni.
- 9:55Jak je 1 onemocnění nebo problémy na plicích kerbot bude
- 10:00umět tedy rozpoznat? To je 1 fázi.
- 10:03V té 1 fázi se jedná primárně o 6 hlavních nálezů, které jsou na
- 10:07rentgenových snímcích pozorovatelné.
- 10:09Ne situace trošku jiná, radiologové totiž nemají vlastní
- 10:12pacienty, oni ani nestanovují tu finální diagnostiku, ale ta je
- 10:18přímo na tom samotném klinikovi. Oni se primárně nechci říct,
- 10:22pouze ale primárně dívají na ten samotný obraz a snaží se tyto
- 10:26informace, které tam můžou vidět, dávat do nějaké korelace.
- 10:29S tou zprávou od toho vyšetřujícího lékaře, proč je to
- 10:32velice zajímavý velice specifický obor?
- 10:35A pro nás se jedná o takové ty. Základní radiologické obrazy,
- 10:39které je možno sledovat, jsou to ty akutní nálezy, například
- 10:43zápal plic, který se vyskytuje jako konsolidace v plicním
- 10:46parenchymu jako určitý způsob zastínění na na tom rentgenovém
- 10:49snímku jsou to pneumotoraxy, které jsou samozřejmě velice
- 10:53akutní nález, který je potřeba řešit velmi rychle.
- 10:56U těch pacientů jsou to nálezy, jako je například zvětšený s tím
- 10:59srdeční nebo plicní hypoték. A pak to jsou ty klinické
- 11:02nálezy, například léze plicním parinkymu, které můžou
- 11:05indikovat. Rakovinoplic.
- 11:06Klíčem k tomu, aby to celé fungovalo.
- 11:09Je vlastně metoda strojového učení, nějaká velká porce dat
- 11:12snímků, které musel počítač projít a naučit se asi na tom,
- 11:18jak rozpoznat, tak mohl byste trošku nechat nahlédnout,
- 11:22řekněme pod kapotu? Jak to vlastně vzniká, že potom
- 11:25výsledkem je tady takový asistent?
- 11:27Pro nás je samozřejmě velkou výhodou to, že máme navázanou
- 11:30spolupráci s více než třicítkou lékařů z celé Evropy.
- 11:33Tady tohohle týmu si opravdu velice vážím.
- 11:35Jsou to lidé, kteří pro nás labulují a notují ta vstupní
- 11:39data a já to vždycky říkám, tak trošku lidově jedou jako baťa.
- 11:42Cvičky. Musím uznat, že tady tento tým
- 11:44je pod vedením naší interní paní doktorky radioložky anny
- 11:48chromcové, která vlastně má na starost vůbec přípravu tady
- 11:51těhle těch dat. Samozřejmě proto, aby ta umělá
- 11:54inteligence fungovala opravdu robustně spolehlivě.
- 11:56Tak potřebujeme mít objemné datasety, ale to není všechno.
- 11:59Potřebuje mít i ty kvalitní anotace.
- 12:01V současné době tedy sbíráme anonymizovaná data z
- 12:04jednotlivých spolupracících pracovišť, samozřejmě bez
- 12:07jakýchkoliv pacientských informací bez jakýkoliv
- 12:09dodatečné historie a následně používáme tento tým 30
- 12:13radiologům víc než 30 radiologů, aby opravdu anotovali každý
- 12:16jednotlivý snímek. Šli jsme dokonce tak daleko, že
- 12:19jsme si nevytahovali žádné informace z lékařských zpráv.
- 12:22Nešli jsme jenom tím, že se na to podívá 1 lékař.
- 12:25A mám opravdu stanovenou metodu určitého konsenzu na těch
- 12:28jednotlivých snímcích to znamená, že na každý snímek,
- 12:30který my používáme k trénování, se musí shodnout 3.
- 12:33Lékaři různé úrovně a říct, já tady vidím tenhle ten nález a
- 12:38všichni 3 se musí opravdu na tom konkrétním nálezu shodnout,
- 12:41abychom ho zařadili do té trénovací množiny.
- 12:43Takže snažíme se jít opravdu tou velice robustní cestou.
- 12:46To, že je to finančně náročné, to je samozřejmě 2 věc, ale o to
- 12:50více si vážíme jejich pomoci. Na bázi těchto informací potom
- 12:53jsme schopni dát dohromady vlastně ty, algoritmy, umělé
- 12:57inteligence, strojové učení a tady máme skvělý tým vývojářů,
- 13:01který se nám podařilo v posledních za tu dobu vlastně
- 13:03fungování dát dohromady, kteří už nejsou jenom specialisté na
- 13:07strojové učení, ale tím, jak se každý den musí koukat na ty
- 13:10rentgenové snímky, tak už opravdu si všimnou, že je tam
- 13:13nějaký zvětšený stín srdeční, nějaký plicní hypoték a podobně.
