Chcesz, żebyśmy zajęli się Twoim contentem AI?
Zostaw mail lub telefon. Odezwiemy się!

Aby wypełnić ten formularz, włącz obsługę JavaScript w przeglądarce.
Adres e-mail
Czy AI zastąpi radiologów?

Czy AI zastąpi radiologów?

Jan Kinal: [00:00:00] Witam Was na kolejnej rozmowie z cyklu „Zrozumieć AI”. Dzisiaj moim gościem jest Krzysztof Bartnik, radiolog z Warszawskiego Uniwersytetu Medycznego. Cześć, witam Krzysztof.

Krzysztof Bartnik: [00:00:10] Cześć, witam serdecznie wszystkich słuchaczy i oglądających.

Jan Kinal: [00:00:14] Dzięki, że znalazłeś chwilę na rozmowę. Udało mi się zaprosić Krzysztofa w bardzo krótkim czasie od publikacji badania, które przykuło moją uwagę. Badanie dotyczyło wykorzystania deep learningu i machine learningu, czyli tego, co potocznie określamy sztuczną inteligencją, w przewidywaniu wyników leczenia pacjentów z rakiem wątroby. Na samym wstępie chciałbym poruszyć temat wykorzystania sztucznej inteligencji w radiologii i medycynie. Krzysztof, opowiedz nam, jak wyglądały Twoje początki w radiologii i dlaczego wybrałeś tę dziedzinę. Chciałbym, żeby nasi słuchacze i widzowie mogli Cię lepiej poznać.

Krzysztof Bartnik: [00:01:10] Jasne, jestem Krzysiek, jestem biologiem w trakcie specjalizacji. Obecnie jestem na 5. roku specjalizacji i powoli przygotowuję się do egzaminu specjalistycznego. Pracuję w Szpitalu WUM na Banacha. Głównie zajmuję się onkologią oraz chorobami naczyń, a w pracy naukowej szczególnie interesują mnie nowe technologie. Jedną z technologii, które rozwijamy w naszych zespołach badawczych, jest sztuczna inteligencja. Drugą są sensory światłowodowe, ale myślę, że to o sztucznej inteligencji dzisiaj porozmawiamy, bo po to się tutaj spotkaliśmy. W mojej pracy zawodowej opisuję głównie badania tomografii komputerowej, rezonansu magnetycznego oraz robię USG Doppler. Generalnie zajmuję się praktycznie wszystkimi badaniami, które mamy w szpitalu. Jest tego całkiem sporo.

Jeśli chodzi o specjalizację, radiologią interesowałem się od dawna, już od studiów. Na studiach wydawało mi się to jednak mało możliwe, ponieważ aby dostać się na szkolenie specjalizacyjne z radiologii, potrzebne były dosyć wysokie wyniki. Na szczęście udało mi się zdobyć odpowiednią ilość punktów i ostatecznie zastanawiałem się między dwiema specjalizacjami: radiologią a ginekologią. Ginekologię odrzuciłem podczas stażu, ponieważ jest to głównie specjalizacja zabiegowa, a ja chciałem zajmować się czymś bardziej związanym z nowymi technologiami. Badania obrazowe są idealnym łącznikiem i świetnym polem do testowania nowych rozwiązań, m.in. tych, którymi się zajmuję. Tak wyglądała moja droga do radiologii. Jeśli chodzi o pracę naukową, to zajmuję się głównie IR oraz sensorami światłowodowymi.

Jan Kinal: [00:02:56] Ale co było pierwsze, biologia czy sztuczna inteligencja?

Krzysztof Bartnik: [00:02:59] Zdecydowanie biologia. Sztuczną inteligencją zacząłem się interesować, kiedy szukałem tematu na doktorat. Przeglądając różne publikacje, natrafiłem na prace wykorzystujące dane obrazowe w nietypowy sposób. Nie tylko takie trywialne cechy jak wielkość guzów czy ich położenie, ale na przykład teksturę czy rozkład skali szarości w przestrzeni guza. To właśnie zaczęło mnie interesować, ponieważ pozwalało na wyciąganie pewnych cech obrazowych i łączenie ich z czasem przeżycia pacjentów. Aby jednak zacząć, wiedziałem, że muszę najpierw zbudować swój wizerunek poprzez publikacje. Są rzeczy, których sam nie zrobię, na przykład modelowanie lub przygotowanie danych do obliczeń, dlatego potrzebowałem zespołu. Aby zacząć, musiałem najpierw opublikować kilka prac przed zajęciem się sztuczną inteligencją.

Jan Kinal: [00:04:18] Proces przygotowawczy, nazwijmy go tak.

Krzysztof Bartnik: [00:04:21] Taki proces przygotowawczy doktora zajął mi 4 lata. Byłem w szkole doktorskiej, w pierwszym roczniku, który miał przyjemność rekrutować się do tej szkoły, zastępującej studia doktoranckie. Zmiana była głównie kosmetyczna, ale byłem tym pierwszym rocznikiem. Przez cztery lata pracowałem nad swoim doktoratem, jednocześnie rozwijając bazy danych pod kątem sztucznej inteligencji. Wiedziałem, że chcę to wykorzystać w późniejszej pracy, co całkiem dobrze mi się udaje. Ostatnio opublikowaliśmy pierwszą z cyklu prac związaną z AI, która jest bezpośrednim rozwinięciem mojego doktoratu. W doktoracie zajmowałem się guzami wątroby, co wiąże się z tematem, który wspominałeś, dotyczącym publikacji i przewidywania wyników leczenia.

Jan Kinal: [00:05:21] Właśnie, czy mógłbyś opowiedzieć więcej na ten temat? Widziałem na LinkedIn informację o publikacji tego badania. My także to publikujemy. Dam link do tego badania pod tym filmikiem. Czy mógłbyś wyjaśnić, o co dokładnie chodzi? Czy wykrywacie raka dzięki sztucznej inteligencji?

