A gyors, helyben elérhető egészségügyi ellátáshoz való hozzáférés gyakran a földrajzi véletleneken múlik: hol él valaki, milyen felszereltségű a helyi rendelő, és elérhető-e szakember. Ez különösen igaz a tuberkulózis (TB) elleni küzdelemben: a betegség megelőzhető és gyógyítható, mégis évente több mint 1,23 millió ember hal meg miatta. Egyik alapvető akadály a radiológiai diagnosztika hiánya: a távoli vidéki közösségekben és bányák mélyén dolgozók körében ritka az hozzáférés képzett radiológushoz és képalkotó infrastruktúrához, így milliók aktív TB-esete marad felderítetlen.
Az AI-képes mellkasi röntgenleletek értelmezhetőségének vizsgálata
A Google Research és a Google for Health csapata azt vizsgálta, hogy az AI-alapú eszközök képesek-e a mellkasi röntgenfelvételeket (CXR) a TB-szűrésben olyan pontossággal értelmezni, mint egy tapasztalt radiológus. A mellkasi röntgen az elsődleges képalkotó módszer a tüdőszűrésben, de a TB apró jeleinek — például apicalis infiltrátumoknak és cavitációknak — felismeréséhez szakértelem szükséges, ami gyakran hiányzik a helyi klinikákon. 2019-ben a csapat egy Radiology-ben megjelent benchmarktanulmánnyal mutatta be, hogy a deep learning algoritmusok aktív pulmonáris TB-t képesek azonosítani radiológusoknak megfelelő teljesítménnyel.
A valódi alkalmazhatóság független ellenőrzést igényel: 2021 augusztusában a Stop TB Partnership a The Lancet Digital Health-ben áttekintette az automatizált computer-aided detection (CAD) szoftvereket különböző betegrutinokban, és a Google-csapat modellje a legjobbak között végzett. Ugyanabban az évben a WHO is ajánlotta a CAD használatát TB-szűrésre és triázsra. 2024 szeptemberében a NEJM AI szaklapban a csapat bemutatott egy prospektív, többhelyszínes validációt, amely szerint az AI-alapú szűrés magas szenzitivitást tart fenn sokféle betegcsoportban, miközben más tüdő- és szíveltéréseket is megbízhatóan észlel.
A „fordítási rés” áthidalása: kutatástól a klinikai eszközig
A publikáció önmagában nem elegendő: a laboratóriumi algoritmus és a klinikán használt eszköz között nagy a "fordítási rés". Ezt a szoftvereknek különböző röntgenkészülékeken és offline környezetben való megbízhatósággal, a klinikai munkafolyamatokba való integrációval és az orvostechnikai szabályozások teljesítésével kell áthidalni.
Ennek érdekében a csapat együttműködött a pretoriai Nexus AI nevű orvosi technológiai céggel, amely a mellkasi röntgen-algoritmusokat tanúsított klinikai diagnosztikai eszközzé fordította. A szabályozói megfeleléshez kiterjedt auditok kellettek: Nexus AI elérte a CE MDR IIb osztályú minősítést (az EU Medical Device Regulation, EU MDR 2017/745 szerint), valamint megszerezte az ISO 13485 szerinti minőségirányítási tanúsítást. Emellett partnerséget kötöttek a FIND-del a WHO Pre-qualification (WHO PQ) elérésére, és folyamatban van az amerikai FDA engedélyezés felé vezető út.
Frontvonalbeli hatás: szűrés ott, ahol a betegek vannak
A Nexus Intelligence technológiáját jelenleg olyan helyeken telepítik, ahol a diagnosztikai hozzáférés a legszűkebb keresztmetszet. Hat országban — Dél-Afrika, Sierra Leone és Elefántcsontpart, valamint terjeszkedés a Kongói Demokratikus Köztársaságban, Zambiában és Kamerunban — nagyjából 40 egészségügyi intézményben működik az eszköz. Több mint 90 klinikus értékelt már összesen több mint 25 000 mellkasi röntgenfelvételt; a válaszidők hetekről kevesebb mint 45 másodpercre csökkentek, ami felgyorsítja a triázst és lehetővé teszi a klinikusok számára a végső döntést.
A partnerség a egészségügyi egyenlőség elkötelezettségét is magában foglalja: a Nexus AI eddig több mint 3000 ingyenes szűrést nyújtott alulfinanszírozott közegészségügyi rendelőknek, és céljuk évente 10 000 támogatott szűrés elérése.
Szűrés extrém körülmények között: a Mponeng aranybánya
Különösen szemléletes példa a Mponeng Gold Mine Dél-Afrikában, amely a világ egyik legmélyebb bányája. A mélyműveléses munkások krónikus szilikózis-kitettségnek vannak kitéve, ami megnöveli a tüdőbetegségek kockázatát. A Nexus AI ultra-portable digitális röntgenkészleteket és offline AI-t telepített négy kilométerrel a föld alatt, a Stop TB Partnership, a Harmony Gold Mine és a South African Department of Health együttműködésében. A bányászokat helyben, másodpercek alatt szűrik, és a presumptív TB-vel jelzetteket azonnal molekuláris megerősítő vizsgálatra lehet irányítani; így a szűrés, triázs és megerősítés egyetlen látogatás alatt megtörténhet, ami korábban hetekig tarthatott.