- 13:16Myslím si, že základem vlastně pro úspěch a návrh tady těchto
- 13:19systémů AI. Ve zdravotnictví je právě ta
- 13:22přímá kooperace toho vývojového týmu společně s těmi kliniky,
- 13:27kteří opravdu tuší, co se na těch snímcích musí vyskytovat,
- 13:31zvolí potom vhodné postupy proto, aby aby ty systémy byly
- 13:34co možná nejpřesnější. To znamená, že jste nešli třeba
- 13:38potenciální levnější cestou projít nějaké veřejné databáze
- 13:42zahraniční, které třeba jsou radiologické, AZ toho nějak.
- 13:46Vycházet. Ve veřejných databázích je velký
- 13:50problém veřejně dostupná data především u rentgenu hrudníku
- 13:54jsou velice často nepřesná. Co se týče sběru těch dat, tak
- 13:57ty metody jsou popsány, ale vždy spíš je takovým obecným
- 14:01způsobem. To znamená, že často se vychází
- 14:03z toho, co je napsáno v té zprávě klinika a používají se
- 14:06určité metody zpracování přirozeného jazyka NLPK tomu,
- 14:09aby se ty informace o tom nálezu na tom snímku hrudníku
- 14:13například. Vytáhli přímo z té lékařské
- 14:15zprávy. Znamená to, že se vytvoří nějaký
- 14:17algoritmus má nastavený nějaká pravidla nějaká klíčová slova?
- 14:21Snaží se vlastně vyhledávat, přizpůsobovat a přiřazovat
- 14:24vlastně ty jednotlivé popisky. K těm samotným studiím tato
- 14:28metoda ale neskutečně nepřestá AV rámci nějakého robustního
- 14:30klinického hodnocení vůbec nemůže fungovat.
- 14:32Již v roce 2017, kdy jsme se poprvé setkali s těmi objemnými
- 14:36datasety, které měly více než stovky 1000 rentgenových snímků
- 14:39hrudníku. Tak se radiologové, kteří kteří
- 14:43měli zájem na vzniku AIO. Opravdu zhrozily ohledně těch
- 14:47dat, které z toho to vyplynuly? Začal se proto takový specifický
- 14:50termín garbič in garbich out. To znamená, že pokud data, které
- 14:54využíváme k tomu, abychom nakrmili tu umělou inteligenci,
- 14:57jsou nepřesná. Tak samozřejmě ty výsledky
- 14:59nebudou pracovat vůbec. Taktéž nebudou vůbec
- 15:02aplikovatelné v té samotné praxi.
- 15:04Proto musím uznat, že my jsme rádi, že v průběhu přibližně asi
- 15:077 8 měsíců se nám podařilo získat anotace od více než ve
- 15:11120 000 případech. Což je asi třikrát více než
- 15:16udělá největší nemocnice v okolí Motol rentgenových snímků za
- 15:20rok. 1 věc jsou ty data, pak to zpracování, tak tam tam vlastně
- 15:24ta výpočetní síla nebo ty možnosti, které máte, jsou taky
- 15:26specifické. Samozřejmě my se spoléháme na
- 15:28to, aby návrhy těch jednotlivých modelů byly co možná nejvíce
- 15:33přizpůsobené tomu problému, který řešíme.
- 15:35Samozřejmě snažíme se využívat. Existující zdroje snažíme se s
- 15:39tím pracovat. Ale co se týče návrhu samotné a
- 15:42já řekněme tomu je to velice specifický problém.
- 15:45Co se týče samotných rentgenů hrudníku, ale netýká se ten
- 15:48rentgenů hrudníku, tak ta problematika je samozřejmě
- 15:51velice složitá, i když se vlastně člověk na to podívá jako
- 15:54laik na ten snímek, tak si řekne, to je vlastně jenom
- 15:56taková spleť všeho možného. A co v tom mám vlastně hledat?
- 16:00Takže těch features těch jednotlivých rysů, které lze
- 16:03sledovat na takových snímcích, je samozřejmě mnoho.
- 16:06A není to složitá úloha, nebo složitá doména jenom pro
- 16:09člověka? A je to relativně složitá doména
- 16:12i pro ten samotný stroj AS tím my samozřejmě musíme pracovat.