Krzysztof Bartnik: [00:05:42] Nie do końca, nie do końca. Zajmujemy się trochę innymi rzeczami.

Jan Kinal: [00:05:46] Czyli nie możemy dać clickbaitowego tytułu.

Krzysztof Bartnik: [00:05:48] Myślę, że to może nie przejść, chociaż jako tytuł zwróci uwagę. Natomiast zajmuję się trochę innymi rzeczami. Obecnie rozwijam dwa projekty związane ze sztuczną inteligencją w radiologii, które roboczo nazwałem. Pierwszy z nich to Tactics AI, a drugi to Oma AI. Opowiem trochę o obu, ale szczególnie chciałem poruszyć temat Tactics AI, ponieważ dotyczy on guzów wątroby, o których wspomniałeś. Guzami wątroby zajmowałem się już od doktoratu, gdzie testowałem tradycyjne modele przewidywania przeżycia pacjentów. Skupiłem się głównie na predykcji wyników leczenia. W tej grupie pacjentów wykorzystywałem klasyczne modele, natomiast w tym badaniu zastosowaliśmy metody AI do przewidywania wyników leczenia. Jest to badanie innowacyjne pod kilkoma względami. Między innymi zastosowaliśmy zarówno deep learning, jak i machine learning, aby opracować automatyczny model, który nie wymaga interwencji radiologa. Wystarczy podać obraz, a pewne cechy są wyciągane bezpośrednio z niego, analizowane i włączane do modelu. Działa to trochę inaczej niż tradycyjne modele przewidywania przeżycia pacjentów.

Jan Kinal: [00:07:37] My traktujemy temat bardzo szeroko.

Krzysztof Bartnik: [00:07:39] Jasne, jasne. Generalnie rak wątroby jest bardzo ciekawym nowotworem pod kilkoma względami, między innymi diagnostyki. Jest to wyjątek w onkologii, gdzie do rozpoznania nowotworu i rozpoczęcia leczenia nie potrzeba biopsji guza. Zazwyczaj wymaga się badania histopatologicznego, ale rak wątrobowokomórkowy ma na tyle charakterystyczny wygląd w badaniach obrazowych, że przy odpowiednim kontekście klinicznym i cechach obrazowych, takich jak wzmocnienie guza w fazie tętniczej i wypłukiwanie kontrastu w późniejszych fazach, można postawić diagnozę i rozpocząć leczenie. W przypadku innych nowotworów, jak rak jelita grubego, biopsja jest konieczna.

Jeśli chodzi o przewidywanie przeżycia, jest to skomplikowany temat. Obecne modele tradycyjne opierają się na danych klinicznych, takich jak wiek pacjentów, podłoże marskości wątroby, funkcja wątroby (badania laboratoryjne) oraz proste cechy guza, jak wielkość w dwóch wymiarach lub liczba ognisk. Kombinacja tych czynników pozwala na w miarę dokładne przewidywanie długości życia pacjentów poddawanych leczeniu. Natomiast te modele nie są idealne. Chcieliśmy stworzyć model oparty wyłącznie na danych obrazowych. Wykorzystujemy obrazy z tomografii komputerowej, odpowiednio je przygotowujemy i wyciągamy z nich pewne cechy obrazowe. Modele AI wymagają oznaczenia guza, czyli stworzenia maski pokazującej modelowi, gdzie znajduje się guz na obrazie. Zazwyczaj do tego celu używano ręcznych oznaczeń, co jest czasochłonne i zajmuje kilka, kilkanaście minut. My zastosowaliśmy do tego model deep learningowy.

Krzysztof Bartnik: [00:10:04] Było dostępne gotowe rozwiązanie, które niedawno zostało opublikowane. Jest to otwarty model do segmentacji zarówno guzów, jak i innych organów. Wykorzystaliśmy to bardzo zautomatyzowane podejście, co znacznie przyspieszyło cały proces wyciągania cech z guzów. Gdy mieliśmy już oznaczone guzy, wyciągnęliśmy z nich cechy obrazowe. Do tego służą narzędzia, takie jak specjalne paczki w Pythonie, np. Paddington, które wyciągają cechy obrazowe, jak wymiar prosty 2D guza, największą strukturę guza, a także bardziej zaawansowane markery obrazowe, jak rozkład skali szarości w samym guzie. Jest tam bardzo dużo tych cech obrazowych. Kombinowaliśmy te cechy i stworzyliśmy model, który za pomocą tych zmiennych próbuje przewidzieć, jak długo pacjenci będą żyli po leczeniu.

Kolejna innowacja, którą wprowadziliśmy, to wyciąganie cech z innych organów, takich jak wątroba czy nerki, które mogą mieć istotne znaczenie kliniczne. Zazwyczaj te cechy uzyskuje się za pomocą badań laboratoryjnych. Dla przeżycia pacjentów bardzo ważne jest, jaką funkcję ma wątroba. Czy ta funkcja jest upośledzona czy nie? My staraliśmy się to zrobić inaczej. Zamiast badań laboratoryjnych wykorzystaliśmy cechy obrazowe wyciągnięte z wątroby, takie jak równy lub nierówny zarys wątroby, jednorodność struktury. Te cechy dodaliśmy do cech guza, kombinując dane z różnych organów i guzów, tworząc model machine learningowy, który wykorzystuje te zmienne do predykcji przeżycia pacjentów. Tak w skrócie działa nasz model. Nie potrzebuje on interwencji radiologa, w przeciwieństwie do obecnie stosowanych modeli. Nie wymaga też danych laboratoryjnych, takich jak markery z krwi, opierając się wyłącznie na cechach obrazowych.

