A jövő már itt van velünk, hiszen ma már az orvoslásban is alkalmazzák a mesterséges intelligenciát, igaz, még elsősorban diagnosztikai eljárásoknál.

Mesterséges intelligencia az orvostudományban: alkalmazási területek, következmények és korlátok

A jövő orvosi gyakorlatai hamarosan elérkezhetnek hozzánk: A mesterséges intelligencia az elmúlt években fejlődött és haladt előre, és könnyen elképzelhető, hogy a téves diagnózisok és a betegségek tüneteinek kezelése az okok helyett a múlté lesz. A digitális orvosi nyilvántartásokban az orvosi képek és általános vizsgálatok révén keletkező és tárolt adatok tömegei lehetővé teszik a mesterséges intelligencia számára, hogy több alkalmazást és egy nagy teljesítményű, elektronikusan vezérelt orvosi korszakot fejlesszen ki. Ezek az AI-alkalmazások alakítják a kutatók és az orvosok megközelítését az orvosi problémamegoldásban.

Egyes algoritmusok azonban számos feladatban felveszik a versenyt a klinikusokkal, sőt néha még felül is múlják őket. Miért nem honosodott meg tehát még teljesen a mesterséges intelligencia a mindennapi orvosi gyakorlatban? Azért, mert először számos szabályozási kihívásra kell választ adni, még akkor is, ha az algoritmusok érdemi hatást gyakorolhatnak az orvoslásra. Az etikai dilemmák már napirenden vannak, amikor az AI szóba kerül, hiszen egy sarkított példával élve: egy https://gg.bet/hu/casino a játékosok játékstílusának vizsgálatát rábízhatja egy algoritmusra? Vajon ki lehet szűrni a problémás játékosokat a rekreációs játékosok közül? A legfontosabb kérdés pedig az, hogy ha van ilyen lehetőség, kell-e élni vele, vagy hagyjuk a dolgokat a maguk medrében és bízzunk az emberi ítélőképességben?

Mitől lesz egy algoritmus intelligens?

Az AI-algoritmusok idővel megtanulják, hogyan kell elvégezni a feladatukat, ahogyan egy orvos is évekig tanul az orvosi egyetemen, gyakorlati vizsgákat és feladatokat tesz, osztályzatokat kap, és tanul a hibáiból, az AI-nak is ugyanezt kell tennie. Az AI általában olyan feladatokat végez, amelyek elvégzéséhez emberi intelligencia szükséges, mint például a beszéd- és mintafelismerés, a döntéshozatal és a képelemzés. Emberre van szükség ahhoz, hogy megmondja a rendszernek, pontosan mit kell keresnie egy képen, amit az algoritmus lát. Röviden, az alapvető feladatok automatizálása egy AI-algoritmus segítségével pontosan az, amire kiképzik őket, és gyakran sokkal jobban képesek elvégezni, mint bármely ember.

A számítógépes rendszerek azokkal az adatokkal kezdik, amelyekkel megetetik őket, hogy hatékony AI-algoritmust fejlesszenek ki. Az adatoknak jól strukturáltnak kell lenniük, ami azt jelenti, hogy az adatpontok rendelkeznek egy megjegyzéssel vagy címkével, valamivel, amit az algoritmus felismer. Miután az algoritmus elegendő adathalmazt és azok megjegyzéseit látta, a rendszer teljesítményét értékelik a pontosság ellenőrzése érdekében, akárcsak a diákok vizsgáinál. Ezek a “vizsgák” általában olyan tesztadatok bevitelét foglalják magukban, amelyekre a rendszer már tudja a választ. Ez lehetővé teszi a felhasználó számára, hogy ellenőrizze az algoritmus képességét a helyes válasz kiszámítására. Az algoritmus módosítható, további adatokkal táplálható, vagy a teszteredményeket követően ki lehet vezetni.

Számos olyan algoritmus létezik, amely képes adatpontokból tanulni. Az egészségügyben számos AI-alkalmazás olvas be valamilyen adatot, legyen az képalapú (például MRI-vizsgálatok vagy szövetminták képei) vagy számszerű (például vérnyomás vagy szívritmus). Az algoritmusok beolvassák és tanulnak az adatokból, majd továbbmennek, hogy valószínűségi vagy osztályozási eredményt adjanak. Az eredmény lehet például egy szövetminta rákos vagy nem rákos megjelölése, vagy annak valószínűsége, hogy a betegnek artériás vérrögje van, amit a vérnyomás és a szívfrekvencia adatai mutatnak. Az egészségügyi alkalmazásokban az algoritmus teljesítményét összehasonlítják az orvos teljesítményével, hogy megállapítsák, hogy a diagnózis egyezik-e, és hogy a klinikán elfogadható-e az algoritmus értéke és képessége.

A mesterséges intelligencia legújabb alkalmazásai az orvostudományban

Az orvosi rendszerekben keletkező hatalmas adatmennyiségek és a számítógépes teljesítmény párosításában elért legújabb előrelépések segítenek abban, hogy az egészségügyi rendszerek készen álljanak a mesterséges intelligencia alkalmazására. Az alábbiakban két legfrissebb alkalmazást mutatunk be. Ezek mind klinikailag releváns és pontos algoritmusok, és a diagnózis egyszerűbbé tételével mind az orvosok, mind a betegek számára előnyösek lehetnek.

Az első algoritmus egy létező példa egy olyan algoritmusra, amely meghaladja az orvosok képességeit a képosztályozási feladatokban. A Szöuli Nemzeti Egyetem Kórház és Orvosi Főiskola kutatói 2018 őszén alkották meg a DLAD (Deep Learning based Automatic Detection) nevű mesterséges intelligencia-algoritmust. Az algoritmus mellkasi röntgenfelvételeket elemez, és segít megtalálni a rendellenes sejtnövekedést, például a potenciális rákos megbetegedéseket. Az algoritmus teljesítményét összehasonlították több orvos visszatartó képességének eredményeivel ugyanazon a képen, és a 18 orvos közül 17-et felülmúlt az AI.
A következő algoritmust szintén 2018 őszén alkották meg a Google AI Healthcare kutatói. LYNA (Lymph Node Assistant) néven kifejlesztettek egy tanulási algoritmust, amely nyirokcsomó-biopsziákból azonosítja az áttétes mellrákos daganatokat. Ez az algoritmus nem az első a maga nemében, amely ilyen típusú elemzéssel próbálkozik. Érdekes módon ez az algoritmus olyasmit tesz, amire az emberi szem nem képes: megtalálja a gyanús régiókat a megadott biopsziamintákban. A LYNA-t két adatbázisban használták tesztelésre, és mindkettő azt mutatta, hogy a rendszer az esetek 99%-ában helyesen azonosítja a mintát rákosnak vagy nem rákosnak. Ráadásul a LYNA a felére csökkentette az átlagos diavetítési időt, amikor az orvosok a szövetminták szokásos elemzésével együtt használták.
A DLAD és a LYNA kiváló példái azoknak az algoritmusoknak, amelyek segíthetik az orvosokat a beteg és egészséges minták osztályozásában azáltal, hogy fontos képi jellemzőkkel látják el az orvosokat, amelyeket alaposabban meg kell vizsgálni. Ezek a példák jól szemléltetik az algoritmusok leendő erősségeit az egészségügyben, akkor miért tartják vissza őket a klinikai felhasználástól? Ez a nagy kérdés, amire még nem kaptunk választ.