Sztuczna inteligencja w medycynie – szanse i zagrożenia

Sztuczna inteligencja w ochronie zdrowia stała się ważnym narzędziem, które nie przestaje się rozwijać. Jednocześnie wspiera pracowników medycznych m.in. w diagnozowaniu, zastosowaniu odpowiednich metod leczenia oraz prowadzeniu dokumentacji medycznej, co może prowadzić do lepszej dostępności i jakości świadczonych usług medycznych.

Gdyby chcieć poszukiwać informacji na temat obecnego zastosowania czy przyszłej perspektywy korzystania z zaawansowanej sztucznej inteligencji w medycynie i ochronie zdrowia, to same źródła zebrane w bazie Google Scholar natychmiast wskażą nam ponad 3000 publikacji w języku polskim, a wyszukiwarka Web of Science zaprowadzi nas do kolejnych ponad 5000 artykułów w języku angielskim. To dowodzi bezsprzecznie, że temat sztucznej inteligencji (dalej także jako AI – ang. artificial intelligence) jest szeroko rozpoznany i omówiony, zarówno w literaturze naukowej, jak i popularnej.

Ciągle jednak jako społeczeństwo zastanawiamy się, na jakim etapie rozwoju AI znajdujemy się, jak bardzo rozwiązania te są już obecne w medycynie i ochronie zdrowia, czy należy się ich obawiać, czy raczej szeroko wykorzystywać w pracy profesjonalistów medycznych i polityków zdrowotnych. Aby na te pytania odpowiedzieć, należy najpierw dokonać pewnego uporządkowania definicyjnego. Otóż, mówiąc o sztucznej inteligencji, mówimy o możliwości zastosowania sieci neuronowych maszyn (komputerów) do uczenia się na podstawie doświadczenia, dostosowywania się do nowych danych wejściowych i wykonywania zadań podobnych do ludzkich. Mowa tu z jednej strony o modelach tekstowych, które na podstawie pytania udzielą odpowiedzi, ale też o modelach decyzyjnych, które w oparciu o szereg czasem bardzo obszernych danych będą w stanie sparametryzować określone czynniki i zaproponować podjęcie decyzji. Nierzadko też same podejmują te decyzje w sposób zautomatyzowany.

Wydaje się, że tak zdefiniowana sztuczna inteligencja jest trudna do zrozumienia, szczególnie dla laika, być może więc dlatego wydaje się niebezpieczna, przywodzi na myśl filmy z gatunku science fiction, w których maszyny przejmują władzę nad niedoskonałością ludzi. Tymczasem AI stała się już dzisiaj narzędziem, które towarzyszy ludziom, jest obecne w codziennym ich życiu i nierzadko zastępuje człowieka albo powoduje, że jego percepcja rzeczywistości jest dokładniejsza i bardziej precyzyjna. Chociaż nie można nie dostrzegać, że jest ona tak doskonała jak dane, którymi została zasilona i na podstawie których opracowała określone algorytmy postępowania, bo za jakość tych danych wejściowych, odpowiednie ich przełożenie na język maszynowy odpowiada człowiek, który określonych rozwiązań dostarczył. Nie zapominajmy, że AI nie tworzy nowych rozwiązań, ale analizując dostępne dane i doświadczenia, zbiera istniejące już informacje, generuje odpowiedzi i prezentuje wyniki w oczekiwanej formie.

Współczesność pierwszej połowy XXI wieku ugruntowała już takie rozwiązania technologiczne, jak autonomiczne samochody, które z powodzeniem mogłyby już dzisiaj samodzielnie poruszać się w przestrzeni miejskiej dzięki wbudowanym czujnikom i mechanizmom obliczeniowym, jednak ze względu na obawy ludzi, brak odpowiednich przepisów, jeszcze nie są dopuszczone (poza pewnymi wyjątkami na zamkniętych terenach) do codziennego użytkowania. Stanowi to przykład ostrożnego podejścia do wykorzystania AI w codziennym życiu, bo pomimo tego, że wiemy o jej istnieniu, mamy pewne obawy przed oddaniem samochodom „decyzji” co do samodzielnego poruszania się po ulicach.