Jan Kinal: [00:12:21] Ok, teraz zadam kilka pytań w imieniu naszych słuchaczy, którzy, podobnie jak ja, nie mają odpowiedniego wykształcenia medycznego. Czy w ogóle radiolog będzie potrzebny? Czy warto kształcić się w tym zawodzie? I czy Wasze rozwiązanie jest już wdrażane w szpitalach? Rozumiem, że na razie testujecie je na uniwersytecie. Jak to wygląda w praktyce? Czy takie rozwiązania są stosowane w polskich szpitalach? Jeśli nie, to jak widzisz przyszłość diagnostyki opartej na sztucznej inteligencji? I jeszcze jedno pytanie: jak to wpływa na wykrywalność raka wątroby?

Krzysztof Bartnik: [00:13:19] Nasze badanie skupia się na wykrywaniu raka wątroby, a raczej na predykcji przeżycia pacjentów. Opracowaliśmy kilka modeli bazujących na różnych zestawach cech obrazowych. Te modele, jeśli chodzi o predykcję przeżycia, miały podobną skuteczność jak modele klasyczne. Były tak samo precyzyjne w przewidywaniu przeżycia pacjentów. Jeśli chodzi o predykcję czasu do progresji choroby, te modele również nieznacznie przewyższały klasyczne metody. Jednakże, jeśli chodzi o zastosowanie tego w klinice, jesteśmy jeszcze daleko od tego celu. Przed nami jest jeszcze dużo pracy.

Jan Kinal: [00:13:59] Kwestia lat, dziesięcioleci?

Krzysztof Bartnik: [00:14:01] Trudno powiedzieć. Wszystkie modele opracowane w podobny sposób mają podobny problem. Działają bardzo dobrze na naszych wewnętrznych danych szpitalnych. Zastosowaliśmy metody cross-walidacji, aby podzielić dane na kilka części i sprawdzić, jak dobrze model działa zarówno na danych treningowych, jak i testowych. Natomiast zastosowanie tego na zewnętrznych danych nie było jeszcze przeprowadzone. Spodziewamy się, że skuteczność będzie dużo niższa niż na naszych danych testowych. Wynika to z różnych przyczyn, na przykład mogą być stosowane inne skanery CT w różnych szpitalach, co wpływa na cechy obrazu. Dodatkowo pacjenci mogą pochodzić z różnych grup demograficznych. W naszej polskiej populacji rak wątroby najczęściej występuje na podłożu chorej wątroby, często spowodowanej alkoholem, podczas gdy w Azji częściej występuje na skutek wirusów, takich jak wirusy zapalenia wątroby typu B. Te różnice mogą wpływać na skuteczność modeli.

Badania wskazują, że pacjenci z rakiem wątroby na podłożu marskości alkoholowej mają gorsze wyniki leczenia. Takie różnice w populacjach mogą wpływać na skuteczność modeli na innych grupach pacjentów. To nie jest tylko nasz problem, lecz ogólny problem w badaniach AI. Modele trenowane na relatywnie małych grupach mają ten sam problem. Można spróbować obejść te trudności, na przykład szukając zewnętrznych kohort do cross-walidacji.

Krzysztof Bartnik: [00:16:01] My proponujemy pewien model i szukamy zewnętrznych danych, aby sprawdzić, jak ten model działa na danych zewnętrznych. Na podstawie tych danych oceniamy skuteczność modelu. Spodziewam się, że będzie ona niższa, ale te nowe dane potencjalnie pozwolą nam ulepszyć model. Będziemy działać w tym kierunku. Na razie są to wstępne badania i jeszcze długa droga przed nami, aby zastosować to w praktyce.

Jeśli chodzi o detekcję guzów, nasz model skupia się na innych aspektach. Proponujemy modele działające w sposób inny niż te, o których wspominałeś. Widzę dwie główne ścieżki rozwoju w radiologii. Jest to bardzo subiektywna opinia, ale ja to tak widzę. Z jednej strony mamy modele przewidujące wyniki leczenia, czyli wartości, których ludzkie oko i percepcja nie są w stanie ogarnąć. Przewidywanie wyników leczenia to bardzo złożony proces, obejmujący wiele czynników, i człowiek może w tym zadaniu nie sprostać. Druga dziedzina, w której widzę pole do rozwoju, to automatyzacja pewnych procesów, np. detekcja guzów na obrazach. Istnieją badania wskazujące, że w pewnych warunkach modele mogą być bardziej skuteczne niż radiolog, np. w wykrywaniu przerzutów raka do wątroby czy ognisk udaru niedokrwiennego u pacjentów przyjętych z odpowiednimi objawami.

Jan Kinal: [00:17:59] A co z radiologami? Czy warto kształcić się w tym kierunku?

Krzysztof Bartnik: [00:18:03] Myślę, że tak. Zdecydowanie obstawiam, że pracy dla radiologów nie będzie mniej, a raczej więcej. Coraz więcej badań radiologicznych jest wykonywanych każdego roku, w tym bardzo specjalistycznych badań, gdzie ciężko jest zebrać duże grupy pacjentów. Aby wytrenować model AI, potrzebne są duże grupy pacjentów. Te grupy, które zbieramy w moim projekcie, są umiarkowanie duże.

Jan Kinal: [00:18:34] Pacjenci z Polski?

Krzysztof Bartnik: [00:18:36] To są pacjenci z Polski. Generalnie Banacha jest największym ośrodkiem w Polsce, który zajmuje się tym typem pacjentów, mówię tutaj o raku wątroby. Możemy założyć, że mamy relatywnie dużą liczbę pacjentów w skali Polski. Jednak nadal mówimy o liczbach rzędu 200-300 pacjentów w ciągu 4 lat. To jest relatywnie mało, jeśli chodzi o modele terapii, które często potrzebują kilkuset, kilku tysięcy czy nawet kilkudziesięciu tysięcy pacjentów, aby dobrze wyszkolić taki model. To zależy od zadania, ale generalnie potrzeba większych liczb pacjentów.

