Krótki brief: na jakie pytania odpowiadamy
Osoba szukająca informacji o AI w radiologii najczęściej pyta o kilka praktycznych kwestii. Poniżej lista, którą rozwijam w kolejnych sekcjach – tak, żeby łatwo było przejść do działania:
- Gdzie AI realnie przyspiesza odczyt RTG i TK, a gdzie może szkodzić lub spowalniać pracę?
- Jak ocenić działanie narzędzia przed wdrożeniem: jakie metryki, testy i progi ustawić?
- Jak technicznie podłączyć AI do PACS/RIS i zorganizować „cichy” pilotaż?
- Jakie są bezpieczne scenariusze użycia w RTG i w tomografii, a kiedy lepiej zachować rezerwę?
- Jak zabezpieczyć dane pacjentów i spełnić regulacje (RODO, CE, umowy powierzenia)?
- Jak mierzyć zwrot z inwestycji i unikać automatyzacji „na siłę”?
Jak AI „widzi” RTG i tomografię: fundamenty potrzebne do praktyki
Kluczowe zadania: klasyfikacja, detekcja, segmentacja, priorytetyzacja
AI w radiologii działa najczęściej w jednym z czterech trybów. Klasyfikacja ocenia, czy na obrazie jest dany wzorzec (np. odma opłucnowa na RTG). Detekcja lokalizuje zmiany i wskazuje je ogranicznikami (bounding box). Segmentacja dokładnie obrysowuje struktury i zmiany (np. guzy w płucach). Priorytetyzacja ustawia kolejkę badań – badania z wysokim prawdopodobieństwem ostrej patologii trafiają szybciej do opisu.
W RTG przeważają algorytmy klasyfikujące i detekcyjne do zmian klatki piersiowej oraz urazów kostnych. W TK popularne są modele do krwawienia śródczaszkowego, zatorowości płucnej, wykrywania guzków płuc i segmentacji narządów. W praktyce jedno narzędzie bywa hybrydą – klasyfikuje badanie, a jednocześnie zaznacza podejrzane obszary i generuje pomiary (np. objętość guzka).
Warto rozumieć, który tryb jest najbliższy potrzebom pracowni. Priorytetyzacja świetnie skraca TAT dla ostrych przypadków, segmentacja przydaje się w monitorowaniu i planowaniu terapii, a klasyfikacja – w szybkim wykluczaniu pilnych stanów.
Architektury modeli i wpływ na praktyczne działanie
W RTG dominują sieci konwolucyjne (CNN) i coraz częściej hybrydy z transformerami wizualnymi. W tomografii, ze względu na dane 3D, używa się 3D-CNN lub 2.5D (analiza przekrojów z kontekstem sąsiednich warstw). Architektura wpływa na szybkość i pamięciożerność – co bywa krytyczne w szpitalu, gdzie liczy się przetworzenie w sekundach, a nie minutach.
Modele 3D często dają precyzyjniejszą lokalizację i segmentację, ale są bardziej wrażliwe na różnice w protokołach (grubość warstwy, kernel rekonstrukcji, dawka). Z kolei modele 2D/2.5D bywają szybsze i stabilniejsze przy zmianach parametrów, choć czasem tracą subtelny kontekst przestrzenny.
Dla RTG liczy się też rozdzielczość wejścia. Niektóre systemy przeskalowują obraz do mniejszego formatu, co przy drobnych zmianach (małe odmy, włóknienie) może obniżać czułość. Zapytaj dostawcę o natywne rozdzielczości przetwarzania i możliwość pracy na obrazach w pełnym wymiarze DICOM.