A pontmegoldásoktól a nyílt alapokig: HAI-DEF és MedGemma
Egyedi, egy partnerre épülő megoldás nem elég a globális TB-terhelés kezeléséhez. A nagyobb léptékű hatás érdekében a csapat nyílt, adaptálható alapokat fejlesztett, amelyek lehetővé teszik fejlesztők és egészségügyi minisztériumok számára a helyi igényekhez igazított megoldások létrehozását.
A Health AI Developer Foundations (HAI-DEF) keretében nyilvánossá tették a mellkasi röntgen-embeddingeket és a MedSigLIP nevű, könnyű vision-language modellt, amely a képalkotó leleteket és a klinikai nyelvezetet összekapcsolja. A MedSigLIP képes képeket és szabad szöveget összerendelni, így fejlesztők egyszerű, természetes nyelvű címkékkel osztályozhatnak vagy kereshetnek képeket, illetve kevés helyi példa alapján finomhangolhatják a modellt. Ez lehetővé teszi helyi csapatok számára, hogy mérsékelt regionális adatkészletekkel is jó teljesítményt érjenek el nagy számítási erőforrások nélkül.
Erre építve megjelent a MedGemma család is, nyílt súlyú multimodális modellekkel (4 milliárd és 27 milliárd paraméteres konfigurációk). A MedGemma a puszta osztályozásnál továbbmegy: multimodális klinikai érvelést végez, összefoglalja a radiográfiai eltéréseket a kórelőzményi adatokkal, természetes nyelven válaszol a klinikusok kérdéseire, és offline, helyben is képes futni. A megjelenés óta a MedGemma-t több mint 10 millió alkalommal töltötték le világszerte.
Szuverén méretezés: Indonézia nemzeti TB-programjának támogatása
A nyílt modellek lehetővé teszik, hogy a közegészségügy szuverén megoldásokat építsen, amelyek védik a páciensek adatainak helyben tartását. Indonézia, amely a világ második legnagyobb TB-terhelését viseli, ambiciózus célt tűzött ki: évente 50 millió állampolgár szűrése a betegség felszámolása érdekében. 50 millió röntgen manuális vizsgálata lehetetlen, és a zártkörű felhőalapú szoftverek adatjoghatósági kérdéseket vetnének fel. Ezért az Indonézia Ministry of Health MedGemma-t és MedSigLIP-et finomhangolja hazai mellkasi röntgeneken; a modellek helyi infrastruktúrán futnak, így az adatokat nem kell külföldre továbbítani, és a klinikai alkalmazás fölötti kontroll a nemzeti hatóságoknál marad.
Komplementer szűrés: bioakusztika a HeAR-rel
Mivel képalkotó eszközök nem juthatnak el minden eldugott egészségügyi ponthoz, a Google Research kifejlesztette a Health Acoustic Representations (HeAR) rendszert is. Több mint 300 millió hangszegmensen tanított HeAR lehetővé teszi a nem-invazív akusztikus szűrést köhögéshangok alapján, egyszerű okostelefon mikrofonról rögzítve. A HeAR kutatásban alkalmazzák többek között a CIDRZ (Zambia), az Aurum Institute (Ghana, amelyet 250 000 dolláros Google.org támogatás segít) és a HELINA regionális együttműködése (1,5 millió dolláros támogatással). A köhögésalapú triázs (HeAR), a mobil röntgen (HAI-DEF) és a multimodális klinikai érvelés (MedGemma) együttesen integrált diagnosztikai láncot kínálnak alulellátott közösségek számára.
Előretekintés
A laboratóriumi algoritmustól a CE-tanúsítással rendelkező eszközig vezető út azt mutatta meg, mire van szükség a kutatás világából a valódi klinikai hatás eléréséhez: szigorú tudomány, nyílt fejlesztői platformok és elkötelezett helyi partnerek. A partnerek a helyi közösségek legjobb ismerőiként viszik tovább a programokat: a Nexus AI új országokba terjeszkedik, Indonézia integrálja a TB-szűrést a nemzeti programjába, és a CIDRZ, az Aurum Institute és a HELINA klinikai bizonyítékot építenek a köhögésalapú triázs mellett. A Google-csapat szerepe, hogy nyílt modellekkel, alapkutatással és folyamatos támogatással segítse ezeket az erőfeszítéseket, hogy minél több TB-esetet diagnosztizáljanak és kezeljenek korábban.
Köszönetnyilvánítás
A szerzők köszönettel tartoznak a Nexus AI, Stop TB Partnership, UNOPS, CIDRZ, Aurum Institute, HELINA, Harmony Gold Mine, a South African Department of Health és az Indonesian Ministry of Health munkatársainak klinikai vezetéséért és a globális egészségügyi egyenlőség iránti elkötelezettségért.
