O papel da Pacs em apoiar a pesquisa de inteligência artificial em imagem médica

O papel indispensável da norma DICOM

Para que um PACS funcione eficazmente em diversos equipamentos e instituições, é necessária uma linguagem universal. O padrão Digital Imaging and Communications in Medicine (DICOM)[] fornece essa estrutura comum. O DICOM define não só o formato do arquivo para os dados de imagem, mas também os protocolos de rede para transmissão e uma estrutura abrangente de metadados. Estes metadados incluem informações cruciais, tais como identificadores de pacientes, tipo de estudo, parâmetros de modalidade e data de aquisição. Sem DICOM, a interoperabilidade entre um scanner de ressonância magnética GE, uma TC Siemens e um PACS de um fornecedor diferente seria quase impossível. O site padrão DICOM fornece especificações detalhadas que continuam a evoluir para suportar novas técnicas de imagem e integração de IA.

Do filme ao fluxo de trabalho digital

A mudança para o PACS trouxe ganhos de eficiência profundos. Os radiologistas não precisam mais caminhar até uma caixa de luz para ver filmes físicos; eles podem ler exames de qualquer estação de trabalho conectada, muitas vezes simultaneamente com outras tarefas. Imagens estão imediatamente disponíveis para revisão por médicos de referência, reduzindo o tempo para o diagnóstico. Além disso, imagens digitais podem ser facilmente duplicadas sem perda de qualidade para fins educacionais ou consulta remota. Este ecossistema digital cria o ambiente perfeito para o próximo salto em frente: a integração da inteligência artificial.

A relação simbiótica entre PACS e inteligência artificial

A inteligência artificial, particularmente os modelos de aprendizagem profunda treinados em imagens médicas, tem mostrado notável potencial na detecção de anormalidades, quantificação da progressão da doença e previsão dos resultados dos pacientes. No entanto, a IA é sedenta de dados. O sucesso de qualquer modelo de IA de imagem médica depende diretamente da quantidade, qualidade e diversidade dos dados de treinamento.

Dados como combustível para treinamento de modelo de IA

Desenvolver um algoritmo de IA robusto para, digamos, detectar nódulos pulmonares em exames de TC de tórax requer milhares de exemplos anotados. Essas imagens devem ser obtidas de diferentes fabricantes de scanners, com variados protocolos de aquisição, e em diversas populações de pacientes para garantir a generalização. Arquivos PACS, mantendo anos de estudos clínicos acumulados, representam uma mina de ouro para pesquisadores. Através de pipelines de extração de dados seguros, os pesquisadores podem consultar o PACS para tipos de estudo específicos, filtrar por intervalos de datas e recuperar grandes volumes de dados anônimos. Um estudo publicado em Radiologia destacou como alavancar dados de PACS multiinstitucionais melhorou significativamente o desempenho de um modelo de aprendizagem profunda para rastreamento de câncer de mama. Accessando grandes repositórios de PACS é frequentemente o primeiro passo crítico para qualquer projeto de desenvolvimento de IA grave em radiologia.

Imagens anotadas para o aprendizado supervisionado

As imagens brutas são insuficientes para o treinamento de modelos de aprendizado de máquina supervisionados. Eles requerem rótulos – por exemplo, contorno de um tumor ou marcação da presença de uma fratura. O ambiente PACS muitas vezes facilita o processo de anotação. Alguns visualizadores PACS incluem ferramentas integradas para marcar regiões de interesse, ou podem integrar-se com plataformas de anotação especializadas. Além disso, os relatórios de radiologia existentes armazenados ao lado das imagens no PACS podem ser extraídos usando processamento de linguagem natural (NLP) para gerar rótulos fracos. Por exemplo, um relatório mencionando "nenhuma evidência de pneumotórax" pode servir como um rótulo negativo, enquanto que "grande pneumotórax de lado direito" pode fornecer um positivo. Esta técnica, embora imperfeita, permite que os pesquisadores pretreinem modelos em conjuntos de dados maciços antes de refino-los com anotações curadas por especialistas.

Suporte à inferência em tempo real e à decisão clínica

O verdadeiro potencial da IA na imagem médica reside não só na pesquisa, mas na implantação clínica. Neste paradigma, o algoritmo da IA está por trás do PACS. Quando um novo estudo é adquirido e levado ao PACS, o sistema pode automaticamente encaminhar as imagens para o motor de IA para análise. Em segundos, a IA gera uma previsão ou achado (por exemplo, uma probabilidade de hemorragia intracraniana ou uma segmentação de lesões hepáticas). Este resultado é então enviado de volta e exibido ao radiologista dentro de seu fluxo de leitura normal, seja como uma sobreposição na imagem ou como um relatório estruturado. Esta integração minimiza a interrupção e maximiza a adoção. Vários fornecedores comerciais de PACS agora oferecem mercados de IA embutidos ou APIs abertas para se conectar com aplicações de IA de terceiros, como discutido em este artigo de Notícias de Saúde sobre IA sobre integração .