Jan Kinal: [00:19:15] A rozwiązaniem tego problemu mogłaby być współpraca z innymi ośrodkami?

Krzysztof Bartnik: [00:19:21] Myślimy o współpracy z innymi ośrodkami. To jest jeden z kierunków, który rozwijam w drugim moim projekcie. W drugim projekcie skupiam się na trochę innych guzach. Jest to temat, nad którym obecnie pracuję. Stworzyłem zespół złożony ze studentów z mojej uczelni, doktorantów, ludzi po doktoracie z Politechniki oraz profesora z Politechniki. Razem pchamy ten projekt do przodu. W tym projekcie mamy już pewne fundusze z grantu, które wystarczyły na zatrudnienie kilku osób, w tym studentów, którzy teraz ze mną pracują. Trafiłem na świetnych ludzi i teraz pracujemy w trochę większym zespole niż przy poprzednim projekcie.

Tutaj skupiamy się na pacjentach z guzami mózgu. To są guzy, które obrazujemy w rezonansie magnetycznym. W ostatnich latach znaczenie radiologii w diagnostyce tych guzów nieco spadło, ponieważ weszła nowa klasyfikacja, która większą rolę przypisuje badaniom genetycznym. Badania genetyczne są teraz kluczowe dla leczenia tych pacjentów. Dwa guzy mogą wyglądać identycznie dla radiologa, ale różnice genetyczne decydują o leczeniu.

Krzysztof Bartnik: [00:20:54] Mogą się nie różnić niczym, przynajmniej dla ludzkiego oka, ale mają zupełnie inne rokowanie, wynikające z różnych zmian genetycznych. Aby poznać te zmiany genetyczne, często trzeba wykonać badanie inwazyjne, np. wyciąć guza w całości albo pobrać biopsję. W naszym projekcie staramy się stworzyć model, który pozwoli na predykcję zmian genetycznych na podstawie zmiennych obrazowych wyciągniętych z guza. Metody będą podobne, ale target i model będą nieco inne. Tak to z grubsza wygląda. Kiedy byłem studentem, zaczynałem od projektów studenckich. Teraz to się trochę zmieniło. Zaczynałem od pracy w kole naukowym, gdzie nie mieliśmy żadnej motywacji w postaci pieniędzy, tylko chęć nauki. Bardzo zależało mi na tym, żeby moi studenci otrzymali wynagrodzenie za swoją pracę. Udało mi się załatwić stypendia dla moich studentów, z czego jestem bardzo zadowolony. Oprócz rozwoju naukowego mogę im po prostu płacić za to, co robią. Tak wygląda sytuacja z tym drugim grantem.

Jan Kinal: [00:22:14] Chciałbym dopytać o komercjalizację takiego rozwiązania. Jeśli opracujecie model, który wykrywa lub wspiera pracę radiologa, jak wygląda dalsza komercjalizacja tego w szpitalach i klinikach?

Krzysztof Bartnik: [00:22:36] Nie myślimy o komercjalizacji. Na obecnym etapie celujemy raczej w otwarty dostęp do wszystkiego, nad czym pracujemy, zarówno do modeli, jak i do danych, na których pracujemy.

Jan Kinal: [00:22:47] Każdy na świecie może skorzystać?

Krzysztof Bartnik: [00:22:49] Tak, myślę, że to nie są na tyle komercyjne rozwiązania, które mogłyby przynieść wymierne korzyści finansowe. W każdym razie, nie skupiam się na tym, absolutnie mnie to nie interesuje.

Jan Kinal: [00:23:04] Rozumiem. Wspomniałeś, że dane mogą się różnić między grupami demograficznymi, np. polskimi pacjentami a pacjentami z innych krajów czy regionów. Przygotowując się do tego wywiadu, natrafiłem na artykuł z końcówki czerwca bieżącego roku, który opisuje badania sugerujące, że modele AI mogą dyskryminować pewne grupy demograficzne, np. ze względu na płeć czy rasę. Jak myślisz, czy to realny problem, czy raczej clickbaitowy mit? Czy takie modele mogą dyskryminować konkretne rasy? W Polsce jesteśmy homogenicznym narodem, ale za granicą, np. w Stanach Zjednoczonych, mamy wiele grup etnicznych. Jak to wygląda według Ciebie? Może tam dochodzi do takiej dyskryminacji na poziomie modelu? Czy to kwestia danych treningowych? Jak to wygląda?

Krzysztof Bartnik: [00:24:36] Nie wiem, jak to jest z pochodzeniem etnicznym pacjentów, ponieważ w Polsce mamy dosyć homogeniczne grupy pacjentów. Natomiast, jeśli chodzi o płeć, to sprawa wygląda różnie. Nie wiem, czy można tu mówić o dyskryminacji. To ciekawy punkt widzenia. Przeczytałem pracę, którą mi wysłałeś, i jest bardzo interesująca. Wiemy, że nasi pacjenci nie różnią się pod względem wyników leczenia między płciami. Wynika to z różnych przyczyn, np. marskość alkoholowa jest częstsza u mężczyzn niż u kobiet, co może wpływać na drobne różnice między modelami. Nie badaliśmy naszego modelu pod kątem dyskryminacji płciowej, ale to ciekawy kierunek badań, który być może uwzględnimy w przyszłych pracach. Jeśli chodzi o dyskryminację ze względu na płeć, to są modele, które pozwalają na predykcję płci z badań, np. tomografii komputerowej, i działają zaskakująco dobrze. Nie słyszałem o radiologu próbującym przewidzieć płeć pacjenta na podstawie samego badania obrazowego, np. brzucha.

Jan Kinal: [00:26:09] Sztuczna inteligencja to potrafi?

