Notatka — EuSoMII 2026: MSK and generalist imaging AI (2026-08-10)

To notatka edukacyjna, a nie protokół spotkania. Zapisuje modele pojęciowe, które wyniosłem z wykładów, wraz z etykietami statusu twierdzeń i odsyłaczami do mapy literatury. Cytowania są rozpisane w resources/literature-map.md (znajdują się tam numery PMID i DOI); pliki PDF są w Zotero. Etykiety statusu: ESTABLISHED EVIDENCE · EXPERT CONSENSUS · COMMON PRACTICE · PLAUSIBLE INFERENCE · PROJECT HYPOTHESIS.

1. Radiologia ilościowa — trzy terminy, które nie są synonimami

Podczas spotkania dominowało ujęcie, zgodnie z którym radiologia staje się ilościowa. Trzech terminów używano jednak nieprecyzyjnie, dlatego trzeba je rozróżniać:

• Obrazowanie ilościowe — pozyskiwanie z obrazów obiektywnych, odtwarzalnych pomiarów (objętości, średnicy, statystyki osłabienia promieniowania). To najszerszy i najlepiej uzasadniony termin. Wykonalność i użyteczność takich pomiarów mają status ESTABLISHED EVIDENCE.
• Radiomika — wydobywanie dużego zestawu cech (w znacznej części teksturalnych) i ich modelowanie. Jest to podejście bardziej wielowymiarowe i obarczone większym ryzykiem problemów z odtwarzalnością (zob. learning/03). To, że jest obiecujące, ma status EXPERT CONSENSUS; odtwarzalność pozostaje otwartym problemem.
• Biomarker obrazowy — pomiar poddany walidacji względem biologicznego lub klinicznego odniesienia. To najsilniejsze twierdzenie; większość cech radiomicznych nie jest biomarkerami. Nadużywanie tego terminu stanowi COMMON PRACTICE; rygorystycznie rozumiany biomarker wymaga walidacji.

Dlaczego to zachowuję: pomieszanie tych pojęć ma zasadnicze konsekwencje. Artykuł, w którym cechę teksturalną nazwano biomarkerem, zawiera twierdzenie zbyt silne; pomiar nieodporny na zmiany rekonstrukcji nie jest nawet stabilną wartością obrazowania ilościowego.

2. Segmentacja jako infrastruktura, a nie cel

Interesująca ścieżka kliniczna rzadko ma postać image → diagnosis. Częściej jest to:

image → segmentation → measurement → quantitative phenotype
      → prediction / diagnosis / longitudinal assessment

Segmentacja jest infrastrukturą: przekształca obraz w obiekt, który można zmierzyć. Dwa konkretne przykłady ze spotkania i literatury:

• TotalSegmentator (Wasserthal et al., Radiol AI 2023; PMID 37795137, VERIFIED) — segmentacja około 104 struktur w jednym przebiegu, umożliwiająca dalsze pomiary składu ciała i narządów. Opis modelu jest mniej interesujący niż jego rola: to narzędzie wielokrotnego użytku do generowania masek.
• Quantitative body composition (Ziegelmayer et al., Lancet Reg Health Eur 2025; PMID 40487774, VERIFIED) — pomiary IMAT i beztłuszczowej tkanki mięśniowej w przewlekłym bólu pleców. Jest to łańcuch segmentation → measurement → phenotype → clinical question zastosowany u rzeczywistych pacjentów — dokładnie ten, na którym opiera się ta ścieżka edukacyjna oraz potok segmentacja→radiomika w TRACE-CT.

Dlaczego to zachowuję: zmienia to moje priorytety w nauce. Odporna i poprawna geometrycznie segmentacja (rozdziały 2–3) nie jest poboczną umiejętnością; stanowi wąskie gardło całego łańcucha ilościowego.

