AI generatif yang didukung oleh model bahasa besar, seperti ChatGPT, sedang menjamur di industri seperti layanan pelanggan dan produksi konten kreatif. Namun, layanan kesehatan telah bergerak lebih hati-hati.
Radiologi, spesialisasi yang berfokus pada analisis citra digital dan pengenalan pola, muncul sebagai pelopor dalam adopsi teknik AI baru.
Bukan berarti AI merupakan hal baru dalam radiologi. Radiologi pernah menjadi sasaran salah satu prediksi AI paling terkenal ketika peraih Nobel Geoffrey Hinton mengatakan, pada tahun 2016, bahwa “orang-orang harus berhenti melatih ahli radiologi sekarang.”
Namun hampir satu dekade kemudian, transformasi AI di bidang ini mengambil jalur yang sangat berbeda. Ahli radiologi tidak tergantikan, tetapi mengintegrasikan AI generatif ke dalam alur kerja mereka untuk menangani tugas-tugas padat karya yang tidak memerlukan keahlian klinis.
“Alih-alih mengkhawatirkan AI, para ahli radiologi berharap AI dapat membantu mengatasi tantangan tenaga kerja,” jelas Dr. Curt Langlotz, wakil rektor senior untuk penelitian dan profesor radiologi di Stanford.
Tantangan regulasi terhadap AI generatif dalam radiologi
Gagasan Hinton tidak sepenuhnya salah. Banyak ahli radiologi kini memiliki akses ke model AI prediktif yang mengklasifikasikan gambar atau menyoroti potensi kelainan. Langlotz mengatakan bahwa perkembangan alat-alat ini “menciptakan industri” yang terdiri dari lebih dari 100 perusahaan yang berfokus pada AI untuk pencitraan medis.
FDA mencantumkan lebih dari 1.000 perangkat medis yang mendukung AI/ML, yang dapat mencakup algoritma dan perangkat lunak, yang sebagian besar dirancang untuk radiologi. Namun, perangkat yang disetujui didasarkan pada teknik pembelajaran mesin yang lebih tradisional, bukan AI generatif.
Ankur Sharma, kepala urusan medis untuk perangkat medis dan radiologi di Bayer, menjelaskan bahwa perangkat AI yang digunakan untuk radiologi dikategorikan dalam perangkat lunak deteksi berbantuan komputer, yang membantu menganalisis dan menginterpretasi gambar medis. Contohnya meliputi triase, deteksi, dan karakterisasi. Setiap perangkat harus memenuhi standar regulasi, yang mencakup studi untuk menentukan akurasi deteksi dan tingkat positif palsu, di antara metrik lainnya. Hal ini khususnya menantang bagi teknologi AI generatif, yang lebih baru dan kurang dipahami.
Alat karakterisasi, yang menganalisis abnormalitas spesifik dan menyarankan kemungkinannya, menghadapi standar regulasi tertinggi, karena hasil positif dan negatif palsu mengandung risiko. Gagasan semacam radiolog AI generatif yang mampu melakukan diagnosis otomatis, seperti yang dibayangkan Hinton, akan dikategorikan sebagai “karakterisasi” dan harus memenuhi standar bukti yang tinggi.
Regulasi bukanlah satu-satunya rintangan yang harus diatasi AI generatif untuk dapat digunakan secara lebih luas dalam radiologi.
Model bahasa besar serbaguna terbaik saat ini, seperti GPT4.1 dari OpenAI, dilatih pada triliunan token data. Penskalaan model dengan cara ini telah menghasilkan hasil yang luar biasa, karena LLM baru secara konsisten mengungguli model lama.
Melatih model AI generatif untuk radiologi pada skala ini sulit, karena volume data pelatihan yang tersedia jauh lebih kecil. Organisasi medis juga kekurangan akses ke sumber daya komputasi yang memadai untuk membangun model pada skala model bahasa besar terbesar, yang membutuhkan biaya pelatihan ratusan juta dolar.
“Ukuran data pelatihan yang digunakan untuk melatih model teks atau bahasa terbesar di dalam dunia kedokteran, dibandingkan di luar dunia kedokteran, menunjukkan perbedaan seratus kali lipat,” kata Langlotz. LLM terbesar dilatih pada basis data yang mengumpulkan hampir seluruh data di internet; model medis terbatas pada gambar dan data apa pun yang dapat diakses oleh suatu institusi.
Realitas AI Generatif saat ini dalam radiologi
Kendala regulasi ini tampaknya meragukan kegunaan AI generatif dalam radiologi, terutama dalam pengambilan keputusan diagnostik. Namun, para ahli radiologi merasa teknologi ini bermanfaat dalam alur kerja mereka, karena dapat menangani beberapa tugas administratif harian mereka yang padat karya.
Misalnya, kata Sharma, beberapa alat dapat mencatat saat ahli radiologi mendiktekan pengamatan mereka terhadap gambar medis, yang membantu dalam penulisan laporan. Beberapa model bahasa yang besar, tambahnya, “menerima laporan tersebut dan menerjemahkannya ke dalam bahasa yang lebih ramah pasien.”
Dr. Langlotz mengatakan bahwa produk yang menyusun laporan dapat memberikan “keunggulan produktivitas yang substansial” bagi para ahli radiologi. Ia membandingkannya dengan memiliki peserta pelatihan residen yang menyusun laporan untuk ditinjau, sebuah sumber daya yang seringkali tersedia di lingkungan akademis, tetapi kurang tersedia dalam praktik radiologi, seperti departemen radiologi rumah sakit.
Sharma mengatakan bahwa AI generatif dapat membantu ahli radiologi dengan mengotomatiskan dan menyederhanakan pelaporan, manajemen tindak lanjut, dan komunikasi pasien, sehingga memberikan waktu bagi ahli radiologi untuk lebih fokus pada “keahlian membaca” mereka, yang mencakup interpretasi gambar dan diagnosis kasus kompleks.
Misalnya, pada Juni 2024, Bayer dan Rad AI mengumumkan kolaborasi untuk mengintegrasikan solusi pelaporan AI generatif ke dalam Platform Solusi Digital Calantic Bayer, sebuah platform yang dihosting di cloud untuk menerapkan perangkat AI di lingkungan klinis. Kolaborasi ini bertujuan untuk menggunakan teknologi Rad AI guna membantu ahli radiologi membuat laporan secara lebih efisien. Misalnya, RadAI dapat menggunakan transkripsi AI generatif untuk menghasilkan laporan tertulis berdasarkan temuan yang didiktekan oleh ahli radiologi. Aplikasi seperti ini menghadapi lebih sedikit kendala regulasi karena tidak secara langsung memengaruhi diagnosis.
Ke depannya, Dr. Langlotz mengatakan ia memperkirakan adopsi AI yang lebih besar lagi dalam waktu dekat. “Saya pikir akan ada perubahan dalam pekerjaan sehari-hari ahli radiologi dalam lima tahun,” prediksinya.
source : https://www.businessinsider.com/