- 16:15Řekl byste, že už dnes to vypadá tak, že ta umělá inteligence umí
- 16:19některé věci třeba odhadnout líp, než člověk radiolog
- 16:23zkušený? To bych si asi ještě netroufal
- 16:27tvrdit. Já si myslím, že celkově postup
- 16:29diagnostiky je velice komplexní a zobrazovací metody jsou jenom
- 16:331. Část vlastně celé celé té
- 16:35hádanky, kterou kterou se snažíme vyřešit i nyní samotní
- 16:40radiologové nepostupují jenom tak, že se podívají na
- 16:42rentgenový snímek, avšak někdy taková situace je.
- 16:44Je to takové to typické lékařské žádanky, kdy dostanou jenom
- 16:47nápis, poprosím ORTG žádné další informace, takže i oni si
- 16:51opravdu musí hrát na ten komplexní algoritmus někdy.
- 16:54Ale co se týče samotné diagnostiky, tak je to velice
- 16:57složité. Například my jsme schopni
- 16:59momentálně na těch rentgenových snímcích hrudníku stanovit, že
- 17:03tam vidíme nějaký specifický radiologický obraz.
- 17:05Může to být třeba ta konsolidace v plicním panenchymu konsolidace
- 17:09plicní tkáně řekneme vlastně tady tomuhle radiologovi tuto
- 17:13informaci, ale proto, abychom mi řekli tenhle ten nález znamená,
- 17:18že ten pacient má zápal plic, že má třeba virovou pneumonii, tak
- 17:21to my nejsme schopni říct. Z těch obrazových dat k tomu je
- 17:24potřeba další další doplňující informace, další informace o to
- 17:28klinika, další navazující vyšetření a podobně.
- 17:31A to si myslím, že je pořád ještě oříškem do budoucna čili,
- 17:34nemyslím si, že se ještě blížíme těmto velice futuristickým
- 17:38myšlenkám přijde pacient, stoupne si do do zavřené
- 17:42místnosti projedou ho veškeré různé skenery a na bázi toho
- 17:45řeknou OK, máte tady tenhle ten nález tady toto onemocnění?
- 17:50Diagnostika je taková diferenciální diagnostika je
- 17:52taková léčba by měla být maková. Tam ještě nejsme a věřím, že se
- 17:56k tomu v průběhu času přiblížíme s nějakým multimodeálním
- 18:00přístupem. Čili budeme spojovat nějaký
- 18:02konkrétní informace od těch kliniků z jednotlivých vyšetření
- 18:06a podobně. Ale myslím si, že je to pořád
- 18:08ještě trošku hudbou budoucnosti. A je tam i třeba do budoucna
- 18:12nějaká možnost, že by tomu lékaři vlastně ta umělá
- 18:16inteligence ještě třeba pomohla IV tom zobrazení, že by vlastně
- 18:19z pohledu toho, co to strojové to, co tam identifikuje ještě
- 18:22jako jinak na svítil? Ukázal tomu tomu lékaři, nebo to
- 18:26je úplně jiná cesta? Samozřejmě složitou otázkou, já
- 18:28si myslím, že už teď nám to strojové učení v těch
- 18:32zobrazovacích metodách je schopno poodhalit věci, které se
- 18:36nám třeba úplně nemusí zdát. Máme za sebou různé interní
- 18:41testování, různé klinické studie a opravdu se nám už kolikrát
- 18:45stalo, že jsme měli stanovenou základní pravdu.
- 18:47Čili, měli jsme shodu nějakých 3 lékařů na tom konkrétním nálezu,
- 18:51co by se tam mělo vyskytovat nebo nemělo?
- 18:53I přesto nám vlastně ta umělá inteligence.
- 18:56Řekla jinačí výstup, předložili jsme těm lékařům a oni nám
- 18:59řekli, no vlastně, aha, teď už to tady vidím, takže IK tady
- 19:02těmto situacím může docházet. Samozřejmě cílem té umělé
- 19:06inteligence je i přesně tady tohle, aby to nebyl jenom de
- 19:11facto ten doporučující nástroj, ale aby ten nástroj sloužil IK
- 19:16tomu, aby odhalil to, co by ten lékař teoreticky mohl
- 19:18přehlédnout. Myslím si, že to je 1 z hlavních
- 19:21cílů. A kdy se nám?