Krzysztof Bartnik: [00:26:11] Tak, sztuczna inteligencja potrafi to zrobić. Pytanie, jak dokładne są te predykcje? Nie wczytywałem się aż tak dokładnie w te badania, ale wiem, że coś takiego istnieje. Natomiast skuteczność takich metod to osobna kwestia. Jeśli chodzi o dyskryminację pacjentów, może to być duży problem, szczególnie gdy dane treningowe są ograniczone. Można temu zapobiegać, aktywnie zwiększając pulę danych treningowych.

W naszych projektach dążymy do tego, aby dane, na których pracujemy, były dostępne, żeby inne grupy badawcze mogły je wykorzystać, np. cechy obrazowe, które wyciągamy z naszych badań. W swojej pracy zauważyłem, że wiele osób pracuje na danych AI, ale są to raczej oddolne inicjatywy. Pracujemy w swoich szpitalach z zebranymi danymi pacjentów, ale te dane nie mogą łatwo przepływać między ośrodkami z różnych powodów. Nie możemy łatwo trenować modeli na danych z różnych szpitali, co wynika m.in. z kwestii bezpieczeństwa danych.

Jan Kinal: [00:27:47] W Polsce, między poszczególnymi szpitalami.

Krzysztof Bartnik: [00:27:52] Tak, jest to możliwe, ale wymaga dużych nakładów finansowych. Chcemy to zrobić w przyszłości, ale na razie budujemy bazę komunikacyjną, aby móc aplikować o bardziej poważne granty.

Jan Kinal: [00:28:03] Chciałem zapytać o kwestie bezpieczeństwa i poufności danych. Jak to wygląda? Czy dane są anonimizowane?

Krzysztof Bartnik: [00:28:13] To bardzo dobre pytanie. Przykładamy dużą wagę do tego, aby wszystko było zgodne z wytycznymi, m.in. RODO. Wszystkie dane są archiwizowane i żadne badania, żadne dane nie opuszczają szpitala. Wszystko, co jest wykorzystywane do obliczeń, jest archiwizowane przy użyciu prostych narzędzi open-source dostępnych w internecie. Teraz robimy to w inny sposób, wykorzystując sztuczną inteligencję.

Często korzystam z narzędzi takich jak ChatGPT do programowania. Nie jestem profesjonalnym programistą, raczej zaczynającym amatorem, ale dzięki AI mogę pisać kod, który następnie poprawiam w kolejnych iteracjach. Wykorzystuję biblioteki open-source w Pythonie, takie jak pydicom, do anonimizacji danych. Pomagają mi w tym studenci, którzy studiują informatykę i są dużo lepsi ode mnie w programowaniu. Ponadto, nie zajmuję się modelowaniem ani przygotowaniem danych samodzielnie. Współpracuję z świetnymi osobami z PW, które mi w tym pomagają.

Jan Kinal: [00:29:40] Modele i szkolenie modeli to zadanie Politechniki?

Krzysztof Bartnik: [00:29:44] Tak, mam jedną osobę, która jest bardzo, bardzo dobrze zaznajomiona z tym tematem. Oddzielną osobę, która pomaga mi w dostosowaniu danych do obliczeń. Wspólnie staramy się to rozwijać. Pozdrawiam chłopaków, Mateusza i Tomka, są niezastąpieni jeśli chodzi o przygotowanie danych. Obecnie pracuję też z Szymonem z PW, który pomaga mi w modelach do segmentacji. Jeżeli chodzi o AI, czasami łatwiej jest mieć gotowe rozwiązania i osoby, które zajmują się tym profesjonalnie. Sam też trochę bawiłem się w modelowanie, ale to, co mi zajmuje kilka godzin, oni robią w 5 minut. Taka współpraca jest więc bardzo korzystna dla nas. Mamy ciekawe dane i pomysły, a oni mają know-how w informatyce i modelowaniu oraz moc obliczeniową. Dzięki uprzejmości Profesora Przemysława Dziekana oraz Wydziału Mini Politechniki Warszawskiej możemy uruchamiać nasze modele na klastrze obliczeniowym Politechniki Warszawskiej. Wystąpiłem o grant obliczeniowy, a chłopaki wszystko bardzo sprawnie załatwiają. Współpraca między Politechniką Warszawską a WUM jest dla mnie bardzo ważna i kładziemy na to duży nacisk.

Jan Kinal: [00:31:33] Chciałem też spytać w kontekście RODO i poufności danych, bo szykuje się nowe prawo, które może mocno wpłynąć na naszą branżę. Wiem, że w szkoleniu modeli do zastosowań medycznych te regulacje będą istotne. Czy śledzicie to, co się dzieje na poziomie Unii Europejskiej, jeśli chodzi o prawodawstwo? Jak się na to zapatrujecie?

To od razu drugie pytanie. Rozmawialiśmy o tym, że nie ma wymiany informacji pomiędzy szpitalami w Polsce, że takie inicjatywy oddolnie się dzieją na uniwersytetach czy w innych szpitalach. Czy wasza inicjatywa to też jest inicjatywa oddolna? Czy widzicie tutaj jakiś szerszy plan, jakąś przyszłość, jeśli chodzi o skoordynowaną współpracę na poziomie ministerstwa lub państwa? Czy coś w tym kierunku zauważacie? Czy jest jakaś większa, szersza strategia na poziomie państwowym, czy to są tylko oddolne inicjatywy?