Formaty wyjścia: co zobaczy radiolog i system
Najlepsze wdrożenia oferują wyniki w standardach radiologicznych: DICOM SR (pomiar i tekst strukturalny), DICOM GSPS (graficzne nakładki), DICOM SEG (segmentacje 3D), ewentualnie DICOM TID 1500 dla ustrukturyzowanych pomiarów. Integracja z RIS bazuje zwykle na komunikatach HL7 v2 lub FHIR (ImagingStudy, DiagnosticReport). W praktyce kluczowe jest, by wyniki były widoczne w PACS bez przełączania aplikacji i by nakładki można było łatwo włączyć/wyłączyć.
Triage najczęściej działa przez flagę priorytetu lub osobną kolejkę „STAT AI”. Ważne, by dało się w logach prześledzić, kiedy AI wpłynęła na priorytet i czy spełniła ustalone kryteria czułości/specyficzności.
Gdzie AI daje przewagę, a gdzie lepiej zwolnić: RTG i TK na konkretnych przykładach
RTG klatki piersiowej: szybkie rozpoznawanie stanów pilnych
AI dobrze radzi sobie z odszukaniem zmian o dużym kontraście: odma opłucnowa, duże wysięki, rozległe nacieki. W trybie priorytetyzacji badania z wysokim prawdopodobieństwem takich zmian trafiają na początek kolejki, co skraca czas do decyzji klinicznej. W typowej izbie przyjęć potrafi to zdjąć presję z dyżuru, zwłaszcza przy kumulacji badań nocą.
Jednocześnie na RTG pojawia się wiele wariantów anatomicznych i artefaktów (projekcje AP vs PA, rotacja pacjenta, przewody, dreny). Tu rośnie odsetek fałszywych alarmów. Dobrą praktyką jest odrębny próg dla „alertów krytycznych” (np. podejrzenie odmy) oraz „sugestii niskiego priorytetu” (np. niewielki wysięk). Pozwala to ograniczyć „szum” i zmęczenie alarmami.
Uwaga na grupy szczególne: pacjenci pediatryczni i osoby po zabiegach torakochirurgicznych (silny „domain shift”). Jeśli nie ma dowodów, że model był uczony i walidowany w tych grupach, rozważ wyłączenie ich z priorytetyzacji i użycie AI wyłącznie jako sugestii graficznych.
TK głowy bez kontrastu: krwawienie śródczaszkowe
To jeden z najbardziej dojrzałych klinicznie przypadków. AI pomaga błyskawicznie oznaczyć przypadki z wysokim prawdopodobieństwem krwawienia i wysłać je do pilnego opisu lub alertu neurochirurgicznego. W praktyce liczą się sekundy – szczególnie gdy ten sam zespół obsługuje wiele badań naraz. Modele do ICH często oferują też mapy cieplne lub segmentacje krwiaków, co ułatwia dokumentowanie postępu.
Ograniczenia? Zmienność protokołów, zwłaszcza kernel rekonstrukcji i grubość warstw. Modele źle znoszą zbyt szumne lub wygładzone rekonstrukcje. Warto wynegocjować z dostawcą zestaw rekomendacji protokołów „kompatybilnych z AI” oraz automatyczny routing właściwych serii do przetworzenia (np. tylko serii bez kontrastu, 1–5 mm).
W okresie wdrożenia stosuj tryb cichy (shadow mode): AI ocenia badanie, ale nie zmienia kolejki. Porównanie TAT i trafności przed/po włączeniu priorytetyzacji pokaże realny zysk i wskaże bezpieczny próg alertów.
TK klatki piersiowej z kontrastem: zatorowość płucna
Modele do wykrywania zatorowości potrafią zaznaczać podejrzane skrzepliny w tętnicach płucnych i sugerować poziom pewności. Korzyść kliniczna rośnie, gdy wyniki od razu trafiają do PACS jako segmentacje/GSPS, a system przekazuje priorytet w RIS. Przy dużej liczbie badań skraca to czas do terapii przeciwkrzepliwej.
