Merlin – sztuczna inteligencja, która może zmienić sposób interpretacji tomografii komputerowej

Analiza obrazów tomografii komputerowej wspomagana przez sztuczną inteligencję może w przyszłości znacząco przyspieszyć proces diagnostyczny oraz pomóc w identyfikacji wczesnych markerów chorób przewlekłych. Nowe badanie finansowane przez National Institutes of Health (NIH) opisuje model uczenia maszynowego o nazwie Merlin, który potrafi analizować trójwymiarowe skany tomografii komputerowej jamy brzusznej i wykonywać szerokie spektrum zadań – od identyfikacji struktur anatomicznych po przewidywanie rozwoju chorób nawet kilka lat przed pojawieniem się objawów klinicznych. Wyniki pracy opublikowano w czasopiśmie Nature.

Nowa generacja modeli sztucznej inteligencji w radiologii

Model Merlin reprezentuje nową klasę systemów określanych jako foundation models, czyli modele bazowe trenowane na bardzo dużych zbiorach danych obejmujących różne typy informacji. W przypadku radiologii oznacza to możliwość jednoczesnego przetwarzania danych obrazowych oraz informacji tekstowych, takich jak opisy badań radiologicznych czy kody diagnostyczne.

Zespół badaczy wykorzystał wyjątkowo rozbudowany zbiór danych pochodzących z Stanford University School of Medicine, obejmujący ponad 15 000 trójwymiarowych badań tomografii komputerowej jamy brzusznej. Skany te zostały powiązane z raportami radiologicznymi oraz niemal milionem kodów diagnostycznych, tworząc jeden z największych tego typu zestawów danych dostępnych do trenowania modeli sztucznej inteligencji.

Jak podkreśla Bruce Tromberg z NIH’s National Institute of Biomedical Imaging and Bioengineering (NIBIB), tak bogate zbiory danych są kluczowe dla rozwoju technologii AI w medycynie, ponieważ umożliwiają modelom uczenie się złożonych zależności między obrazem a informacjami klinicznymi.

Tomografia komputerowa jako punkt wyjścia do diagnozy

Tomografia komputerowa (CT) należy do najczęściej wykonywanych badań obrazowych w medycynie i często stanowi jeden z pierwszych etapów procesu diagnostycznego. Standardowo interpretacja wyników wymaga pracy radiologa, a następnie często także dodatkowych badań laboratoryjnych lub obrazowych.

Proces ten bywa czasochłonny, a jego złożoność dodatkowo rośnie w kontekście narastającego niedoboru lekarzy – szczególnie radiologów – obserwowanego w wielu systemach opieki zdrowotnej.

Według Louisa Blankemeiera ze Stanford University zastosowanie modelu Merlin może w przyszłości umożliwić przejście bezpośrednio od analizy obrazu do wstępnej diagnozy, co znacząco skróciłoby ścieżkę diagnostyczną.

Ponad 750 zadań diagnostycznych i prognostycznych

Aby ocenić możliwości modelu, badacze przetestowali Merlin w sześciu głównych kategoriach zadań obejmujących ponad 750 różnych problemów diagnostycznych, prognostycznych i związanych z oceną jakości badań obrazowych.

Po wstępnym treningu model został sprawdzony na ponad 50 000 wcześniej niewidzianych badań CT jamy brzusznej, pochodzących z czterech różnych szpitali. Celem było porównanie wyników generowanych przez system z wnioskami opracowanymi przez lekarzy.

Merlin potrafił wykonywać zarówno zadania stosunkowo proste – takie jak identyfikacja struktur anatomicznych – jak i znacznie bardziej złożone, np.:

• przewidywanie kodów diagnostycznych,
• generowanie raportów radiologicznych,
• segmentację narządów w przestrzeni trójwymiarowej,
• analizę jakości obrazów.

W wielu przypadkach bardziej skomplikowane zadania wymagały dodatkowego dostrajania modelu.

Wyższa skuteczność niż wyspecjalizowane systemy AI

Aby rzetelnie ocenić skuteczność Merlin, naukowcy porównali jego wyniki z wyspecjalizowanymi modelami sztucznej inteligencji zaprojektowanymi do wykonywania konkretnych zadań.

Średnio dla 692 różnych kodów diagnostycznych Merlin potrafił prawidłowo przewidzieć, który z dwóch skanów był bardziej związany z danym rozpoznaniem w ponad 81% przypadków. W przypadku podzbioru 102 kodów diagnostycznych skuteczność wzrosła do około 90%.

Co istotne, model – mimo że zaprojektowany jako narzędzie ogólnego przeznaczenia – dorównywał lub przewyższał wyspecjalizowane systemy AI w niemal wszystkich testowanych zadaniach.

Wykrywanie ryzyka chorób przewlekłych

Jednym z najbardziej interesujących zastosowań modelu okazała się możliwość prognozowania ryzyka rozwoju chorób przewlekłych wyłącznie na podstawie obrazów tomografii komputerowej.

Badacze sprawdzili, czy Merlin potrafi przewidzieć rozwój takich schorzeń jak:

• cukrzyca,
• osteoporoza,
• choroby serca.

Analizując skany osób bez objawów choroby, system potrafił wskazać pacjentów o podwyższonym ryzyku rozwoju danej choroby w ciągu pięciu lat z dokładnością około 75%, podczas gdy porównywany model osiągał około 68% skuteczności.

Zdaniem autorów badania wyniki sugerują, że system może identyfikować subtelne cechy obrazowe niewidoczne dla ludzkiego oka, które mogą stanowić nowe biomarkery chorób.

Zdolność uogólniania – analiza innych części ciała

Badacze postanowili również sprawdzić zdolność modelu do uogólniania wiedzy. W tym celu poddano analizie skany tomografii komputerowej klatki piersiowej – mimo że w trakcie treningu Merlin nie miał kontaktu z tego typu obrazami.

Pomimo braku wcześniejszego treningu na tych danych model osiągał wyniki porównywalne lub lepsze niż systemy trenowane wyłącznie na obrazach klatki piersiowej, co wskazuje na zdolność identyfikowania uniwersalnych cech chorób w obrazach medycznych.

Perspektywy zastosowania klinicznego

Autorzy badania podkreślają, że Merlin może w przyszłości stać się platformą bazową dla wielu zastosowań klinicznych, od automatycznego wspomagania diagnostyki po analizę ryzyka chorób przewlekłych.

W pierwszej kolejności system może znaleźć zastosowanie w prostszych zadaniach, które łatwiej będzie poddać procesowi regulacyjnej walidacji i certyfikacji medycznej. Jednocześnie naukowcy planują dalsze udoskonalenia modelu, szczególnie w zakresie generowania raportów radiologicznych.

Badacze zachęcają również instytucje medyczne do dostosowywania modelu poprzez dodatkowe trenowanie na lokalnych danych klinicznych, co może zwiększyć jego skuteczność w konkretnych populacjach pacjentów.

Jak podsumowuje Akshay Chaudhari ze Stanford University, model i zebrane dane stanowią solidną podstawę do dalszych badań i rozwoju nowych narzędzi sztucznej inteligencji w medycynie obrazowej.

Źródło: Nature, Merlin: A Computed Tomography Vision Language Foundation Model and Dataset
DOI: https://doi.org/10.1038/s41586-026-10181-8