- 19:24Něco takového v praxi stane, tak občas toho dostaneme ještě i
- 19:28husí kůži. No a jak to vypadá tedy s
- 19:31karbotem a využitím v praxi? Chápu, že tam je potřeba splnit
- 19:35prostě nějaké licence projít nějakými testy a tak, ale kdyby
- 19:38mohl být využití pro radiology v české republice na běžné úrovni?
- 19:44Nasazení jakéhokoliv zdravotnického prostředku je
- 19:47samozřejmě velice složitá úloha. Máme zde regulatory strategii.
- 19:52Nařízení, kterému se říká MDR medical wise regulation.
- 19:55Které bylo schváleno evropským parlamentem, samozřejmě tady
- 19:58toto nařízení stanovuje. Řekněme tomu veškeré nároky na
- 20:03toho výrobce těch zdravotnických prostředků jsou to nároky
- 20:06týkající se kvality. Jsou to nároky týkající se
- 20:09klinicky hodnocení. Jsou to nároky týkající se
- 20:11například popisu toho, jak ten systém funguje, jaké indikace
- 20:15vlastně má řešit, jaký je určený účel použití toho zdravotnického
- 20:19prostředku, kdo ho může obsluhovat.
- 20:22Konkrétně stanoveno. Jaké pracoviště a tak dále a tak
- 20:25dále. To je samozřejmě velice
- 20:26komplexní problematika a my se jí snažíme řešit.
- 20:30V současnosti tedy podáváme žádost o schválení
- 20:34zdravotnického prostředku u notifikované osoby, která tyto
- 20:37žádosti řeší a počítáme s tím, že naše 1.
- 20:41Řešení pro rentgen hrudníku by mělo být certifikováno někdy VQ
- 20:453 q 4 letošního roku. Samozřejmě to nás potom
- 20:49opravňuje. Jít nejenom do nemocnic, zde v
- 20:52české republice, ale po celé Evropě.
- 20:54Už s tím přímým nasazením samozřejmě my, i když teď
- 20:57nasazujeme náš systém v nějakém testovacím prostředí, tak se
- 21:02snažíme dělat si takové menší interní testování ještě předtím,
- 21:06než tam jdeme, to znamená, vyžádáme si retrospektivně
- 21:09určitý počet snímků. O té nemocnice použijeme náš tým
- 21:12lékařů k tomu, aby validovalo, aby ohodnotili ty snímky, které
- 21:15jsme si vyžádali, a náš systém potom porovnáváme.
- 21:18V rámci té performance, abychom věděli, jak se bude na tom
- 21:21konkrétním pracovišti chovat. Samozřejmě v rámci kerbotu už
- 21:26nyní neřešíme jenom samotný rentgen v hrudníku, ale hodně
- 21:29aktivně se věnujeme. Škálování nás zajímají de facto
- 21:32jakýkoliv zobrazovací metody, které se vyskytují nejenom v
- 21:36radiologii. Může to být onkologie, může to
- 21:38být dermatologie, mohou to být i další sféry, do které chceme
- 21:41proniknout v rámci mamografie například už připravujeme naše
- 21:45další řešení. Které má za cíl odhalit denzitu
- 21:49hustotu prsní tkáně konkrétní pacientky pozorovat jednotlivá
- 21:53podezřelá ložiska, respektive i mikrokalcifikace, které můžou do
- 21:57budoucna značit problém pro tu pacientku.
- 21:59Snažit se je prosadit, zdali jsou benigní, nezhubne či
- 22:02suspektní, nebo maligní zhubne změřit je a ukázat tomu
- 22:06radiologovi, kde se vlastně můžou opět na tom snímku
- 22:10vyskytovat problematika mamografií je ovšem ještě trošku
- 22:13složitější, protože ten samotný popis.
- 22:15Nevím, jestli jste někdy viděl mamografický snímek je to je to
- 22:18ještě o trošku komplexnější než než ten genový snímek hrudníku a
- 22:22standardní popis je funguje na té bázi, že ti radiologové mají
- 22:27před sebou nejenom tu aktuální studii té pacientky, ale i třeba
- 22:30studie z předchozích let a snaží se porovnat cílem, tedy našeho
- 22:34budoucího systému. A doufám, že se nám to podaří a
- 22:36aktivně tady spolupracujeme s mnoha z mnoha lékaři.
- 22:39Špičkami v oboru je navrhnout systém, který by byl schopný i
- 22:42porovnávat ty předchozí studie u těch pacientů.
- 22:45A zaznamenat, jaké změny se vlastně u těch pacientek dějí.
