AI w obrazowaniu medycznym — materiał referencyjny

Materiał referencyjny · Mapa rodzin zadań i zweryfikowana lista lektur. Wersje dydaktyczne znajdują się w rozdziale.

Mapa zadań

Zadanie	Co wytwarza	Główne ryzyko
Klasyfikacja	etykietę dla każdego badania/serii/ogniska	obciążenie związane ze spektrum przypadków, nieprawidłowa kalibracja
Wykrywanie	ramki ograniczające / lokalizację zmian	wyniki fałszywie dodatnie, przeoczenia małych obiektów
Segmentacja	maskę wokselową każdej struktury/zmiany	metryki nakładania się masek ukrywają błędy granic; zmienność między osobami oceniającymi
Rejestracja	transformację przestrzenną dopasowującą dwa obrazy	niezauważalnie błędne dopasowanie; niewłaściwe użycie FoR (rozdz. 4)
Rekonstrukcja	obraz z danych surowych lub rzadko próbkowanych	zmienia wartości ilościowe uzyskiwane na dalszych etapach
Odszumianie / poprawa obrazu	czystszy/ostrzejszy obraz	wytwarzanie struktur; utrata patologii
Harmonizacja	obrazy/cechy znormalizowane między ośrodkami/skanerami	usuwanie rzeczywistego sygnału; przeciek danych
Synteza obrazów	syntetyczny obraz dla nieuzyskanego kontrastu, sekwencji lub dawki	halucynowanie nieobecnych informacji
Pomiar ilościowy	liczbę (objętość, średnicę, osłabienie)	zależność od geometrii/segmentacji
Rokowanie / prognozowanie	ryzyko/prognozę	przeciek danych, nadmierne dopasowanie, kalibracja
Generowanie raportu	ustalenia w tekście swobodnym / postaci ustrukturyzowanej	zmyślone ustalenia; brak oparcia w danych źródłowych
Wielomodalne (obraz+tekst+dane kliniczne)	połączoną prognozę/raport	przeciek informacji o wyniku przez pola kliniczne
Przepływ pracy / orkiestracja agentów	skoordynowany potok wieloetapowy	kumulowanie błędów, brak informacji o pochodzeniu

Większość rzeczywistych systemów łączy kilka z tych zadań. Ścieżka radiomiczna to segmentacja → pomiar → fenotyp → prognozowanie; kierunek modeli fundamentalnych to jeden model, wiele zadań.

Metryki segmentacji

• Dice / IoU — nakładanie się masek; zależne od rozmiaru.
• Odległość Hausdorffa / 95. percentyl odległości Hausdorffa / średnia odległość powierzchni — błąd powierzchni; uzupełnia ocenę nakładania się masek.
• Oceniaj według pomiaru uzyskiwanego na dalszym etapie, a nie jednej miary nakładania się masek; raportuj rozrzut między osobami oceniającymi.

Narzędzia / modele

• nnU-Net (Isensee et al., Nat Methods 2021;18(2):203-211, PMID 33288961) — samokonfigurujący model bazowy; ESTABLISHED EVIDENCE jako mocny wybór domyślny.
• TotalSegmentator (Wasserthal et al., Radiol AI 2023;5(5):e230024, PMID 37795137) — około 104 struktur lub więcej w jednym przebiegu; wariant MRI: PMID 39964271.
• MONAI — środowisko PyTorch i samouczki do DL w obrazowaniu medycznym; integruje się z 3D Slicer (MONAIAuto3DSeg).

Rekonstrukcja

FBP → IR → DL. IR zmienia teksturę; DL może zmieniać lub wytwarzać teksturę. Zapisuj metodę; nie łącz danych z różnych trybów; testuj przy użyciu rekonstrukcji stosowanej w środowisku wdrożeniowym.