3. Przepływ kliniczny wspomagany przez AI — potok, który warto mieć w pamięci

DICOM ──┬─ prior imaging
        ├─ clinical data
        └─ quantitative processing / segmentation
              → multimodal model
              → assisted interpretation / structured reporting
              → radiologist (final authority)

EXPERT CONSENSUS dotyczy struktury tego potoku; ocena, w jakim stopniu jest on dziś niezawodnie wdrożony, ma status PLAUSIBLE INFERENCE. Zapamiętałem trzy rzeczy:

• Kierunek jest multimodalny: obrazowanie łączy się z danymi klinicznymi, demograficznymi i wcześniejszymi badaniami, zamiast używać modeli opartych wyłącznie na obrazie (jest to również statystycznie uczciwe ujęcie w learning/04 — czy obrazowanie wnosi wartość ponad kliniczny model bazowy?).
• Wspomaganie, nie autonomia: radiolog zachowuje rolę ostatecznego decydenta. Jest to rzeczywistość kliniczna, medyczno-prawna i organizacyjna, a nie wyłącznie przejaw ostrożności.
• Źródłem trybów awarii jest cały potok — utrata tożsamości lub pochodzenia danych, niedopasowanie wcześniejszych badań, niezauważona błędna segmentacja, brak możliwości pobrania wyniku AI w PACS. Są to problemy informatyki obrazowej (learning/05) i mają takie samo znaczenie jak dokładność modelu.

4. Modele fundamentalne i ogólne — kierunek, nie zadanie na dzisiejszy wieczór

Zapisuję je jako ważny kierunek rozwoju. Poniższe statusy zaktualizowano zgodnie ze zweryfikowaną mapą literatury (resources/literature-map.md); narracja webinaru pozostaje bez zmian.

• Merlin — fundamentalny model wizyjno-językowy dla CT, Nature 2026, PMID 41781626 (wcześniejszy preprint: PMID 38978576). Publikacja recenzowana (VERIFIED); obszar szybko się rozwija.
• a2z-1 (Rajpurkar et al., arXiv:2412.12629, VERIFIED) — model ogólny dla CT jamy brzusznej i miednicy, z walidacją zewnętrzną w wielu stanach chorobowych. Preprint, jeszcze nierecenzowany. Mocny schemat walidacji zewnętrznej jest przydatny jako odniesienie metodologiczne jeszcze przed ostateczną publikacją.
• Przeglądy modeli fundamentalnych — Akinci D’Antonoli et al., Diagn Interv Radiol 2026;32(3):259-272, PMID 40626693 (VERIFIED, recenzowany artykuł przeglądowy); oraz Paschali et al., Radiology 2025;314(2):e240597, PMID 39903075 (VERIFIED). Przydatne do orientacji w dziedzinie.
• OmniMRI — zunifikowany fundamentalny model VLM do ogólnego zastosowania w MRI, He et al., arXiv:2508.17524 (VERIFIED preprint, 2025-08-24). Obszar szybko się rozwija.
• Agentic / MCP orchestration — ReCo (ukierunkowana na Orthanc, TotalSegmentator/Merlin) — Tzanis & Klontzas, medRxiv 2026.07.14.26358025 (VERIFIED preprint). Na razie rozwiązanie spekulatywne, bez silnej walidacji klinicznej.

Dlaczego to zachowuję: modele ogólne i fundamentalne prawdopodobnie staną się w perspektywie średnioterminowej podstawą zarówno infrastruktury segmentacji, jak i wspomaganej interpretacji. Ich dzisiejszy wpływ kliniczny ma jednak status PLAUSIBLE INFERENCE, a kilka kluczowych prac to preprinty. Modele te przystępnie omówiono w learning/06-medical-imaging-ai — modele fundamentalne; przeczytaj ten materiał, aby zorientować się w temacie i świadomie czytać publikacje, a nie po to, by od razu coś wdrażać. (Ich szczegółowa walidacja kliniczna pozostaje obszarem badań.)