- 22:48Zároveň ruku v ruce s tím se snažíme vyhledávat i další
- 22:51možnosti. Pro nás jsou to možnosti, které
- 22:53se můžou týkat i opravd výzkumné praxe.
- 22:56Nejenom toho přímého přesahu do té aktuální klinické praxe.
- 23:00Například momentálně participujeme na grantu od
- 23:03toucheru technologické agentury české republiky, kdy se snažíme
- 23:07detekovat ložiska, respektive. Výskyt, cystické fibrózy.
- 23:13Na cte plic popřípadě i na dalších modalitách, jako je,
- 23:16jako je například rentgen. Když máte zpětnou vazbu v rámci
- 23:19těch testů od lékařů, radiologů, tak jsou rádi, že mají nějaké
- 23:24další oko v podobě umělé inteligence, které jim potvrdí
- 23:28nebo vyvrátí to, co si myslí, jak jak, jak to zatím hodnotí
- 23:32ten lidský? Ten lékař, který najednou mu do
- 23:34toho vstupuje nějaký asistent? Já si vzpomínám na moji
- 23:38komunikaci s 1 panem primářem chvíli poté, co jsme vlastně s
- 23:42kerbotem přišli a přišli jsme za ním a řekli jsme pana lékaři,
- 23:46pane doktore, my jsme tady, abychom udělali vaši práci
- 23:50přesnější, tak on říkal. Hele, kdybych vás neznal, tak
- 23:53vás automaticky odsud vyrazím ze dveří, takže samozřejmě poučili
- 23:56jsme se, že i ta komunikace s těmi lékaři je do jisté míry
- 23:59specifická, ale samozřejmě i více jsme začali chápat ty
- 24:03benefity, které která umělá inteligence, může vůbec tuto
- 24:05zdravotnictví přinést? My v současnosti víme, že ty
- 24:09benefity se liší a liší se mezi lékaři různé úrovně zkušeností.
- 24:15Můžou se lišit i mezi jednotlivými nemocnicemi i ve
- 24:18stejném městě, což je samozřejmě velice typické.
- 24:21Samozřejmě, jestli pandemie covidu 19 vůbec působila něco
- 24:26alespoň trošku pozitivního, tak je to otevřenost toho
- 24:29zdravotnického systému vůči inovativním věcem vůči novým
- 24:33technologiím. Pan primář nám v té době říkal.
- 24:36Kdybyste zde přišli o 2 roky dříve, tak s vámi prostě rovnou
- 24:40vemete dveře, ale my už teďka víme, že vy tady nejste proto,
- 24:43abyste nahradili naši práci, ale abychom my se mohli soustředit
- 24:47na ty příklady, kde je potřeba co nejvíce zapojit ten lidský
- 24:50faktor, a to lidské soustředění. A takhle se k tomu snažíme
- 24:53přistupovat. My víme, že třeba benefity pro
- 24:56zkušení lékaře můžou být v tom, že dokážeme prioritizovat
- 24:59snímky, které mají nějaký akutní nález, třeba pneumotoráks a ti
- 25:03lékaři potom ví, že se těmto pacientům musí věnovat
- 25:06prioritně. Je v 1 fázi a zároveň třeba se
- 25:10jim snažíme potvrzovat, že studie opravdu negativní.
- 25:13To znamená na tom samotném snímku nevidí žádnou žádnou
- 25:16patologickou změnu, žádný nález, ale pořád jsou tak nějak trošku
- 25:21nejistí a my jim jenom tak nějak trošku je poposunem, jako že jo
- 25:25opravdu tady nic není. A to je samozřejmě pro ně taky
- 25:27velké plus. Ty benefity třeba u mladších
- 25:29lékařů tak můžou být trošku odlišné, tam je to většinou
- 25:32řekněme tomu. To 2 čtení.
- 25:34To znamená, že pokuď jsou si ti mladší radiologové nejistí,
- 25:38pokud ještě nemají nakoukáno dostatečný počet těch snímků,
- 25:42tak ta standardní praxe je, že běží za tím zkušenějším kolegou,
- 25:46ale ten se většinou ještě věnuje své práci a samozřejmě ta
- 25:49průchodnost toho oddělení. Ta doba předtím, než se ta
- 25:52situace s tím pacientem začne řešit, tak se prodlužuje.
- 25:54My jsme tedy pro ně zde jako takový nástroj, který který může
- 25:59pomoci alespoň do jisté míry, trošku trošku nahradit toho
- 26:02kolegu, který který se zrovna musí věnovat.
