Kai algoritmas pradeda „matyti” tai, ko nepamato žmogaus akis
Medicina visada buvo menas ir mokslas vienu metu. Gydytojas žiūri į rentgeno nuotrauką, analizuoja simptomus, klausia paciento apie jo gyvenimo būdą – ir tada, remdamasis dešimtmečiais sukaupta patirtimi, priima sprendimą. Bet ką daryti, kai tų dešimtmečių nepakanka? Kai duomenų yra tiek daug, kad žmogaus smegenys tiesiog fiziškai negali jų apdoroti per priimtiną laiką?
Čia į žaidimą įeina dirbtinis intelektas. Ne kaip gydytojo pakaitalas – tai svarbu suprasti nuo pat pradžių – bet kaip įrankis, galintis apdoroti milijonus medicininių atvejų per sekundes ir rasti šablonus, kurių žmogus paprasčiausiai nepastebėtų. Ir tai ne ateities muzika. Tai vyksta dabar, šiandien, ligoninėse visame pasaulyje.
Kaip DI iš tikrųjų veikia medicininėje diagnostikoje
Pirmiausia reikia išsklaidyti mitą, kad DI kažkaip „mąsto” kaip gydytojas. Tai ne taip. Medicininėje diagnostikoje dažniausiai naudojami giluminio mokymosi (angl. deep learning) modeliai, ypač konvoliuciniai neuroniniai tinklai (CNN), kurie yra ypač efektyvūs analizuojant vaizdus.
Kaip tai veikia praktiškai? Modelis „pamaitinamas” šimtais tūkstančių, kartais milijonais, anotuotų medicininių vaizdų – rentgeno nuotraukų, MRT skenavimų, histologinių preparatų nuotraukų. Kiekvienam vaizdui ekspertai priskiria žymę: „čia yra navikas”, „čia sveika audinys”, „čia matosi ankstyvoji diabetinė retinopatija”. Modelis mokosi atpažinti šiuos šablonus, ir po milijonų iteracijų jis tampa pakankamai tikslus, kad galėtų savarankiškai klasifikuoti naujus, nematytu vaizdus.
Tačiau ne tik vaizdai. Natūralios kalbos apdorojimas (NLP) leidžia DI analizuoti pacientų medicininius įrašus, gydytojų pastabas, laboratorinių tyrimų rezultatus ir net mokslinę literatūrą. Tokie modeliai kaip GPT architektūros pagrindu sukurti medicininiai asistentai gali „perskaityti” tūkstančius mokslinių straipsnių ir pateikti gydytojui suvestinę apie konkretų atvejį.
Onkologija – sritis, kur DI jau keičia žaidimo taisykles
Jei norėtum parodyti vieną sritį, kur DI diagnostika pasiekė labiausiai apčiuopiamų rezultatų, tai būtų onkologija. Ir tai logiška – vėžio diagnostika labai priklauso nuo vaizdinės analizės, o tai yra būtent ta sritis, kur DI modeliai demonstruoja išskirtinį tikslumą.
Odos vėžio atpažinimas yra vienas geriausių pavyzdžių. 2017 metais Nature žurnale paskelbtas tyrimas parodė, kad Stanford universiteto sukurtas CNN modelis atpažino melanomą tokiu pat tikslumu kaip 21 sertifikuotas dermatologas. Tai buvo tikras lūžio taškas – ne todėl, kad DI „nugalėjo” gydytojus, bet todėl, kad parodė, jog algoritmas gali būti patikimas diagnostikos partneris.
Krūties vėžio diagnostika – dar viena sritis. Google DeepMind sukurtas modelis, analizuojantis mamografijos nuotraukas, sumažino klaidingų teigiamų rezultatų skaičių 5,7% ir klaidingų neigiamų – 9,4%, palyginti su radiologais. Skaičiai gali atrodyti nedideli, bet kai kalbame apie milijonus tyrimų per metus, tai reiškia tūkstančius moterų, kurioms laiku bus diagnozuotas vėžys arba kurios bus išvengusios nereikalingų biopsijų.
Plaučių vėžio atveju DI jau naudojamas kliniškai. Sistemos kaip Veracyte ar Tempus analizuoja ne tik vaizdus, bet ir genomikos duomenis, kad nustatytų, koks gydymas bus efektyviausias konkrečiam pacientui. Tai jau ne tik diagnostika – tai personalizuota medicina.
Oftalmologija ir kardiologija – du skirtingi sėkmės scenarijai
Oftalmologijoje DI diagnostika praktiškai jau tapo standartu kai kuriose šalyse. Diabetinė retinopatija – viena pagrindinių suaugusiųjų aklimo priežasčių pasaulyje – ilgą laiką buvo diagnozuojama per vėlai, nes specializuotų gydytojų trūksta, ypač besivystančiose šalyse. Google sukurta sistema IDx-DR buvo pirmoji DI diagnostikos sistema, kurią JAV FDA patvirtino autonominiam naudojimui – tai reiškia, kad ji gali pateikti diagnozę be gydytojo dalyvavimo.