5. Obrazowanie syntetyczne — pojęcie najistotniejsze dla TRACE-CT

Podczas spotkania poruszono kilka problemów związanych z „obrazami syntetycznymi”. Łączą je metody image-to-image i generowania warunkowego, ale problemy te nie są równoważne:

Problem	Źródło → cel	Co musi zostać „wymyślone”
MRI → syntetyczne CT	anatomia w MR → osłabienie w CT	gęstość elektronowa, której MR nie pokazuje
T2 → syntetyczne T1/STIR	jeden kontrast MR → inny	niepozyskana sekwencja o innym kontraście
niskodawkowe CT → CT z dawką standardową	zaszumione CT → czyste CT	usunięcie szumu (informacja jest obecna, lecz zdegradowana)
harmonizacja rekonstrukcji	jeden kernel rekonstrukcji/protokół → inny	transformacja między protokołami
CT bez kontrastu → CT ze wzmocnieniem kontrastowym	przed kontrastem → po kontraście	wychwyt środka kontrastowego (rzeczywiście nieobecny)

Kluczowe pytanie (najważniejsza rzecz, którą wyniosłem z tego wątku):

Jaka informacja jest rzeczywiście obecna w obrazie źródłowym, a co model ma wymyślić?

Przekształcenie obrazu niskodawkowego w standardowodawkowy przede wszystkim odszumia obecną informację. Przekształcenie obrazu bez kontrastu w obraz ze wzmocnieniem kontrastowym wymaga od modelu wymyślenia wzmocnienia, którego nigdy nie zmierzono. Są to zasadniczo odmienne problemy fizyczne i kliniczne, mimo że w obu można zastosować architekturę pix2pix/cycle/diffusion.

Dlaczego realistyczny wygląd nie wystarcza. Obraz syntetyczny może wyglądać fotorealistycznie, a mimo to:

• naruszać spójność anatomiczną (struktura wygląda wiarygodnie, ale jest błędna);
• pomijać albo tworzyć zmianę patologiczną (błąd o katastrofalnych skutkach klinicznych);
• zmieniać wartości radiomiczne lub ilościowe w sposób niedostrzegalny wzrokowo;
• być bezużyteczny albo wprowadzać w błąd w zadaniu docelowym.

Ocena musi więc wykraczać poza realizm pikseli (SSIM/PSNR/realizm wizualny) i obejmować:

• spójność anatomiczną
• zachowanie zmian patologicznych
• stabilność ilościową / radiomiczną
• użyteczność w zadaniu (czy model docelowy lub osoba interpretująca obraz osiąga na obrazach syntetycznych równie dobre wyniki jak na rzeczywistych?)
• niepewność / skalibrowaną miarę pewności
• testowanie zewnętrzne (nie tylko w obrębie tego samego rozkładu danych)
• ryzyko halucynacji / wytworzenia nieobecnej informacji

Związek z TRACE-CT: TRACE-CT przewiduje przyszły kierunek generowania brakującej akwizycji CT (synteza warunkowa uzupełniająca brakującą akwizycję/sekwencję). Obecny eksperyment pre-Spark ma celowo ograniczony zakres i ta notatka nie wprowadza w nim zmian — zgodnie z obowiązującą w projekcie zasadą przeciwdziałania rozrostowi zakresu. Gdy ten kierunek zostanie uruchomiony, powyższe wymiary oceny staną się listą kontrolną; do tego czasu stanowią trwałe przygotowanie pojęciowe (zapisane jako odroczone aspekty syntezy C11, D-011), a nie aktywne zadanie.

Twierdzenie, że synteza będzie miała znaczenie kliniczne, ma status PLAUSIBLE INFERENCE; twierdzenie, że ujęcie brakującej akwizycji jest właściwym przypadkiem użycia TRACE-CT, ma status PROJECT HYPOTHESIS.

Co zabieram do nauki w przyszłym tygodniu

1. Nadal ściśle rozróżniać obrazowanie ilościowe / radiomikę / biomarker.
2. Traktować segmentację jako infrastrukturę — to ona jest wąskim gardłem; rozdziały 2–3 mają wysoki priorytet.
3. Zachować w pamięci potok przepływu pracy wspomaganego przez AI jako kontekst dla informatyki obrazowej (rozdz. 5).
4. Poznawać modele fundamentalne/ogólne za pośrednictwem części F rozdz. 6 (orientacja); monitorować preprinty w mapie literatury.
5. W przypadku obrazowania syntetycznego przyswoić rozróżnienie „co jest obecne, a co musi zostać wymyślone” oraz listę wymiarów oceny wykraczających poza realizm pikseli — to rusztowanie pojęciowe dla przyszłego kierunku syntezy w TRACE-CT.