Principais desafios em usar PACS para o desenvolvimento e implantação de IA

Apesar da enorme promessa, integrar as ferramentas clínicas e de pesquisa de IA com a infraestrutura de PACS existente não é sem obstáculos significativos, que abrangem domínios técnicos, regulatórios e operacionais.

Privacidade e Segurança de Dados

As imagens médicas contêm informações de saúde do paciente altamente sensíveis (PHI) incorporadas tanto nos dados de pixels (por exemplo, texto gravado) como nos metadados DICOM (nome, MRN, data de nascimento). Para fins de pesquisa, estes dados devem ser rigorosamente desidentificados. A Lei de Portabilidade e Contabilidade do Seguro de Saúde (HIPAA) nos Estados Unidos estabelece diretrizes rigorosas para a remoção de 18 identificadores. As abordagens comuns incluem o uso de software de de identificação que tira metadados, remove texto gravado por reconhecimento de caracteres ópticos (OCR) ou mascaramento de pixels, e pseudonimiza os identificadores dos pacientes. No entanto, a desidentificação não é perfeita; os riscos residuais de reidentificação permanecem. Os pesquisadores devem implementar acordos de governança de dados robustos e usar plataformas de compartilhamento de dados seguras e auditadas. Muitas instituições atualmente hospedam ambientes dedicados de "AI sandbox" que reproduzem dados PACS, mas são isoladas de sistemas clínicos de produção.

Interoperabilidade e heterogeneidade dos dados

Mesmo com o padrão DICOM, os dados do mundo real são confusos. Diferentes fabricantes de scanners podem codificar o mesmo parâmetro de aquisição em diferentes tags DICOM privadas. A resolução de imagem, espessura de corte e fases de contraste variam muito. Um modelo treinado em varreduras de TC de espessura de corte de 1,5 mm pode falhar em fatias de 5 mm. Administradores de PACS e engenheiros de IA devem investir esforços significativos na cura de dados: estabelecendo critérios de inclusão/exclusão, normalizando o espaçamento voxel e harmonizando intensidades de sinal. Sem o pré-processamento rigoroso, modelos de IA podem corresponder ao ruído dos dados de treinamento em vez do verdadeiro sinal subjacente. Ferramentas de código aberto como MONAI e PyDICOM[[ ajudam a padronizar esses fluxos de trabalho.

Qualidade dos dados e Anotações em Falta

Um lamento comum em IA médica é "lixo dentro, lixo fora". dados PACS é coletado para cuidados clínicos, não pesquisa. Imagens podem ter artefatos, movimento desfoque, ou séries incompletas. Os relatórios de radiologia que acompanham podem conter linguagem subjetiva, erros ou omissões. Criar um conjunto de dados limpo e rotulado adequado para treinamento requer um esforço manual substancial por especialistas em domínio (radiologistas certificado-bordo). Crowdsourcing ou usando ferramentas de anotação semi-automatizadas pode ajudar, mas a verdade de terreno de alta qualidade permanece caro. Além disso, muitas doenças raras têm poucos exemplos em qualquer instituição PACS, necessitando de colaborações multi-centros que introduzam complexidades de compartilhamento de dados adicionais.

Aplicações do Mundo Real e Histórias de Sucesso

Apesar dos desafios, inúmeras aplicações de IA bem sucedidas surgiram de pesquisas que alavancam dados do PACS. Por exemplo, algoritmos para detectar ] hemorragia intracraniana em tomografia computadorizada de cabeça não-contraste foram implantados em muitos departamentos de emergência, priorizando automaticamente estudos críticos na lista de trabalho do PACS. Esses modelos foram treinados em milhares de exames de TC retirados de arquivos da empresa PACS. Da mesma forma, ]AI para detecção de nódulos pulmonares em programas de rastreamento de câncer de pulmão foi desobstruído por órgãos reguladores como o FDA. A lista de dispositivos médicos habilitados para IA/ML inclui inúmeras ferramentas de imagem que foram treinadas e validadas usando conjuntos de dados derivados do PACS.

Outro exemplo convincente é o uso de IA na triagem de mamografia . Vários estudos em larga escala, incluindo o estudo MASAI na Suécia, demonstraram que a leitura assistida por IA poderia reduzir a carga de trabalho do radiologista em até 40%, mantendo ou mesmo melhorando as taxas de detecção de câncer.Os modelos de IA subjacentes foram construídos através de treinamento em milhões de mamografias do PACS em vários sistemas de saúde europeus. Essas histórias de sucesso ressaltam por que o investimento na infraestrutura PACS é um pré-requisito para a inovação de IA em radiologia.