Áno, ale…
Mnohí z vás určite v ostatnom čase zaregistrovali správy o vzostupe umelej inteligencie, a špeciálne o jej využití v zdravotníctve. Koniec koncov, aj my sme sa tejto téme už venovali. Napriek aktuálnemu rozruchu je však potrebné mať na pamäti, že väčšina takýchto článkov sa venuje skôr budúcemu potenciálu umelej inteligencie v zdravotníctve, nie dnešnej realite. V nemocniciach je totiž umelá inteligencia v súčasnosti využívaná oveľa menej, než sa pri pohľade do masmédií môže zdať.
Dan Elton niekoľko rokov pracoval v Klinickom centre Národného inštitútu zdravia v Spojených štátoch, kde skúmal využitie umele inteligencie v oblasti rádiológie. O skutočnom stave využitia umelej inteligencie v tejto oblasti má teda lepší prehľad než drvivá väčšina ľudí. Svoj pohľad na túto problematiku zhrnul v článku „AI for medicine is overhyped right now“. Aj keď Elton súhlasí, že umelá inteligencia má veľký potenciál do budúcnosti, pripomína, že jej v ceste stoja rôzne prekážky, na ktorých si v minulosti vylámali zuby aj viaceré technologické giganty.
Prvým takýmto prípadom, ktorý Elton spomína, je projekt spoločnosti Google s názvom Verily Health Sciences. Cieľom projektu bolo vyvinúť umelú inteligenciu, ktorá by zo snímky oka pacienta vedela diagnostikovať retinopatiu (chorobu ciev sietnice). V testovacej fáze systém dosiahol podľa vývojárov úspešnosť viac než 90 % – výsledok na úrovni lekára. Keď však bola ich umelá inteligencia prvý krát vyskúšaná „v teréne“ – v Thajsku – ukázali sa jej nedostatky. Umelá inteligencia bola totiž testovaná na kvalitných snímkach, ktoré neboli porovnateľné so snímkami vyhotovenými zdravotníkmi v thajských nemocniciach. Výsledkom bolo, že umelá inteligencia odmietla vyhodnotiť 21 % snímok a pri ostatných bola jej úspešnosť nižšia v porovnaní s bežným diagnostickým testovaním.
Umelá inteligencia si počínala horšie než človek aj pri odhaľovaní rakoviny prsníka pri mamografii. Podľa Eltona pritom ide o v súčasnosti najpreskúmanejšiu aplikáciu počítačov v zobrazovacích metódach – výskum v tejto oblasti sa datuje už od poslednej dekády minulého storočia. Hoci ani lekári v tejto oblasti nie sú neomylní (rádiológovia prehliadnu približne 16 % prípadov rakoviny prsníka), stále majú lepšie výsledky ako umelá inteligencia. Podľa metaštúdie zo septembra 2021 bolo až 94 % systémov umelej inteligencie menej presných ako jeden rádiológ, a všetky boli menej presné ako konsenzus dvoch alebo viacerých rádiológov.
Tretím prípadom, na ktorý Elton poukazuje, je umelá inteligencia Watson Health od spoločnosti IBM. Cieľom projektu bolo vyvinúť systém, ktorý by na základe údajov z elektronických zdravotných záznamov odporúčal spôsob liečby. V čase najväčšieho rozmachu na projekte Watson Health pracovalo až 7 000 ľudí a len samotné akvizície vykonané spoločnosťou IBM na vybudovanie projektu dosiahli hodnotu 5 miliárd dolárov. Vyvinutá umelá inteligencia však nedokázala preraziť v klinickom prostredí (hoci pokusy boli, aj na Slovensku). Nakoniec IBM svoj projekt predalo „na súčiastky“ – investičná spoločnosť Francisco Partners odkúpila niektoré dáta a analytické nástroje dokopy za 1 miliardu dolárov.
Všetky z týchto neúspešných pokusov dokazujú, že mnohé technológie ešte nie sú dostatočne vyspelé na zakomponovanie do každodenného používania. Umelá inteligencia skrátka ešte nie je dostatočne inteligentná. Elton vysvetľuje, že nové technológie sú testované v podmienkach, ktoré nezodpovedajú podmienkam reálneho sveta. V oblasti rádiológie, ktorej sa Elton venuje, je z pohľadu umelej inteligencie napríklad problematické, že snímky vyhotovené v nemocniciach sa líšia na základe použitých modelov skenerov, ich nastavení a ďalších technologických parametrov. Navyše do vyhotovovania snímok v podmienkach reálneho sveta môže vstúpiť aj ľudský faktor – snímka môže byť napríklad mierne rozmazaná kvôli pohybu pacienta, prípadne je zhotovená z netradičného uhla. Zatiaľ čo pre doktorov tieto variácie nepredstavujú problém, umelá inteligencia sa s nimi často nedokáže vyrovnať.
Lenže problém nespočíva len vo vyvinutí funkčnej umelej inteligencie. Aj ak by sme takúto technológiu k dispozícií mali, jej implementácia do nemocníc by bola zložitá. Elton vysvetľuje, že rádiologické oddelenia poväčšine nemajú k dispozícií softvéry, ktoré by dokázali zobrazovať výsledky zhotovené umelou inteligenciou. Ďalšou prekážkou je, že nemocnicami používané programy nie sú štandardizované, čo znovu sťažuje vyvinutie široko využiteľnej umelej inteligencie. A problémom je aj to, že súčasná umelá inteligencia vie pracovať len s veľmi špecifickými typmi snímok (napr. čelný röntgen hrudníka alebo CT brucha s kontrastom).
Elton proces (prípadnej) adaptácie kvôli implementácií umelej inteligencie prirovnáva k adaptácií cestnej infraštruktúry tak, aby bola využiteľná aj pre elektromobily. Rovnako ako sa musí zmeniť cestná infraštruktúra, tak aj nemocničné softvéry a IT infraštruktúra by museli prejsť výraznou revíziou. Keďže však nemocnice vo všeobecnosti nemajú k dispozícií nadbytok finančných prostriedkov, návratnosť takejto investície by musela byť nevyvrátiteľná.
Na záver svojho článku Elton predpovedá, že vedecký pokrok potrebný k zdokonaleniu umelej inteligencie využívanej v oblasti rádiológie nastane počas najbližších 10 – 20 rokov. Ako však sám naznačil, samotné vytvorenie umelej inteligencie ešte nie je „víťazstvom“ – podstatnú rolu hrá aj implementácia do zdravotného systému, ktorá môže byť z viacerých dôvodov problematická (okrem spomínaných technických bariér hrá rolu napríklad aj to, že s každým ďalším neúspechom sa voči využitiu umelej inteligencie stávajú čoraz viac skeptickými aj samotní doktori).
Umelá inteligencia v medicíne má sľubné vyhliadky, no čaká ju ešte dlhá cesta. Nemôžeme čakať, že zajtra vyrieši všetky problémy zdravotníctva.
Spracované podľa AI for medicine is overhyped right now.
Autor: Matej Barta, INESS.