Ryzyka: motion artifacts, opóźnione wzmocnienie kontrastowe, niestandardowy FOV, agenezja/naczynia dodatkowe. W takich przypadkach częściej pojawiają się fałszywe alarmy, zwłaszcza przy drobnych zatorach obwodowych. Zalecenie: dla raportowania drobnych zmian używaj wyższych progów pewności, a priorytetyzację opieraj na „centralnych” zatorach o znaczeniu klinicznym.
Warto też włączyć regułę: jeśli AI nie przetworzy badania (np. brak poprawnej serii), system nie obniża priorytetu ręcznie nadanego przez technika/lekarza kierującego. Unikasz w ten sposób opóźnień przez „ciszę” ze strony AI.
TK jamy brzusznej: stany ostre i różnorodność protokołów
W ostrych bólach brzucha modele pomagają wyłapywać typowe wzorce: naciek okołowyrostkowy, perforację z wolnym powietrzem, rozlane zapalenie trzustki. Sprawdzają się, gdy przepływ pacjentów jest duży, a dyżur miesza badania planowe z pilnymi. Dają sygnał: „ten przypadek może nie poczekać”.
Pułapki wynikają z faz kontrastowych i ruchu perystaltycznego. Jeden dostawca może wspierać tylko fazę żylno‑miąższową, inny wymaga cienkich warstw i filtra ostrego. Jeśli protokół jest inny niż zalecany, wzrasta liczba fałszywych wskazań (np. pętle jelit z gazem mylone z wolnym powietrzem). Rozwiązanie: routing wyłącznie zgodnych serii, jasne reguły „no result, no downgrade” oraz progi alertu ustawione pod stany rzeczywiście zagrażające życiu.
RTG układ kostny: urazy, które AI wyłapuje pewnie i te, które gubią się w szumie
W obrazach pourazowych AI dobrze identyfikuje złamania o wyraźnej szczelinie i przemieszczeniu, gorzej radzi sobie z subtelnymi pęknięciami i zmianami z pogranicza. Przydatna jest detekcja dla nadgarstka, stopy i kostki – zwłaszcza w ostrym dyżurze, gdzie powtarzają się podobne projekcje i schematy urazów. Kłopoty zaczynają się przy rzadkich projekcjach lub nietypowej rotacji. Zwiększa to liczbę fałszywych alarmów i może spowalniać opis przez ciągłe „odhaczanie” nakładek.
Dobre ustawienie to dwa progi: niski do celów przeglądowych (oznaczanie podejrzanych linii na nakładkach) i wyższy do alertów pilnych (np. podejrzenie złamania szyjki kości udowej u pacjenta starszego z bólem po upadku). W scenariuszach ambulatoryjnych rozważ pozostawienie AI w trybie sugestii wizualnych bez wpływu na priorytet.
Co sprawdzić: czy model był uczony na projekcjach wykonywanych w twojej placówce (AP/PA, skośne), jak reaguje na gips/opatrunki oraz czy system umożliwia szybkie wyłączanie nakładek jednym skrótem klawiaturowym.
TK klatki piersiowej: wykrywanie guzków i segmentacja
AI przyspiesza przegląd cienkowarstwowych badań i systematyzuje porównanie z badaniami poprzednimi. Segmentacja guzków i wyliczenie objętości ułatwia monitorowanie i unika losowości pojedynczych pomiarów liniowych. Największy zysk jest tam, gdzie przepływ onkologiczny jest duży, a lekarze walczą o powtarzalność pomiarów.
Słabe punkty to guzki typu ground-glass, zmiany przylegające do naczyń oraz zagadnienia techniczne: kernel, dawka, algorytmy rekonstrukcji iteracyjnej. Różnice między sprzętem i protokołami potrafią przenosić wyniki pomiarów o kilka–kilkanaście procent. Dlatego czułość ustaw wysoką dla „case recall” (żeby nic nie umknęło), a raportowanie zmian klinicznie istotnych powiąż z progiem objętości/tempo wzrostu i manualną weryfikacją.