Krzysztof Bartnik: [00:32:58] Bardzo ciekawe pytania. Jeśli chodzi o AI Act, to jest dosyć świeża sprawa i ciągle ewoluuje, więc na razie nie ma bezpośredniego przełożenia na naszą pracę. Regulacje nie są jeszcze na tyle szczegółowe, żeby decydowały o konkretnych rozwiązaniach. Co do inicjatyw, są również odgórne inicjatywy. Co roku odbywa się konferencja w Wiedniu, ECR, największa konferencja radiologiczna w Europie. Byłem na tej konferencji w tym roku i są tam promowane inicjatywy odgórne, finansowane przez Unię Europejską, ale nie tylko. Zakładają one pewne platformy do łatwej wymiany danych obrazowych.

Jan Kinal: [00:33:46] Na poziomie unijnym?

Krzysztof Bartnik: [00:33:46] Tak, to jest finansowane z pieniędzy unijnych. Unia postawiła serwer, na którym można wymieniać takie dane. Te dane są najpierw weryfikowane przez odpowiednie organy, a potem mogą służyć jako bazy do treningu i walidacji modeli. To jest sposób na połączenie oddolnych inicjatyw i w mojej ocenie bardzo ciekawy, ponieważ może zbliżyć do siebie różne grupy badawcze zajmujące się podobnymi zagadnieniami.

Jan Kinal: [00:34:26] Specjalizacja, czyli kilka małych, stosunkowo małych zespołów połączonych razem. Mówiłeś, że macie 200-300 pacjentów w ciągu… ilu lat?

Krzysztof Bartnik: [00:34:36] W ciągu 4 lat. To relatywnie mało, jeśli chodzi o szkolenie modeli AI. Stąd potrzeba większych grup pacjentów i współpracy z innymi ośrodkami. Łączenie takich oddolnych inicjatyw na poziomie unijnym może znacząco przyspieszyć rozwój i wdrażanie nowych technologii. Dzięki temu możemy tworzyć bardziej uniwersalne i skuteczne modele.

Krzysztof Bartnik: [00:34:40] Tak, w ciągu 4 lat.

Jan Kinal: [00:34:42] Czyli możecie korzystać z zasobów unijnych i współpracujących szpitali?

Krzysztof Bartnik: [00:34:48] Dążymy do tego. Współpracujemy też z Uniwersytetem w Ottawie, który wykorzystywał podobny zbiór danych do swoich modeli. Cały czas jesteśmy w kontakcie i staramy się to uskutecznić. Mając 200-300 pacjentów z jednego ośrodka, pomnożone przez 10 lub nawet 100 ośrodków, tworzymy już całkiem sensowną grupę pacjentów. Jednak jest to bardzo skomplikowane. Większość czasu poświęconego na takie projekty to czas potrzebny na pozyskiwanie i przygotowanie danych do obliczeń – to około 80% całego procesu.

Problemem jest brak gotowych narzędzi dostosowanych do AI. Na przykład w naszym szpitalu, gdzie mamy około 100 tomografii komputerowych dziennie, te skany są przechowywane na serwerze. Aby pozyskać te badania w łatwy sposób, trzeba to wszystko samodzielnie przeklikać i się do tego dokopać. Obecnie nie ma gotowych rozwiązań dostosowanych pod AI. W naszym projekcie dążymy do przetarcia szlaków i stworzenia skalowalnych narzędzi, które pozwoliłyby robić to samo w prostszy sposób w innych szpitalach, aby połączyć nasze wysiłki.

Jestem pewien, że wiele osób o podobnych zainteresowaniach działa lokalnie w swoich szpitalach. Problem polega na znalezieniu wspólnego mianownika i współpracy. Aby to zrobić, musimy zbudować bazę aplikacyjną i zdobyć bardziej poważne granty niż te, na których teraz bazujemy. Cały czas do tego dążymy – to przyszłość naszych badań.

Jan Kinal: [00:37:12] Czy te granty są na poziomie państwowym, a nie tylko unijnym?

Krzysztof Bartnik: [00:37:17] Są dostępne. Natomiast obecnie skupiam się na domknięciu tego, co robię teraz. Chcę pozamykać pewne rzeczy i zobaczymy, co przyniesie przyszłość. Mam obecnie otwarte dwa projekty – z AI i z nowych technologii światłowodowych, o których wspominałem wcześniej. Chcę na razie to wszystko domknąć, zwłaszcza że kończy mi się specjalizacja. Za około rok chcę być bardziej elastyczny, mieć pozamykane projekty i zbudowaną bazę publikacji. Zobaczymy, co będzie dalej. Natomiast to są kierunki, które widzę dla rozwoju badań w moim otoczeniu.

Jan Kinal: [00:38:01] Powoli czas szybko leci, a jeszcze mam cały blok pytań o przyszłość. Jak widzisz ogólnie przyszłość medycyny, niekoniecznie tylko radiologii? Pewnie nasze nagranie trafi na YouTube i obejrzą je studenci medycyny oraz osoby zawodowo związane z medycyną. Jakie są Twoje przemyślenia na temat przyszłości sztucznej inteligencji w medycynie? Które kierunki rozwoju, zastosowania, specjalizacje mogą zyskać na znaczeniu, a które mogą zniknąć? Jakie jest Twoje prywatne zdanie na ten temat?

Krzysztof Bartnik: [00:38:50] Jestem mega entuzjastą nowych technologii, w tym sztucznej inteligencji. Myślę, że nie uciekniemy od tego i w mniejszym lub większym stopniu będzie to wprowadzone do praktyki klinicznej. Obecnie w mojej praktyce klinicznej nie korzystam jeszcze z narzędzi AI do pracy. Wprowadzili u nas systemowe rozwiązanie oparte na deep learningu, które teoretycznie ma poprawić jakość obrazu w tomografii komputerowej. To jest takie trochę „pudrowanie” obrazów. Obecnie testujemy te rozwiązania i nie prowadzimy jeszcze poważnych badań z nimi związanych. Być może jest to jakiś kolejny kierunek rozwoju. Teoretycznie ma to niwelować pewne artefakty obrazowe w normalnych badaniach. Działa to różnie – czasami artefakty, które powstają od różnych struktur, pomagają nam, a ich usuwanie może prowadzić do błędów. To jest takie zagrożenie. Natomiast, jeśli chodzi o artefakty od klipsów metalowych, które bardzo przeszkadzają w oglądaniu tomografii komputerowej, te modele działają całkiem nieźle.