Obrazowanie syntetyczne — zweryfikowane lektury

(część „Synthetic imaging” mapy literatury):

• Spadea et al., Med Phys 2021, PMID 34407209 (MR→CT).
• Sim et al., Cureus 2025;17(10):e94561, PMID 41246632 (rekonstrukcja DL MRI barku).
• Park et al., Eur Radiol 2025;35(12):7867-7876, PMID 40483292 (odszumianie CT odcinka lędźwiowego).
• Herrmann et al., Diagnostics 2023;13(17):2747, PMID 37685285 (rekonstrukcja DL MRI łokcia).
• Choi et al., Sci Rep 2021;11:20403, doi:10.1038/s41598-021-00058-3 (syntetyczne CT ze wzmocnieniem kontrastowym na podstawie CT bez kontrastu; badanie z udziałem obserwatorów; wyłącznie wewnętrzne — ramka schematu rygorystycznej oceny w Obrazowanie syntetyczne i wytwarzanie informacji).
• „RaD”, arXiv:2412.01496 (realizm percepcyjny ≠ użyteczność w zadaniu).

Porównanie reprezentacji (ręcznie projektowane i wyuczone) — zweryfikowane

• Kontrolowany benchmark (preprint) — arXiv:2607.01001 — modele fundamentalne a radiomika 2D/3D, 7 głowic klasyfikatora, 3 schematy segmentacji, 5 zadań, LUNG1→LUNG2, najgorsza wartość metryki między kohortami: przewaga zależna od zadania; radiomika konkurencyjna w analizie przeżycia; jawny artefakt wynikający ze sposobu wyprowadzenia etykiet dla objętości/stadium.
• Fuzja VPI, odwrócenie wyniku w walidacji zewnętrznej — Insights Imaging 2026, doi:10.1186/s13244-026-02351-z — połączenie radiomiki+ViT najlepsze tylko na danych treningowych; zewnętrznie 0.844 (radiomika) > 0.823 (połączenie) > 0.816 (ViT); połączenie wygrywa pod względem czułości, nie AUC.
• RTOG 0617 — Br J Radiol Open 2023, doi:10.1093/bjro/tzae038 — AI oparta na modelach fundamentalnych a radiomika a dane kliniczne ≈ równe AUC; zespół trzech modeli bez poprawy (nadmiarowość sama jest wynikiem).
• Interakcja region × reprezentacja — Radiat Oncol 2026, doi:10.1186/s13014-026-02896-9 — to, która reprezentacja wygrywa, zależy od ROI; podejście hybrydowe najlepsze wewnętrznie, 0.828 zewnętrznie.

Zasada lektury: drabina modeli bazowych (dane kliniczne → objętość → radiomika → reprezentacje wyuczone → połączenia) przy identycznych podziałach; rozstrzyga wiersz zewnętrzny; niewielkie wewnętrzne korzyści z fuzji traktuj jako wariancję, dopóki nie zostanie wykazane inaczej. Pełne omówienie: Reprezentacje projektowane ręcznie i wyuczone.

Modele fundamentalne / ogólnego zastosowania — zweryfikowane

• TotalSegmentator (PMID 37795137) — warstwa infrastruktury.
• Merlin — Nature 2026, doi:10.1038/s41586-026-10181-8, PMID 41781626 (preprint PMID 38978576). VLM 3D dla CT; walidacja zewnętrzna na dużą skalę.
• a2z-1 — arXiv:2412.12629 (preprint); model ogólnego zastosowania dla CT jamy brzusznej i miednicy.
• OmniMRI — arXiv:2508.17524 (preprint, 2025-08-24); VLM ogólnego zastosowania dla MRI.
• Paschali et al., Radiology 2025;314(2):e240597, PMID 39903075 — przeczytaj najpierw, aby poznać krajobraz i ograniczenia.
• ReCo — medRxiv 2026.07.14.26358025 (preprint); przykład orkiestracji agentowej/MCP.

Kolejne etapy: model specyficzny dla zadania → wstępnie wytrenowany → fundamentalny → VLM → ogólnego zastosowania → agentowy. W odniesieniu do każdej pracy pytaj o: zakres danych, działanie zero-shot a po adaptacji, testy zewnętrzne, licencję, ograniczenia związane ze zmianą rozkładu danych między domenami. Większość to preprinty — czytaj je ze względu na metodologię oceny, a określenie „generalist” traktuj jako orientacyjne.