- 26:04Ty své práci. Které víceméně stojí na
- 26:06zkušenostech těch zkušených kolegů, protože jsou zapracované
- 26:09v tom hodnocení. Je to přesně tak.
- 26:11No ale přece jenom nevnímáte tam určitá riziko, že u těch
- 26:14nastupujících mladých lékařů by mohli v budoucnu příliš spoléhat
- 26:19na tu asistenci vlastně nemít takovou možnost si nakoukat.
- 26:23Jak jste to nazval teď? Samozřejmě to je určitě vždycky
- 26:27nějaké nějaké riziko, ale myslím si, že to je riziko, které my se
- 26:30snažíme velice aktivně řešit. Je to těžké.
- 26:32Kerbotu se. Nechceme věnovat jenom samotnému
- 26:35vývoji těch systémů, ale snažíme se hodně věnovat i té samotné
- 26:38osvětě. To znamená, když my přijedeme do
- 26:41té nemocnice, když se opravdu bavíme s těmi lékaři, ať už
- 26:44primáři nebo těmi mladšími lékaři ohledně nasazení takového
- 26:48systému, tak my s nimi hodně aktivně konzultujeme i
- 26:51veškerejch připomínky, které by k tomu měly mít.
- 26:54Samozřejmě toto je určitě 1 z připomínek a 1 z otázek, kterou
- 26:57mají. Další z typických otázek je, co
- 26:59se například stane, když se s tou umělou inteligencí
- 27:02neshoduji? Na tom názoru a podobně.
- 27:04My zároveň ale hodně aktivně pracujeme na tom, abychom
- 27:08pracovali IS těmi mladými mediky.
- 27:10Ještě se studenty, zdravotnictví a opravdu se snažíme řešit s
- 27:15nimi velice aktivně. I tyto problémy máme dokonce v
- 27:18kerbutu i projekt, který momentálně budeme v průběhu
- 27:21příštích asi půl roce spouštět a ten je zaměřený opravdu jenom na
- 27:26vzdělávání mladých mediků a na tom, jak by vlastně umělo
- 27:30inteligencí, měli spolupracovat. Jaké jsou tam limitace?
- 27:34Jak tomu důvěřovat, kde tomu důvěřovat, kde ne?
- 27:36Kde si klást ty otázky zdali, zdali.
- 27:39S tím souhlasím, nebo ne? A podobně.
- 27:42Věřím, že takovéto programy už se momentálně objevují například
- 27:46ve velké Británii, kde studenti medicíny opravdu musí projít
- 27:50kurzem, umělé inteligence, strojového učení, statistického
- 27:53hodnocení, aby byly přizpůsobení i tady tomuhle nástupu té té
- 27:57umělé inteligence, tak věřím, že IU nás proto bude dostatečný
- 28:01zájem, protože přece jenom je to paradigma, které které to
- 28:04samotné zdravotnictví docela docela proměňuje.
- 28:06Umělá inteligence a různé aplikace umělé inteligence právě
- 28:09ve zdravotnictví. V podbě různých asistentů se
- 28:12docela prudce rozvíjí. Mě by zajímalo za vás, když asi
- 28:16máte přehled i nejenom v rámci právě radiologie, tak co v těch
- 28:23příštích 5:10? Letech by mohlo nastoupit a
- 28:26jakou roli by právě ty asistenti v podobě umělé inteligence v
- 28:30ordinacích a nemocnicích mohli mít?
- 28:32My v současnosti sledujeme opravdu velice masivní vlnu
- 28:35umělé. Inteligence, která už započala
- 28:38pár let zpátky, ať už to byly konvoluční neuronové sítě pro
- 28:41zpracování obrazu, ať už to byli rekurenti neuronové sítě pro
- 28:44zpracovávání nebo například generování textu.
- 28:47A my v současnosti sledujeme opravdu jako velice velice
- 28:50zajímavý hype, který který se umělá inteligence dotýká.
- 28:53Samozřejmě zdravotnictví je určitě specifický segment.
- 28:57Co se týče nasazení nových technologií, tak je mít potřeba
- 29:01mít na paměti, že. Technologie pořád.
- 29:04Nejsou tou tím hlavním hybatelem, ale tím hlavním
- 29:07hybatelem je pacient a řekněme tomu i ten i ten lékař, který
- 29:12který s tou technologií musí pracovat, to znamená, cílem by
- 29:15určitě nemělo být nasazovat technologie jen tak
- 29:17bezmyšlenkovitě, protože můžeme ale opravdu sledovat ty
- 29:20konkrétní use. Casey, ty konkrétní příklady a
- 29:23snažit se aktivně vyhledávat a snažit se o to, aby ty usey
- 29:26přicházeli opravdu z té klinické praxe, protože když my jezdíme
- 29:30za těmi lékaři. A hodinku 2 se s nimi pobavíme.