Jeśli chodzi o szersze zastosowania AI w medycynie, mam nadzieję, że pomoże nam to w ogarnięciu dokumentacji medycznej. W radiologii nie jest to duży problem, ale przydałyby się rozwiązania, które pomogłyby w tworzeniu opisów. W dużej mierze są to badania powtarzalne, więc pewne rzeczy się powtarzają. Informatycy mają swoje narzędzia, które podpowiadają im kolejne linijki kodu – myślę, że podobne rozwiązania mogą wejść w życie również w medycynie, np. w tworzeniu opisów badań radiologicznych.

Natomiast moi koledzy z innych specjalizacji, takich jak chirurgia czy interna, mają bardzo duży problem z dokumentacją medyczną. Duża część pracy lekarzy opiera się na dokumentacji medycznej – prowadzenie historii chorób, wypisy ze szpitali – to coś, co AI mogłaby potencjalnie bardzo ułatwić.

Jan Kinal: [00:41:02] To brzmi jak science fiction albo może nawet nie. Dobrze, że wspomniałeś o Copilocie, który pomaga programistom. My w branży marketingowej, przynajmniej w Polsce, korzystamy z ChatGPT. Każdy ma swoje narzędzia. Graficy używają Adobe Firefly i tym podobnych. A czy sytuacja, w której za kilka, może kilkanaście lat idziemy do lekarza i lekarzowi pierwszego kontaktu, tzw. lekarzowi rodzinnemu, pomaga jakieś medyczne AI w diagnozie, jest science fiction?

Przykładem może być to, co po pandemii stało się dość powszechne, czyli teleporady. Przed pandemią to była rzadkość, a teraz proste sprawy można załatwić przez teleporadę. Czy wyobrażasz sobie sytuację, że za kilkanaście lat lekarzem pierwszego kontaktu będzie jakiś medyczny bot?

Krzysztof Bartnik: [00:42:03] Tak, wyobrażam sobie taką sytuację. Myślę, że na początku będzie to raczej narzędzie wspomagające lekarzy pierwszego kontaktu, radiologów czy innych specjalistów. Natomiast istnieje takie zagrożenie, że może to pójść jeszcze dalej. Idąc w stronę scenariusza science fiction, a może nie tylko, kto wie, czy część opisów w radiologii już teraz nie jest produkowana przy użyciu AI, bez wiedzy pacjentów czy pracodawców.

Na razie nie ma jeszcze narzędzi, które potrafiłyby dobrze opisywać badania na podstawie samych obrazów, ale mogą już wspomagać ten proces. I niekoniecznie zawsze ujawnia się te intencje.

Jan Kinal: [00:42:44] Zresztą, były już przypadki prawników w Stanach, którzy pisali pozwy z wykorzystaniem sztucznej inteligencji i tracili licencje. Dlaczego nie lekarze?

Krzysztof Bartnik: [00:42:54] W sumie czemu nie, jeżeli to może pomóc. Generalnie na razie praca lekarza nie jest zagrożona, ale myślę, że AI może usprawnić tę pracę.

Jan Kinal: [00:43:04] Lekarz pierwszego kontaktu, tzw. rodzinny?

Krzysztof Bartnik: [00:43:07] Myślę, że tak, AI może wspomagać lekarzy pierwszego kontaktu, opierając się na obrazach i innych danych.

Jan Kinal: [00:43:12] Za kilkanaście lat zamiast porady, gdy będę chciał szybko skonsultować się z lekarzem w sprawach niewymagających wizyty w szpitalu, skorzystam z czatu medycznego.

Krzysztof Bartnik: [00:43:27] Jestem przekonany, że już teraz dużo osób tak robi, choć może niekoniecznie z medycznego czatu, tylko po prostu korzysta z Google.

Jan Kinal: [00:43:33] Tak jak Google.

Krzysztof Bartnik: [00:43:34] Tak, tak. Myślę, że to ewoluuje w tę stronę. Gdy sobie coś takiego wyobrazić, jest to bardzo prawdopodobny kierunek rozwoju.

Jan Kinal: [00:43:47] Ale jak się zapatrujesz na coś takiego? Czy jest to raczej zagrożenie, czy też coś pozytywnego? Co myślą inni lekarze? Jakie jest stanowisko w waszym środowisku na ten temat? Czy traktujecie sztuczną inteligencję jako zagrożenie, czy jako zabawkę, którą można ignorować? Ty jesteś pozytywnie nastawiony, wykorzystujesz AI, badzasz ten temat i chcesz się rozwijać, ale jakie jest Twoim zdaniem nastawienie całego środowiska? Czy zdania są podzielone?

Krzysztof Bartnik: [00:44:26] Niektórzy myślą, że AI całkowicie zastąpi radiologów. Są to głównie osoby, które nie zajmują się AI i mają przed oczami przyszłość w stylu science fiction. Jeśli ktoś bardziej zajmuje się AI, to raczej widzi to podobnie jak ja i jest entuzjastą. Natomiast co osoba, to opinia. Myślę, że nie ma spójności w środowisku. To szeroki temat i każdy ma swoje subiektywne opinie na ten temat.

Jan Kinal: [00:45:03] Dobrze, zmierzając ku końcowi, chciałbym zadać dwa ostatnie pytania. Co byś polecił młodym studentom albo osobom, które myślą o studiowaniu medycyny? Teraz mamy lipiec, więc składanie papierów na studia dopiero się zaczyna, a oni stawiają pierwsze kroki. Co byś polecił w kontekście sztucznej inteligencji? Jakie są Twoje rady?

