Błędy AI w radiologii: gdy algorytm myli diagnozę, której radiolog by nie popełnił

Wejście AI do czytelni radiologicznej

Algorytmy głębokiego uczenia zostały wprowadzone do rutynowej radiologii szybciej niż ktokolwiek prognozował w 2020 roku. W 2026 roku większość dużych szpitali europejskich i amerykańskich korzysta z co najmniej jednego algorytmu asystującego — do wykrywania guzków płucnych, podejrzanych zmian w mammografii, polipów jelita grubego w colonoskopii. W teorii systemy te mają pełnić rolę „drugiej pary oczu”. W praktyce stają się często pierwszą, a czasem jedyną.

Problem nie polega na tym, że AI popełnia błędy — błędy popełniają też radiolodzy. Problem polega na tym, że AI popełnia błędy odmiennej natury, niż błędy ludzkie. Klinicysta przyzwyczajony do wzorca ludzkich pomyłek nie zawsze potrafi zidentyfikować błąd maszyny. To nowe źródło ryzyka, którego radiologia nie znała wcześniej.

Fałszywe pozytywy — koszt niedoceniony

Najlepiej opisaną kategorią błędów AI w radiologii są fałszywe pozytywy. Algorytmy szkolone na zbiorach danych medycznych często mają tendencję do oznaczania łagodnych struktur jako podejrzanych. W badaniach publikowanych w 2024 i 2025 roku w „Nature Medicine” wykazano, że algorytmy asystujące w mammografii mogą zwiększyć odsetek fałszywych pozytywów o kilka punktów procentowych w porównaniu ze średnią dla radiologów.

Koszt fałszywego pozytywu jest nie tylko emocjonalny — to pacjent kierowany na biopsję, dodatkowe badania, tygodnie niepewności. To także obciążenie finansowe systemu ochrony zdrowia. W 2026 roku brytyjska służba zdrowia NHS opublikowała analizę kosztów wdrożenia algorytmów asystujących w radiologii piersi. Wyniki są dwuznaczne: oszczędności na czasie radiologa są częściowo zjadane przez koszty dodatkowych procedur wynikających z fałszywych pozytywów.

Halucynacje zmian — błąd absolutnie ludzko-nieprawdopodobny

Najbardziej niepokojącą kategorią błędów AI w radiologii są halucynacje. Istnieją udokumentowane przypadki, w których algorytmy oznaczały struktury, których w obrazie medycznym nie było — artefakty generowane przez model, normalne obszary traktowane jako patologia. W radiografii klatki piersiowej opisano przypadki halucynowanych guzków, które prowadziły do niepotrzebnych biopsji i przewlekłej inwigilacji zdrowych pacjentów.

Radiolog może pomylić skromny guzek z balonikiem polipowatym. Lecz rzadko halucynuje całkowicie nieistniejącą strukturę — jego mózg potrzebuje punktu zakotwiczenia w obrazie. Model głębokiego uczenia nie ma takiego ograniczenia: generuje oznaczenie na podstawie wzorców ze zbioru treningowego, nawet jeżeli w obrazie nie ma żadnej struktury pasującej do wzorca. To nowa kategoria błędu, niezdefiniowana w klasyfikacji błędów radiologicznych.

Automatyzacja i asymetria zaufania

Behaviorizm radiologiczny od lat dziewięćdziesiątych XX wieku wskazuje na dwa zjawiska wzrostowe — undercutting i overreliance. Undercutting polega na tym, że początkowo radiolog sprawdza wynik algorytmu ostrożnie. Z czasem, widząc, że algorytm miał rację w większości przypadków, zaczyna zasadniczo polegać na jego ocenie. Overreliance to stan, w którym radiolog przestaje w ogóle kwestionować algorytm, a jedynie akceptuje jego oceny jako ostateczne.

W 2025 roku duńska grupa badawcza opublikowała w „Radiology: Artificial Intelligence” wyniki obserwacji 14 czytelni radiologicznych. W czytelniach z asystentem AI czas analizy skanu skrócił się średnio o 30 procent. Lecz w grupie „podwójnej kontroli” — gdzie radiolog ponownie widział skany po algorytmie — w 8 procentach przypadków radiolog akceptował oznaczenia algorytmu, podczas gdy w grupie kontrolnej bez AI te same skany ocenił jako nieznaczące. To znaczy, że ekspozycja na algorytm zmienia decyzję klinicysty w kierunku algorytmu, nawet jeżeli algorytm się myli.

Bias w danych treningowych — błąd urodzony

Algorytmy są uczone na archiwalnych zbiorach danych. Zbiory te odzwierciedlają błędy przeszłości — niedodiagnozowanie chorób w mniejszościach demograficznych, nierówności w dostępie do diagnostyki, techniczne niedoskonałości starszych aparatów. W 2024 roku opublikowano badanie pokazujące, że jeden z komercyjnych algorytmów analizujących zdjęcia rentgenowskie klatki piersiowej był istotnie gorszy w wykrywaniu zmian u pacjentek czarnoskórych w porównaniu z białymi w amerykańskich szpitalach.

Powód leżał w zbiorze treningowym — był zdominowany przez skany pacjentów białych, gdy tymczasem choroby płucne mają różną manifestację radiologiczną w różnych grupach etnicznych. Lekarze nie powinni polegać na algorytmach, których demograficzna struktura treningowa nie jest przezroczysta.

Odpowiedzialność — za błąd odpowiada maszyna czy człowiek?

W przypadku błędu ludzkiego odpowiedzialność jest jasna — ponosi ją radiolog, który sporządził raport. W przypadku błędu algorytmu uzupełniającego sytuacja jest niejasna. Czy odpowiada producent algorytmu — który może wykazać, że algorytm był użyty poza wskazaniami? Czy radiolog, który ufał maszynie? A może szpital, który wdrożył algorytm bez audytu populacji swoich pacjentów?

W 2025 roku w Niemczech rozpatrywano pierwszą grupę pozwów o błędy AI w radiologii. W jednym z przypadków pacjent z fałszywie pozytywnym wynikiem został poddany biopsji, która miała powikłania. Sąd rozstrzygnął, że odpowiedzialność ponosi szpital — za brak procedury audytu wyników algorytmu — a nie producent algorytmu. To precedens, który przesuwa ciężar odpowiedzialności na placówki korzystające z AI.

Co dalej

W 2026 roku w piśmiennictwie radiologicznym dominuje argument: AI powinno asystować, lecz nie zastępować. Lecz realność rynkowa sprzyja zastępowaniu — AI jest tania, szybka, dostępna 24 godziny na dobę. W brytyjskim NHS planuje się, że do 2028 roku większość początkowych odczytów mammografii będzie prowadzona przez algorytmy, a radiolog interweniować będzie w przypadkach niejednoznacznych.

To może być realnie zyskowne — ale tylko jeżeli procedury audytu zostaną wprowadzone przed, nie po. Audyt biasu demograficznego, audyt fałszywych pozytywów w realnym kontekście populacji pacjentów, audyt zmiany decyzji radiologa pod wpływem algorytmu. Bez tych audytów każde rozszerzenie AI w radiologii jest eksperymentem strony nieokreślonej. Pacjent nie powinien być poddanem tego eksperymentu.