Umělá inteligence v radiologii

Abstract

Ve své bakalářské práci se zabývám problematikou využití umělé inteligence v radiologii. Cílem práce bylo zhodnotit, zda může zapojení AI přispět ke snížení radiační zátěže pacientů a zároveň zlepšit detekci patologických nálezů v plicní tkáni. V teoretické části je nejprve popsán princip fungování počítačového tomografu, jeho historický vývoj, jednotlivé generace i konstrukční uspořádání přístroje. Následuje přehled metod rekonstrukce CT obrazu, základních parametrů CT skenování a popis nejčastějších artefaktů, které mohou při vyšetření vznikat. Další kapitoly se již zaměřují na hlavní téma práce využití metod umělé inteligence v radiologii. Popsány jsou možnosti jejího nasazení při vytváření CT obrazů i při následné analýze medicínských dat. Součástí je také příklad reálného využití umělé inteligence v praxi. Teoretickou část uzavírá kapitola věnovaná rizikům a omezením spojeným s implementací těchto technologií. V praktické části jsme vycházeli z dat získaných na Radiodiagnostickém oddělení Ústřední vojenské nemocnice v Praze. Analyzovali jsme CT vyšetření provedená s podporou AI i bez ní. Statistické vyhodnocení ukázalo, že při použití AI dochází k významnému snížení obdržené dávky (DLP), čímž se potvrzuje její přínos v rámci dávkové optimalizace. V druhé části výzkumu jsme se zaměřili na hodnocení falešně pozitivních nálezů generovaných AI softwarem při diagnostice plicních onemocnění. Vzhledem k nízkému počtu reálně využitých případů však nebylo možné provést kvantitativní analýzu. Výsledky naznačují, že přínos AI v radiologii je značný, avšak jeho naplnění závisí na kvalitní implementaci a dostupnosti dat.

In my bachelors thesis, I focus on the use of artificial intelligence in radiology. The aim of the thesis was to evaluate whether the implementation of AI can contribute to reducing patients radiation exposure and simultaneously improve the detection of pathological findings in lung tissue. The theoretical part begins with a description of how a computed tomography (CT) scanner works, including its historical development, the different generations of CT devices, and the structural design of the equipment. This is followed by an overview of CT image reconstruction methods, basic CT scanning parameters, and a description of the most common artifacts that may occur during examinations. The subsequent chapters focus on the main topic of the thesis the application of artificial intelligence methods in radiology. They outline the possibilities of using AI in the generation of CT images as well as in the subsequent analysis of medical data. A real-world example of AI usage in practice is also included. The theoretical part concludes with a chapter dedicated to the risks and limitations associated with the implementation of these technologies. In the practical part, we based our research on data obtained from the Radiodiagnostic Department of the Central Military Hospital in Prague. We analyzed CT examinations performed both with and without the support of AI. Statistical evaluation showed that the use of AI leads to a significant reduction in the received dose (DLP), confirming its benefit in dose optimization. The second part of the research focused on assessing false positive findings generated by AI software in the diagnosis of lung diseases. However, due to the limited number of real-world use cases, it was not possible to perform a quantitative analysis. The results suggest that the potential of AI in radiology is considerable, but its realization depends on proper implementation and the availability of data.