Radiologia vs AI: zanim się przestraszysz albo zachwycisz

Nie ma tygodnia, żeby gdzieś nie pojawiło się nowe doniesienie o sztucznej inteligencji w medycynie. „AI wykrywa raka lepiej niż radiolog." „Algorytm przewyższył specjalistów w analizie MRI." „Sztuczna inteligencja zastąpi radiologów do 2030 roku." Nagłówki brzmią alarmująco - albo ekscytująco, zależnie od perspektywy. W każdym razie trudno je zignorować.

Problem w tym, że rzeczywistość jest znacznie bardziej skomplikowana niż to, co mieści się w tytule artykułu prasowego.

Ta seria powstała właśnie po to, żeby przyjrzeć się temu tematowi bez hype'u i bez paniki. Artykuł po artykule, odwołując się do konkretnych badań naukowych, będziemy analizować to, co AI w radiologii naprawdę potrafi - i czego jeszcze nie potrafi. Dla kogokolwiek, kto pracuje z obrazem medycznym na co dzień: technika, radiologa, pielęgniarki, fizyka medycznego. Bo to zagadnienie dotyczy nas wszystkich.

Radiologia jako główny cel AI w medycynie

Zacznijmy od liczby, która robi wrażenie: według danych opublikowanych w 2025 roku na łamach ScienceDirect, do grudnia 2024 roku aż 76% wszystkich zatwierdzonych przez FDA aplikacji medycznych opartych na AI dotyczyło właśnie radiologii. Nie kardiologii, nie onkologii, nie psychiatrii - radiologii.

Dlaczego akurat tu? Bo radiologia oferuje to, czego algorytmy uczenia maszynowego potrzebują najbardziej: ogromne ilości danych o jednolitym formacie (obrazy DICOM), jasno zdefiniowane zadania (wykryj, zmierz, sklasyfikuj) i możliwość weryfikacji wyników. To środowisko niemal stworzone pod kątem AI.

Dynamika wzrostu jest równie wymowna. Przegląd systematyczny opublikowany w 2025 roku w prestiżowym czasopiśmie The Lancet eClinicalMedicine zebrał 140 badań dotyczących AI w praktyce radiologicznej - i ujawnił wyraźną tendencję: w 2020 roku opublikowano 13 takich prac, w 2023 - 35, a w samym 2024 roku już 38. Temat nie zwalnia.

AI jest już stosowane klinicznie w wykrywaniu krwotoków śródczaszkowych, triagingu udarów, analizie mammografii, ocenie zmian w płucach czy klasyfikacji zmian w gruczole krokowym. To nie są eksperymenty laboratoryjne - to narzędzia działające w realnych szpitalach.

Eksperyment, który zmienia perspektywę

W 2024 roku badacze z MIT i NBER - Nikhil Agarwal, Alex Moehring, Pranav Rajpurkar i Tobias Salz — opublikowali pracę zatytułowaną „Combining Human Expertise with Artificial Intelligence: Experimental Evidence from Radiology". To jedno z niewielu badań, które zamiast testować AI w izolacji, sprawdziło, co dzieje się, gdy AI spotyka się z człowiekiem w warunkach rzeczywistej pracy diagnostycznej.

Wyniki były zaskakujące.

Badacze przeprowadzili eksperyment z udziałem prawdziwych radiologów, którym w różnych konfiguracjach udostępniano bądź odmawiano dostępu do predykcji algorytmu. Oczekiwano, że AI będzie działać jak „nakładka poprawiająca wszystko" - że radiolog wspomagany przez algorytm zawsze poradzi sobie lepiej niż bez niego.

Tak się nie stało. Dostarczanie predykcji AI nie poprawiało jednolicie jakości diagnostycznej. Natomiast coś innego poprawiało - dostarczanie dodatkowego kontekstu klinicznego.

To odkrycie ma poważne konsekwencje praktyczne. Sugeruje, że sam dostęp do wyniku algorytmu nie czyni diagnozy lepszą - a może nawet zaburzać własne myślenie kliniczne. Kluczowe jest to, w jaki sposób AI zostaje wplecione w proces diagnostyczny i jakie informacje towarzyszą jego predykcji.

Pytanie, które warto zadać w każdej placówce wdrażającej AI: czy robimy to z myślą o tym mechanizmie - czy tylko dlatego, że „algorytm jest dostępny"?

Problem, o którym rzadko się mówi: generalizowalność

Większość doniesień o sukcesach AI w radiologii bazuje na danych z jednej instytucji. Model trenowany na tysiącach badań z jednego szpitala, z jednego skanera, z jednej populacji pacjentów - radzi sobie znakomicie. Publikacja trafia do recenzowanego czasopisma. Czytamy nagłówek.