Krzysztof Bartnik: [00:45:43] Myślę, że najtrudniej jest zacząć. Jeśli chcecie zacząć, po prostu to zróbcie. Ja też na początku nie znałem się na AI i wciąż się uczę. Tak jak wspominałem, nie jestem modelarzem ani biegły w kodowaniu, ale nie jest to konieczne, aby robić takie rzeczy. Najważniejsze to mieć pomysł na to, co chce się zrobić i po prostu to robić.

Kiedy zaczynałem te projekty, z perspektywy czasu, gdybym wiedział, ile musiałem się nauczyć, żeby doprowadzić to do końca, pewnie bym nie zaczął. Ale tak jest z wieloma rzeczami. Gdybym wiedział, ile czasu i nauki to wymaga, na pewno bym się tego nie podjął. Więc najważniejsze to po prostu zacząć i uczyć się na bieżąco. Inaczej się tego nie nauczycie.

Jan Kinal: [00:46:35] Jakie według Ciebie specjalizacje medyczne warto wybrać w kontekście rozwoju AI?

Krzysztof Bartnik: [00:46:43] Zdecydowanie radiologia. Znam to od podszewki, więc mogę to polecić. To jest świetna dziedzina, która łączy różne dyscypliny – medycynę, chirurgię, diagnostykę obrazową i informatykę. Radiologia to super dziedzina dla osób myślących o rozwoju naukowym.

Podobnie jest z patomorfologią, czyli badaniami tkanek pod kątem różnych patologii. Patomorfolodzy patrzą na obrazki tkanek pod mikroskopem. Coraz częściej te próbki są fotografowane w wysokiej rozdzielczości, co pozwala na analizę za pomocą AI i skomplikowanych metod statystycznych.

Ciekawie wygląda również dermatologia, gdzie za pomocą dermatoskopów robi się zdjęcia różnych zmian na skórze i analizuje, czy są to zmiany łagodne czy złośliwe. To również bardzo interesujący kierunek dla młodych adeptów sztuki medycznej.

Sam jestem młodym adeptem sztuki medycznej, niedawno skończyłem szkołę doktorską i jestem jeszcze w trakcie specjalizacji. Cały czas rozwijam się w tym kierunku. Co będzie w przyszłości, czas pokaże.

Jan Kinal: [00:48:34] To ostatnie pytanie, które powoli staje się tradycją naszego podcastu. Czy poleciłbyś jakąś książkę lub podcast? Co polecasz? Nie musi to być o sztucznej inteligencji, ale coś ciekawego dla naszych słuchaczy i widzów?

Krzysztof Bartnik: [00:48:52] Jeśli chodzi o podcasty, jestem zafascynowany podcastem „Zen Jaskiniowca”. To świetny podcast o tym, jak robić rzeczy, jak się zmotywować, jak działać bez motywacji i jak doprowadzać projekty do końca. Słucham go praktycznie w każdej wolnej chwili, czy to przy śniadaniu, czy w luźniejszych momentach dnia. Jeśli chodzi o książki, nie mam specjalnie czasu na czytanie, ponieważ skupiam się na realizacji projektów. Raczej skupiam się na działaniu niż na nauce z książek, uczę się na bieżąco. To, co mi jest potrzebne do takich projektów jak AI, nadrabiam w praktyce. Mam jakiś cel, który sobie obieram, a metody dobieram po drodze, ucząc się analizować dane i przygotowywać je pod kątem AI.

Jeśli chodzi o książki, to polecam „The Google Story”, czyli książkę o tym, jak powstawało Google. Jestem w trakcie czytania, choć idzie mi to wolno ze względu na brak czasu. Przeczytałem też biografię Elona Muska. Nie pamiętam autora, ale było ich kilka, więc może to nie najnowsza. Była dla mnie mega motywująca. Obecnie przerabiam lektury dotyczące wychowywania dziecka, bo to jest teraz dla mnie główny obszar zainteresowania.

Krzysztof Bartnik: [00:50:26] Tak naprawdę projekty staram się ogarniać rano. Wypracowałem sobie system, że wstaję bardzo wcześnie i projektami zajmuję się od piątej rano do siódmej, chyba że mam dzień treningowy. Jestem zafascynowany koszykówką od czasów podstawówki, choć teraz mam mniej czasu na granie. Skupiam się na ćwiczeniach i bieganiu. Przygotowuję się do mistrzostw kosza, które są co roku rozgrywane jako mistrzostwa lekarskie. Po pracy staram się już nie zajmować pracą naukową, chyba że mam jakiś deadline. Po pracy poświęcam czas rodzinie, to jest mój główny obszar zainteresowania. Nie pracuję też nigdzie poza Banacha, co jest trochę inaczej niż u większości moich kolegów, którzy pracują w prywatnych klinikach. Wybrałem trochę mniej opłacalną finansowo ścieżkę, ale mam dużo satysfakcji z tego, co robię i nie zamieniłbym tego na nic innego, zwłaszcza że dużo czasu spędzam w szpitalu, ucząc się konwencjonalnych metod obrazowania. Tak to wygląda u mnie.

Jan Kinal: [00:52:00] To bardzo pożyteczna ścieżka, życzę Ci powodzenia i sukcesów. Dzięki za poświęcony czas. Link do badania Krzysztofa znajdziecie pod filmikiem. Jeśli chcielibyście się skontaktować, link do profilu LinkedIn również znajdziecie poniżej. Jeszcze raz bardzo dziękuję i do usłyszenia. Do zobaczenia!

Krzysztof Bartnik: [00:52:30] Jasne, dzięki za spotkanie. Do zobaczenia.

Podziel się swoją opinią
Redakcja
Redakcja
Artykuły: 11

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *

1 × 4 =