Ekspercka AI zamiast „dr. Google” wesprze lekarzy

Są tańsze do trenowania, szybsze w działaniu i mogą działać bez zaplecza rozbudowanej infrastruktury IT. To przewagi małych i wyspecjalizowanych modeli sztucznej inteligencji nad dużymi i ogólnymi. Twórcy Xlungs – polskiej platformy, która wspiera lekarzy w analizie obrazów płuc – zwracają też uwagę, że modele AI stosowane w medycynie, w przeciwieństwie do chatbotów, bazują na wiedzy naukowców, a nie na treściach z internetu.

Obecną falę zainteresowania AI zawdzięczamy głównie dużym modelom językowym (Large Language Models – LLM), o których zrobiło się głośno po pojawieniu się ChatGPT w 2022 r. Potrafi on programować, tłumaczyć teksty na dowolny język, planować podróże, generować grafiki, rozwiązywać równania matematyczne czy streszczać fabułę książek. W swojej erudycji jest jednak tylko tak mądry, jak mądre są ogólnodostępne treści w internecie, które wcześniej „przeczytał”. Przy zadaniach dla bardziej zaawansowanych zarówno ten, jak i inne LLM-y zaczynają robić uniki albo odpływają w halucynacje.
To jeden z powodów, dla których eksperci spodziewają się, że niebawem szczyt możliwości AI wyznaczać będzie już nie funkcjonalność chatbotów do wszystkiego, a to, co potrafią wyspecjalizowane narzędzia, w których sztuczna inteligencja bazuje na pracy naukowców.

Potrafimy tworzyć agentów AI

– Jako kraj próbujemy dołączyć do wyścigu AI, budując własne LLM-y. To cenne inicjatywy, jednak w tej konkurencji dysponujemy ograniczonymi zasobami, które nie pozwalają na bezpośrednią rywalizację z takimi potęgami jak USA czy Chiny. Możemy za to z powodzeniem tworzyć wyspecjalizowanych agentów AI w oparciu o badania dziedzinowe prowadzone na naszych uczelniach i pozyskiwane w nich dane – zauważa dr hab. inż. Marcin Luckner, kierownik prac deweloperskich w projekcie Xlungs z Politechniki Warszawskiej.

Deloitte w opublikowanym na koniec 2024 r. raporcie „The State of Generative AI in the Enterprise” stwierdza, że tempo rozwoju generatywnej AI zbliża się do „ograniczenia prędkości” ze względu na bariery technologiczne i instytucjonalne. Jednocześnie raport zwraca uwagę, że szybko przybywa agentów AI, czyli małych systemów wyspecjalizowanych w autonomicznym wykonywaniu serii konkretnych zadań.

– Przykładem wyspecjalizowanego podejścia jest nasz projekt Xlungs. Narzędzie zbudowane przy współpracy radiologów i inżynierów w celu analizy obrazów tomografii komputerowej płuc wyuczone zostało tylko przy użyciu danych medycznych, więc nie może rozpoznawać twarzy czy generować dowolnych rysunków. Jednak to, do czego zostało stworzone, segmentacja organów i rozpoznawanie występujących na nich anomalii, wykonuje lepiej niż ogólny model – ocenia dr hab. inż. Marcin Luckner.

Zdrowie kluczowym obszarem dla specjalistycznej AI

Pod koniec 2023 r. badacze z Long Island University w USA poprosili ChatGPT o rozwiązanie 39 zagadnień medycznych opartych na prawdziwych sytuacjach, z którymi stykają się pracownicy ochrony zdrowia. Następnie diagnozy AI zweryfikowali uniwersyteccy naukowcy. Stwierdzili, że tylko w 10 przypadkach GPT rozwiązała zadanie prawidłowo. Odpowiedzi na pozostałe zagadnienia były zaś niepełne, niedokładne lub były próbą ominięcia pytania.

Wyniki mogą niepokoić w związku pojawieniem się zjawiska „autodiagnozowania się” za pomocą LLM-ów, które stało się kontynuacją „dr. Google”, czyli wpisywania objawów w wyszukiwarkę, by uzyskać „poradę” czy „diagnozę”. Jednocześnie przybywa doniesień, że z pomocy AI korzystają również lekarze.

Xlungs przykładem eksperckiej medycznej AI

Platforma Xlungs, która należy do grona narzędzi wyspecjalizowanych w jednym wycinku wiedzy, powstała w oparciu o zupełnie inną filozofię trenowania AI. Naukowcy z zespołu Politechniki Warszawskiej nawiązali współpracę z Dziecięcym Szpitalem Klinicznym w Warszawie i Polską Grupą Raka Płuca, w ramach której uzyskali dostęp do ok. 40 tys. płyt CD z tomografii komputerowej polskich pacjentów z lat 2010-2018, m.in. z badań przesiewowych w kierunku raka płuca. Wykorzystali je do przeprowadzenia treningu AI, tworząc model AI oparty na największej na świecie 40-terabajtowej bazie zdjęć klatki piersiowej. Zespół MI².AI pracował nad jego stworzeniem przez 3 lata, a zaangażowane do tego zadania procesory potrzebowały ponad 180 tys. godzin obliczeń. Realizacja projektu była możliwa dzięki finansowaniu przez NCBiR w ramach konkursu „Infostrateg I”.

– Nie skreślałbym zupełnie możliwości wykorzystania ogólnych LLM-ów w ochronie zdrowia, ale prawdziwym wsparciem lekarzy w niedalekiej przyszłości będą małe i dedykowane rozwiązania oparte na wiedzy znacznie głębszej niż można pozyskać z internetu. Narzędzia takie jak Xlungs mają dodatkowe zalety – są na tyle małe, że można je uruchomić na istniejących serwerach szpitali lub dostawców usług. Nie wymaga to budowania nowych centrów danych za kilka miliardów dolarów ani nowych elektrowni, które je zasilą – podkreśla Przemysław Biecek, kierownik projektu i lider zespołu MI².AI.

Źródło: informacja prasowa

Czytaj także: AI, która tłumaczy swoje decyzje – podejście polskich naukowców do analizy obrazów płuc docenione za granicą