Ale co się dzieje, gdy ten sam model trafia do innego szpitala?

Przegląd systematyczny Suleman i wsp., opublikowany w 2025 roku w Annals of Medicine & Surgery, zebrał badania z lat 2022–2025 raportujące zarówno wewnętrzną, jak i zewnętrzną walidację modeli AI stosowanych w CT, MRI i RTG. Wyniki były jednoznaczne: skuteczność modeli mierzalnie spada przy zewnętrznej walidacji gdy algorytm napotyka dane z innego szpitala, innego skanera lub innej populacji pacjentów.

W warunkach polskiego systemu ochrony zdrowia, gdzie heterogenność sprzętu między placówkami jest znaczna, a protokoły badań bywają istotnie różne, jest to problem szczególnie aktualny. Model zatwierdzony na danych z zachodnioeuropejskiego centrum referencyjnego może zachowywać się zupełnie inaczej w realiach regionalnego szpitala.

To nie jest argument przeciw AI. To argument za krytycznym podejściem do każdego wdrożenia, za zadawaniem pytań o walidację, o dane treningowe, o zewnętrzne testy wydajności.

Co AI robi dobrze — i gdzie się myli

Uczciwe omówienie tematu wymaga przyznania: AI w radiologii robi naprawdę imponujące rzeczy.

Algorytmy do wykrywania krwotoków śródczaszkowych osiągają czułość powyżej 90% przy niskiej liczbie wyników fałszywie dodatnich. Narzędzia do triagingu udarów, jak Viz.ai, uzyskują AUC powyżej 0,90 w badaniach retrospektywnych. Systemy wspomagające mammografię historycznie zwiększały czułość radiologów o kilka do kilkunastu procent. Badanie NIH opublikowane w 2025 roku wykazało, że modele AI w ocenie raka prostaty w biparametrycznym MRI doskonale sprawdzają się jako narzędzie uzupełniające, ale nie jako samodzielne rozwiązanie.

Jednocześnie AI konsekwentnie ma trudności z tym, co dla pracownika ochrony zdrowia jest codziennością: z nieoczekiwanym przypadkiem klinicznym, z artefaktem wynikającym z ruchów pacjenta, z historią, której nie ma w systemie, z kontekstem, który wynika z rozmowy a nie z pikseli.

Badanie z MIT pokazuje, że to właśnie ten kontekst - informacja kliniczna, która nie jest zakodowana w obrazie, jest tym, co naprawdę podnosi jakość diagnozy. I to jest coś, czego żaden algorytm nie przeczyta z pliku DICOM.

Kto odpowiada, gdy AI się myli?

To pytanie, które branża stawia sobie coraz głośniej.

Według badania ESR z 2024 roku, niemal połowa radiologów jest przekonana, że pacjenci nie zaakceptują raportu wygenerowanego wyłącznie przez AI bez podpisu lekarza. Z kolei ankieta z 2025 roku pokazuje, że 67% lekarzy obawia się błędnych rekomendacji AI i związanej z tym odpowiedzialności prawnej. Regulacje zaczynają nadążać za technologią: FDA wydała w 2025 roku wytyczne dla oprogramowania medycznego opartego na AI, obejmujące wymogi dotyczące opisu modelu, pochodzenia danych i monitoringu po wdrożeniu. W Europie Rozporządzenie AI Act, które wchodzi w pełni w życie w 2026 roku, klasyfikuje większość narzędzi medycznych AI jako systemy wysokiego ryzyka.

Odpowiedzialność kliniczna pozostaje po stronie człowieka. I prawdopodobnie tak pozostanie, przynajmniej przez najbliższe lata.

Źródła:

1. Agarwal N., Moehring A., Rajpurkar P., Salz T. Combining Human Expertise with Artificial Intelligence: Experimental Evidence from Radiology. MIT/NBER Discussion Paper, 2024.

2. Suleman M.U. i wsp. Assessing the generalizability of artificial intelligence in radiology: a systematic review of performance across different clinical settings. Annals of Medicine & Surgery, 2025. DOI: 10.1097/MS9.0000000000004166

3. Eskandar i wsp. Artificial Intelligence in CT Imaging: A Systematic Review of Diagnostic Accuracy, Clinical Decision–Support Impact, and Integration Pathways. iRadiology, 2025. DOI: 10.1002/ird3.70046

4. Artificial intelligence for diagnostics in radiology practice: a rapid systematic scoping review. eClinicalMedicine / The Lancet, 2025.

5. Perspective: AI productivity will not benefit employed radiologists. ScienceDirect, 2025.

6. NCI. NCI Study Examines Artificial Intelligence (AI) Versus Radiologists in Assessing Tumors. 2025.