Praktinis patarimas gydytojams ir medicinos įstaigoms: jei jūsų klinikoje yra daug diabeto pacientų, bet trūksta oftalmologo, IDx-DR tipo sistemos gali būti ne prabanga, o būtinybė. Sistema reikalauja tik tinklainės nuotraukos ir interneto ryšio – rezultatas gaunamas per kelias minutes.
Kardiologijoje situacija kiek kitokia ir įdomesnė. EKG analizė – tai sritis, kur DI ne tik pasivijo, bet ir kai kuriais atvejais pralenkė kardiologus. Mayo Clinic tyrimas parodė, kad jų sukurtas algoritmas gali nustatyti asimptominę kairiojo skilvelio disfunkciją – būklę, kuri dažnai nesukelia jokių simptomų, kol netampa kritiška – tiesiog iš standartinės EKG. Žmogaus akiai šios subtilios EKG pokyčiai praktiškai nematomi.
Tačiau kardiologijoje DI susiduria su specifiniu iššūkiu: širdies ritmo sutrikimai gali būti labai trumpalaikiai, ir tradiciniai tyrimai jų neužfiksuoja. Čia į pagalbą ateina nešiojami įrenginiai su integruotu DI – Apple Watch jau turi FDA patvirtintą algoritmą prieširdžių virpėjimo nustatymui. Tai reiškia, kad diagnostika išeina iš ligoninės sienų ir tampa nuolatine.
Radiologija ant lūžio taško
Radiologai turbūt labiausiai jaučia DI spaudimą iš visų medicinos specialistų. Ir tai suprantama – jų darbas iš esmės yra vaizdų interpretavimas, o tai yra būtent tai, ką DI daro geriausiai.
Bet čia svarbu nepanikuoti ir pažiūrėti į situaciją blaiviai. DI radiologijoje šiuo metu geriausiai tinka:
- Triažui – automatiškai pažymėti kritiškai svarbius atvejus, kurie turi būti peržiūrėti nedelsiant. Sistema gali „pamatyti” galimą insulto požymį CT skane ir automatiškai perkelti jį į eilės viršų.
- Kiekybinei analizei – išmatuoti naviko dydį, stebėti jo augimą dinamikoje, palyginti su ankstesniais tyrimais. Tai nuobodus, bet svarbus darbas, kurį DI atlieka greičiau ir tiksliau.
- Pirminiam filtravimui – krūtinės ląstos rentgeno nuotraukų analizė plaučių patologijoms nustatyti, ypač ten, kur radiologų trūksta.
Tačiau radiologas išlieka būtinas kontekstui. DI nemato paciento, nežino jo istorijos, negali paklausti, ar jis rūko, ar turėjo traumą. Algoritmas gali rasti anomaliją, bet radiologas turi nuspręsti, ką ji reiškia konkrečiam žmogui.
Praktinė rekomendacija radiologijos skyriams: diegiant DI sistemas, pradėkite nuo triažo ir kiekybinės analizės – čia nauda akivaizdžiausia ir rizika mažiausia. Autonominę diagnostiką palikite ateičiai, kai reguliacinė aplinka bus aiškesnė.
Kur DI klysta ir kodėl tai svarbu žinoti
Būtų neatsakinga kalbėti apie DI diagnostiką nekalbant apie jos apribojimus ir klaidas. Ir čia slypi vienas iš svarbiausių aspektų, kurį turi suprasti tiek gydytojai, tiek pacientai.
Pirmoji problema – duomenų šališkumas (angl. bias). DI modeliai mokosi iš duomenų, ir jei tie duomenys nėra reprezentatyvūs, modelis bus šališkas. Klasikinis pavyzdys: daugelis odos ligų diagnostikos modelių buvo treniruoti daugiausia ant šviesiaodžių pacientų nuotraukų. Rezultatas? Jie prasčiau atpažįsta tas pačias ligas tamsesnės odos žmonėms. Tai ne technologinė problema – tai duomenų rinkimo problema, kurią galima išspręsti, bet reikia apie ją žinoti.
Antroji problema – „juodosios dėžės” efektas. Daugelis giluminio mokymosi modelių negali paaiškinti, kodėl jie priėmė konkretų sprendimą. Jie tiesiog sako: „čia yra navikas” – ir viskas. Gydytojui tai sukelia pagrįstą diskomfortą: kaip pasitikėti sistema, kuri negali paaiškinti savo logikos? Šiai problemai spręsti kuriami vadinamieji XAI (Explainable AI) metodai, kaip Grad-CAM, kurie vizualiai parodo, į kokias vaizdo sritis algoritmas atkreipė daugiausia dėmesio.
Trečioji problema – distribucijos poslinkis. Modelis, apmokytas ant vienos ligoninės duomenų, gali prastai veikti kitoje ligoninėje, kur naudojami skirtingi skenavimo aparatai, skirtingi protokolai, skirtinga pacientų populiacija. Tai reiškia, kad kiekviena nauja diegimo vieta reikalauja papildomo validavimo – ir tai kainuoja laiko ir pinigų.