Ocena, rozumowanie dotyczące podgrup i wytyczne wiarygodnego AI — zweryfikowane

• FUTURE-AI — Lekadir K, et al. „FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare.” BMJ 2025;388:e081554. DOI 10.1136/bmj-2024-081554, PMID 39909534 (dostęp otwarty, PMC11795397; erratum BMJ 2025;388:r340 dotyczy wyłącznie korekty pisowni nazwiska). Sześć zasad — sprawiedliwość, uniwersalność, identyfikowalność, użyteczność, odporność, wyjaśnialność — zoperacjonalizowanych jako 30 zaleceń obejmujących cały cykl życia; oczekiwana zgodność jest ostrzejsza dla narzędzi przeznaczonych do wdrożenia niż dla proof-of-concept (pełny tekst przejrzany 2026-08-29).
• Różnice między podgrupami w ocenie zewnętrznej są sygnałem do zbadania wśród siedmiu konkurencyjnych wyjaśnień (zmiana rozkładu danych między domenami, skład przypadków, różnice standardu referencyjnego, biologia, wielkość próby, zmienne zakłócające, szkodliwe obciążenie) — Ocena i diagnozowanie podgrup przeprowadza to rozumowanie; porównywalność metryk sprawdza się wcześniej, a uniwersalne progi sprawiedliwości nie istnieją.

Co zwykle idzie nie tak

• Pomijanie anizotropowych odstępów w architekturze/rozszerzaniu danych; rozszerzanie danych, które narusza znaczenie jednostek HU lub sens fizyczny danych.
• Raportowanie Dice bez metryk powierzchniowych ani wpływu na zadanie realizowane na dalszym etapie.
• Łączenie danych uzyskanych różnymi metodami rekonstrukcji; deklarowanie uogólnialności wyłącznie na podstawie danych z własnego ośrodka.
• Traktowanie cechy tekstury jak biomarkera; traktowanie realistycznego obrazu syntetycznego jako „poprawnego”; ufanie ustaleniu wygenerowanemu przez VLM bez oparcia w danych źródłowych.
• Wdrażanie potoku agentowego/MCP bez informacji o pochodzeniu ani audytu (rozdz. 10).

Powiązanie z TRACE-CT

• Segmentacja klasy TotalSegmentator → pomiar stanowi podstawę potoku radiomicznego TRACE-CT (który dekoduje obiekty SEG).
• Rekonstrukcja jako zmienna urzeczywistnia wpływ zmian rekonstrukcji na cechy (rozdz. 5).
• Pozycje dotyczące modeli fundamentalnych/ogólnego zastosowania i obrazowania syntetycznego pozostają lekturami; nic w obecnym ograniczonym eksperymencie się nie zmienia.

Co zapamiętać (podsumowanie rozdziału)

1. Obrazy medyczne są przestrzenne, anizotropowe, trudno dostępne i zależne od akwizycji; geometria jest częścią danych wejściowych.
2. Segmentacja: oceniaj według pomiaru uzyskiwanego na dalszym etapie, a nie jednej miary nakładania się masek; zmienność między osobami oceniającymi nadaje kontekst standardowi referencyjnemu (nie wyznacza sztywnej granicy); narzędziami są nnU-Net/TotalSegmentator/MONAI.
3. Rekonstrukcja (FBP→IR→DL) zmienia wartości ilościowe — dokumentuj zastosowaną metodę.
4. Obrazowanie syntetyczne: „co jest obecne, a co trzeba wytworzyć”; oceniaj szerzej niż realizm pikseli; halucynowanie/tworzenie informacji nieobecnej w danych stanowi ryzyko definiujące to zadanie.
5. Kolejne etapy modeli fundamentalnych/ogólnego zastosowania: model specyficzny dla zadania → wstępnie wytrenowany → fundamentalny → VLM → ogólnego zastosowania → agentowy; czytaj pod kątem zakresu danych, testów zewnętrznych i zmiany rozkładu danych między domenami.
6. Porównanie reprezentacji: osadzenia ręcznie projektowane, wyuczone i pochodzące z modeli fundamentalnych są uzupełniającymi się kandydatami, a nie domyślnie rywalami — wymagaj drabiny modeli bazowych, identycznych podziałów i wiersza zewnętrznego, zanim uwierzysz w korzyść z fuzji.