Teraz przyglądamy się temu, jak AI funkcjonuje w konkretnych ekosystemach diagnostycznych – od rozwiązań chmurowych po wyspecjalizowane systemy przesiewowe. Kluczowe pytanie nie brzmi już, czy sztuczna inteligencja trafi do salonów optycznych i gabinetów okulistycznych, ale jak mądrze, bezpiecznie i efektywnie z niej korzystać.
Patrząc od strony funkcjonalnej,
AI pełni funkcję wsparcia decyzji klinicznych (ang. clinical decision support), np. generując wskaźniki ryzyka czy przewidując rozwój chorób.
AI jako wsparcie decyzji klinicznych
To wpisuje się w paradygmat medycyny spersonalizowanej, bowiem modele predykcyjne wykorzystują dane populacyjne i indywidualne trajektorie zmian, by analizować rozwój sytuacji. Oprogramowanie Topcon Harmony także jest systemem multimodalnym, integrującym dane z różnych źródeł.
Coraz powszechniejsze wykorzystanie modelu działania SaaS (ang. Software as a Service, czyli oprogramowanie jako usługa) umożliwia skalowalne wdrażanie algorytmów AI oraz ich ciągłą aktualizację bez ingerencji użytkownika końcowego. W praktyce oznacza to, że modele mogą być iteracyjnie doskonalone na podstawie dużych, globalnych zbiorów danych. Po prostu pewnego dnia w badaniu pacjenta mogą pojawić się wyniki opracowane już na podstawie nowszych algorytmów.
Z klinicznego punktu widzenia Harmony + Maestro2 tworzą spójny ekosystem wspierający zarówno screening, jak i zaawansowaną diagnostykę. W praktyce klinicznej szczególnie istotne jest wykorzystanie systemu do wczesnego wykrywania zmian siatkówkowych oraz monitorowania pacjentów z grup ryzyka (np. cukrzyca, nadciśnienie, jaskra). Automatyzacja procesu badania i analiza AI pozwalają na znaczące skrócenie czasu wizyty oraz zwiększenie powtarzalności pomiarów.
Ciekawą inicjatywą jest powołanie Instytutu Zdrowia Cyfrowego (IDHea). Jest to duża, bezpieczna platforma baz danych populacyjnych, która podlega zewnętrznemu organowi kontrolnemu – komitetowi ds. dostępu do danych i zarządzania nimi.
Z perspektywy bezpieczeństwa danych system implementuje typowo standardy zgodne z RODO i HIPAA, w tym szyfrowanie, kontrolę dostępu oraz mechanizmy anonimizacji danych wykorzystywanych do trenowania modeli.
Od chmury do ekosystemów diagnostycznych
Kolejny system to rodzina rozwiązań cyfrowych, wyposażonych w oprogramowanie PathFinder, które reprezentuje podejście do sztucznej inteligencji osadzone w standaryzacji danych i analizie ilościowej, szczególnie w kontekście chorób siatkówki. Ta architektura – w przeciwieństwie do rozwiązań natywnie chmurowych (takich jak Harmony) – wydaje się być w większym stopniu hybrydowa, z naciskiem na lokalne przetwarzanie danych oraz integrację z infrastrukturą kliniczną (EHR – ang. Electronic Health Record, PACS – ang. Picture Archiving and Communication System), co ma znaczenie w środowiskach o wysokich wymaganiach dotyczących kontroli danych. Wydaje się też, że tutaj stawia bardziej na środowiska oprogramowania, jak seria Workplace czy FORUM, co powoduje, że właściwie powinniśmy nie mówić o pojedynczym urządzeniu Cirrus, ale o całym ekosystemie software’owym.