- 29:34Tak my zjistíme, jaké problém je opravdu trápí a najednou můžeme
- 29:38třeba najít takové řešení. Co se týče blízké budoucnosti,
- 29:42já bych si klidně půjčil, půjčil citát z roku 2017 od geoffreyho
- 29:46hntona 1 z pionýrů umělé inteligence, který řekl, že
- 29:50bychom měli přestat vůbec trénovat radiology, protože za 5
- 29:54let už radiologové vůbec nebudou existovat.
- 29:56Bylo to v roce 2017. Jsme už tedy o 5 + 1 let
- 30:02později. A samozřejmě sledujeme, že
- 30:05radiologů je nedostatek. Je to samozřejmě zaměstnání,
- 30:09které pořád velice perspektivní a situace, že by nám tady uměla
- 30:14inteligence, opravdu nahradila přímo konkrétní radiology.
- 30:18Tady prostě ještě jako není. To samozřejmě se může týkat i
- 30:21těch chatbotů. Může se to týkat
- 30:22telemedicínských aplikací a podobně.
- 30:24Samozřejmě tam sledujeme určité rizika týkající se třeba
- 30:28sebediagnostiky. Která je do jisté míry cestou do
- 30:31pekel. Ale zároveň musíme brát i tu 2.
- 30:34Část a to to, že pacienti si můžou být trošku více, jistí i
- 30:39tím, aby aby se zajímali o své zdraví.
- 30:42Já si teďka vybavuji skvělou konverzaci, kterou jsme vedli z
- 30:46lékařem z velké Británie a ten říkal u nás, má každý právo
- 30:51trpět a být nemocný, jak jen chce.
- 30:53Takže myslím si, že ta umělá inteligence, jestli bude mít
- 30:56nějaký pozitivní vliv, tak je to, že lidé.
- 31:00Přestože budou tíhnout k nějaké sebediagnostice.
- 31:03Tak budou tíhnout IK tomu, aby byly otevřeni vůbec zjišťovat si
- 31:06ty informace, co třeba ten jejich konkrétní nález může
- 31:10znamenat, v jaké fázi života se pohybují, jakou kvalitu života
- 31:14vlastně v současnosti mají, jaké nástrahy na ně na ně ještě život
- 31:18čeká. A to si myslím, že je určitě, že
- 31:21určitě důležitým faktorem, kterému může umělá inteligence
- 31:25určitě určitě prospět v průběhu v průběhu následujících let.
- 31:28A vnímáte tam nějakou hranici nějaké limity, do čeho by neměla
- 31:31mluvit, i když by to vlastně technicky bylo možné to provést?
- 31:35Určitě, já si myslím, že jsou zde segmenty, kde ten lidský
- 31:39faktor hraje strašně důležitou, strašně důležitou část a nesmíme
- 31:44na ni zapomínat. Já jsem nedávno byl součástí
- 31:47konverzace, kde se řešilo, že by umělá inteligence opravdu měla
- 31:51ovlivnit úplně každou část každou sféru.
- 31:55Celého toho zdravotnického segmentu.
- 31:56Ale nemyslím si, že by tak mělo být, ať už to je například
- 32:00paliativní péče, kde samozřejmě umělá inteligence může hrát
- 32:04určitou roli. Tak si myslím, že třeba ten
- 32:06lidský faktor je tam absolutně nenahraditelný.
- 32:09A co se týče toho přístupu té komunikace s tím pacientem
- 32:13například o onkologické léčby u dalších různých faktorů, tak si
- 32:17myslím, že ta umělá inteligence tam ještě své místo nemá a je
- 32:21otázkou na nás. Zdali ji tam vlastně vůbec
- 32:23pustit chceme. Nebo nikoliv.
- 32:25Já si myslím, že ten lidský faktor by v těchto segmentech
- 32:28určitě neměl být zapomenut. Naopak bychom ho měli velice
- 32:32velice vychvalovat, velice si ho vážit a udržovat.
- 32:34A kromě tedy těch nových možností a zjednodušení nebo
- 32:37zpřesnění práce lékařů, je tam třeba za vás i nějaký potenciál,
- 32:41že by to mohlo potom, když se to podaří škálovat, zlevnit
- 32:45zdravotní péči pro lidi zpřístupnit v širším okruhu?