Ketvirtoji, ir galbūt subtiliausia, problema – automatizacijos inercija. Tyrimai rodo, kad kai gydytojai naudoja DI kaip pagalbą, jie linkę per daug pasitikėti algoritmo sprendimu, net kai jų pačių intuicija sako kitaip. Tai pavojinga, nes DI turėtų būti antras nuomonė, o ne autoritetas.
Reguliacinė aplinka ir etikos klausimai – tai ne biurokratija, tai apsauga
Kalbant apie DI medicininę diagnostiką, neįmanoma apeiti reguliacinių ir etinių klausimų. Ir čia daugelis technologų daro klaidą – jie mato reguliavimą kaip kliūtį inovacijoms. Bet medicina nėra ta sritis, kur galima taikyti „judėk greitai ir laužyk dalykus” principą.
JAV FDA sukūrė specialų reguliacinį kelią medicininei DI programinei įrangai – vadinamąjį Software as a Medical Device (SaMD) reguliavimą. Europoje veikia MDR (Medical Device Regulation), kuris taip pat apima DI diagnostikos sistemas. Lietuva, kaip ES narė, privalo laikytis MDR reikalavimų.
Ką tai reiškia praktiškai? Jei ligoninė nori diegti DI diagnostikos sistemą, ji turi įsitikinti, kad sistema turi atitinkamus sertifikatus. Negalima tiesiog parsisiųsti algoritmo iš GitHub ir pradėti naudoti pacientų diagnostikai – tai ir nelegalu, ir pavojinga.
Etikos klausimai yra dar sudėtingesni. Kas atsako, kai DI suklysta ir pacientas gauna neteisingą diagnozę? Gydytojas, kuris pasitikėjo algoritmu? Įmonė, kuri sukūrė algoritmą? Ligoninė, kuri jį naudojo? Šie klausimai dar nėra galutinai išspręsti nei teisiškai, nei etiškai.
Duomenų privatumas – atskira tema. DI modeliai reikalauja milžiniškų duomenų kiekių mokymui. Tie duomenys yra pacientų medicininiai įrašai – jautriausia asmeninė informacija. BDAR (Bendrasis duomenų apsaugos reglamentas) nustato griežtas taisykles, kaip šie duomenys gali būti naudojami, ir tai yra teisinga.
Kai diagnostika tampa partnerystė – ateitis, kuri jau prasidėjo
Grįžkime prie esminio klausimo: ar DI pakeis gydytojus? Atsakymas, kurį duoda ir tyrimai, ir praktika, yra aiškus – ne. Bet jis tikrai pakeis tai, ką gydytojai daro ir kaip jie tai daro.
Geriausi rezultatai pasiekiami ne tada, kai DI veikia vietoj gydytojo, ir ne tada, kai gydytojas ignoruoja DI – o tada, kai jie dirba kartu. Tyrimas, atliktas su krūties vėžio diagnostika, parodė, kad radiologas kartu su DI sistema pasiekė geresnių rezultatų nei vienas radiologas arba vienas DI. Tai vadinama „augmented intelligence” – ne dirbtinis intelektas, kuris pakeičia žmogų, bet dirbtinis intelektas, kuris sustiprina žmogaus galimybes.
Ką tai reiškia gydytojams praktiškai? Reikia mokytis dirbti su šiais įrankiais – suprasti jų stiprybes ir silpnybes, žinoti, kada pasitikėti algoritmu ir kada jo abejoti. Medicinos universitetai jau pradeda integruoti DI raštingumą į mokymo programas, ir tai yra teisingas žingsnis.
Pacientams tai reiškia, kad diagnostika taps greitesnė, tikslesnė ir prieinamesnė. DI gali padėti sumažinti nelygybę sveikatos priežiūroje – jei algoritmas gali atlikti pirminę diagnostiką ten, kur nėra specialistų, tai yra milžiniškas žingsnis į priekį besivystančioms šalims ir atokioms vietovėms.
Technologijų kūrėjams – o tai ypač svarbu – reikia suprasti, kad medicininė DI nėra kaip kita programinė įranga. Čia klaidos kainuoja ne prarasto laiko ar pinigų, o žmonių gyvybių. Tai reiškia, kad validavimas, skaidrumas ir atsakomybė nėra pasirenkamos savybės – jos yra būtinos.
Galiausiai, DI medicininėje diagnostikoje yra ne revoliucija, kuri viską apvers per naktį, o evoliucija, kuri jau vyksta ir kuri keičia mediciną iš vidaus. Kiekvienas naujas patvirtintas algoritmas, kiekvienas sėkmingas klinikinis tyrimas, kiekvienas pacientas, kuriam laiku buvo nustatyta diagnozė – tai yra šios evoliucijos žingsniai. Ir svarbiausia, ką galime padaryti – suprasti šią technologiją pakankamai gerai, kad galėtume ją naudoti išmintingai.