Producent reklamuje system wyposażony w AI grą słów jako „Illuminating, Intelligently, Integrated” (tłum. własne: oświecający, inteligentnie, zintegrowany). Pod pojęciem „oświecenia” rozumie np. wykrywanie zmian patologicznych, takich jak: wysięki płynu pod- i śródsiatkówkowego, zanik nabłonka barwnikowego siatkówki, uniesienie nabłonka barwnikowego siatkówki, przerwanie wewnętrznych warstw siatkówki, przerwanie granicy szklistkowo-siatkówkowej, przerwanie segmentu wewnętrznego/zewnętrznego. Widać, że naprawdę starają się, żeby decyzja klinicysty była odpowiednio wsparta analizą automatyczną. Zresztą, spora część specjalistów widzi takie przypadki dość rzadko, więc AI, wytrenowana na dziesiątkach czy setkach tysięcy zdjęć, może pewne rozpoznania wykonać lepiej.
Z kolei słowo „inteligentnie” ma symbolizować wysoką skuteczność działania poprzez trening na 75000 B-skanów, potwierdzonych przez specjalistów w dziedzinie chorób siatkówki, z czułością na poziomie 88%, a swoistością 93%. „Integracja” oznacza zaś możliwość współdziałania z innymi modułami oprogramowania dostarczanymi przez tego producenta.
Zeiss rozwija swoje narzędzia, jak na przykład Guided Progression Analysis (GPA), które wykorzystuje analizę longitudinalną do wykrywania progresji jaskry na podstawie statystycznie istotnych zmian w czasie. W odróżnieniu od bardziej „czarnoskrzynkowych” modeli uczenia głębokiego, stosowanych w innych systemach, podejście to jest zakorzenione w metodologii statystycznej, co może zwiększać jego akceptowalność kliniczną, szczególnie przez praktyków nieufających za bardzo AI.
Zeiss Digital Solutions – na tle Topcon Harmony – wyróżnia się przede wszystkim dojrzałością i standaryzacją analizy ilościowej, szczególnie w jaskrze. Podczas gdy Harmony kładzie nacisk na chmurową, predykcyjną analitykę populacyjną, Zeiss koncentruje się na wysokiej powtarzalności pomiarów, jakości baz normatywnych i transparentności algorytmów.
Nie zamiast, lecz obok specjalisty
Na tych skrótowo omówionych przykładach wielomodalnych systemów diagnostyki (choć skoncentrowanych wokół OCT) widać, że rozwiązania wykorzystujące AI są już rutynowo stosowane w praktyce klinicznej i raczej nie ma odwrotu od tej drogi. Wielu innych producentów także wprowadza na rynek rozwiązania oparte na AI, choć bardziej wyspecjalizowane, czasami zintegrowane z urządzeniami, a czasami stanowiące osobne oprogramowanie. Przykłady to systemy wykrywania wczesnych zmian chorobowych siatkówki, np. Eyenuk EyeArt, Digital Diagnostics, Optomed Lumo.
Wiele osób nie ufa AI w gabinecie, co jest naturalne, a dodatkowo nierzadko poparte doświadczeniem z pracy z dużymi modelami językowymi (Gemini, ChatGPT, Claude, Grok itp.), które często konfabulują. Trzeba jednak pamiętać, że AI zintegrowane w certyfikowanych urządzeniach medycznych stanowi osobną klasę, przetestowaną i wyspecjalizowaną w konkretnych zadaniach. Dodatkowo, cały czas na świecie trwają prace nad rozwojem modeli AI do celów medycznych, jak np. Google MedGemma, zoptymalizowany do analizy danych medycznych, w tym obrazów o dowolnej modalności.
Konkludując: warto poświęcić czas na zapoznanie się z możliwościami, jakie dają współczesne systemy diagnostyczne wyposażone w AI. Kto nie będzie umiał z nich korzystać, zapewne zostanie rzeczywiście zmuszony do poszukania innej pracy.
prof. dr hab. Jacek Pniewski
Akademickie Centrum Kształcenia Optometrystów
Wydział Fizyki, Uniwersytet Warszawski