- 32:50Věřím, že určitě ano. Já si celkově myslím, že umělá
- 32:52inteligence by měla přispět k tomu, že.
- 32:55By zdravotní péče měla být o to více dostupná všem, nehledě na
- 32:59to, odkud jsou z jaké sociální vrstvy a podobně.
- 33:02My to v současnosti sledujeme třeba aplikací, které slouží k
- 33:05detekci nálezu v rámci dermatologie Google.
- 33:09Například v průběhu loňského roku představil svoji aplikaci
- 33:12dermasist vydal k tomu krásnou klientskou studii, certifikoval
- 33:15jako zdravotnický prostředek v průběhu následujících měsíců se
- 33:19tak nějak lidi podívali na ta trénovací data, ze kterých
- 33:22Google vycházel. A začaly nám vznikat články
- 33:26nejenom na nějaké akademické úrovni, ale opravdu i mezi
- 33:30širokou populací ohledně toho, že ty aplikace můžou být trošku
- 33:33rasistické, že ta aplikace opravdu může fungovat jenom u
- 33:36lidí se světlejším odstínem kůže a naopak, jako nemusí vůbec
- 33:41pracovat správně u pacientů, který mají tmavší odstín kůže.
- 33:46A to je samozřejmě velký problém.
- 33:47Čili ta umělá inteligence určitě může přinést určitou.
- 33:50Řekněme tomu demokratizaci. Celého toho zdravotnického
- 33:53segmentu může umožnit zdravotní péči tam, kde je to samozřejmě
- 33:58složitější. V dnešní době ale zároveň může
- 34:01přinést i určitý bayas, určité nepřesnosti a další zkreslení i
- 34:04do té klinické praxe. A to si myslím, že je určitě
- 34:07faktor, kterému se musíme hodně věnovat a být na pozoru, snažit
- 34:11se ho limitovat, zkoumat a opravdu se vydávat tu správnou
- 34:15robustní ověřenou klinickou cestou a nejenom spoléhat na to,
- 34:19že. Že máme někde nějaké číslo?
- 34:21AA slepě slepě se k tomu jenom obracet.
- 34:24To ostatně asi platí IO tom vašem případu, kdyby přijel
- 34:28pacient, řekněme z Brazílie nebo z indie.
- 34:31S nějakým problémem na plicích, tak se může stát, že ta aplikace
- 34:34trénovaná na datech primárně z pacientů ze střední Evropy tam
- 34:38bude mít nějaké slepé místo, ne, nebo sklepou skvrnu.
- 34:41Je to takové klišé, ale já to rád říkám, každý z nás je
- 34:45unikátní. A týká se to spousty různých
- 34:48věcí, včetně samozřejmě těch zobrazovacích metod.
- 34:51My, i když vyvíjíme naše systémy, tak se snažíme o to,
- 34:54abychom sbírali data z různých míst z celého světa, abychom
- 34:57měli zastoupení celé té populace, kde počítáme s tím, že
- 35:01by náš systém mohl být nasazený. A když náš systém umělá
- 35:04inteligence, to tak taky má, řekne, že neví.
- 35:07Tak samozřejmě můžeme říct i, že ten systém neví.
- 35:10Jedná se například o nastavení takzvaných modelů, kterým se
- 35:13říká outovdistribution. To jsou modely, které.
- 35:16Popisují, že ta umělá inteligence byla natrénovaná
- 35:18nějakých datech. A pokud je jí před, jsou jí
- 35:22předkládány nějaká data, která dříve neviděla podobnou
- 35:26distribuci těch dat podobné vzory těch dat tak ona dokáže
- 35:29říct. Tento příklad jsem neviděla,
- 35:31nechci na něm provádět hodnocení schmidtec, takže to si myslím,
- 35:35že je určitě důležitou součástí toho, co by v rámci výzkumu
- 35:38vývoje umělé inteligence mělo být bráno v potaz.
- 35:42Dodává Daniel quak, šéf startupů společnosti.
- 35:45Kerbot děkuji moc za rozhovor a že jste si udělal čas pro
- 35:48týdeník respekt. Mockrát děkuji.
- 35:50Poslechnout si také můžete předchozí.
- 35:52Díl o ai s Martinem uhlířem a Jiřím matasem o umělé
- 35:55inteligenci čet botech i vývoji autonomních vozidel.
- 35:59Díky za pozornost i za podporu. Tento podcast vzniká díky
- 36:02předplatitelům týdeníku. Respekt zdraví vás Štěpán
- 36:06Sedláček.