Mamy także rozpowszechnione modele tekstowe AI, które pierwotnie dostępne tylko informatykom, dzisiaj są używane praktycznie przez każdego, począwszy od studenta (np. do pisania prac zaliczeniowych i prezentacji), poprzez autorów tekstów (chociaż ten tekst pisany był osobiście), aż po profesjonalistów i naukowców, którzy wykorzystują modele tekstowe do pisania albo do poprawiania prac naukowych i badawczych. Dostępność tych narzędzi, ich niski koszt nawet w przypadku, gdy są płatne, nie stanowi problemu dla użytkowników. W tej samej grupie narzędzi AI są także modele graficzne, które generują obrazy, filmy, na podstawie promptów (zapytań) przygotowują wyniki bardziej lub mniej doskonałe, ale z pewnością przy dużej mocy obliczeniowej i ograniczeniu etycznego wykorzystaniu wizerunku, mogą być niebezpieczne z wielu względów. Znane są już przypadki nałożenia twarzy znanych postaci na filmy czy zdjęcia kompromitujące, czy świadczące o popełnieniu wykroczenia i przestępstwa. Z tego punktu widzenia sztuczna inteligencja staje się ważnym graczem w codziennym życiu.

Medycyna i ochrona zdrowia to obszary, które są ugruntowane we współczesności, a więc byłoby dziwne, gdyby wobec tak dynamicznego rozwoju sztucznej inteligencji stroniły od ich wykorzystania. Tak więc jest oczywiste, że zarówno medycyna (obszar diagnozowania, leczenia, poprawy jakości życia pacjentów), jak i ochrona zdrowia (rozumiana jako system opieki medycznej, epidemiologia, zdrowie publiczne, finansowanie, organizacja) czerpią garściami z możliwości, jakie niesie z sobą uczenie maszynowe i sztuczna inteligencja.

W niniejszym artykule przedstawimy zaledwie kilka z nich, tak aby ukazać szerokie podejście współczesnych praktyków ochrony zdrowia (zarówno po stronie profesjonalistów medycznych, jak i organizatorów systemu) do wykorzystania AI w codzienności.

Tomasz Puzio
lekarz, specjalista radiologii i diagnostyki obrazowej
w ICZMP (Instytut Centrum Zdrowia Matki Polki) w Łodzi
dyrektor medyczny w Pixel Technology sp. z o.o.

Radiologia i diagnostyka obrazowa (opierające się głównie na interpretacji obrazów), bez których nie może się obyć współczesna medycyna, są pod tym względem w nieco lepszej sytuacji. Istniejące szpitalne systemy RIS (ang. Radiology Information System) to obszary od dawna skomputeryzowane. To właśnie w nich przechowuje się dane obrazowe, zapisane w uniwersalnym standardzie DICOM (ang. Digital Imaging and Communications in Medicine). Ujednolicony standard danych obrazowych w znacznym stopniu ułatwia tworzenie zbiorów, a w konsekwencji także trening sieci neuronowych. Zadania sieci neuronowych to analiza obrazów, ich klasyfikacja, detekcja elementów, a także segmentacja. Warto wspomnieć, że sieci te cieszą się obecnie wielkim zainteresowaniem współczesnej medycyny z uwagi na lawinowy wzrost wykonywanych badań obrazowych oraz wzrost ich dokładności.

20 lat temu standardowy rezonans magnetyczny głowy zawierał ok. 3-5 sekwencji, co przekładało się na 60-80 skanów. Aktualnie takie badanie to często kilkanaście sekwencji i ponad 1000 skanów, czyli ogromne ilości informacji, które muszą być przeanalizowane przez radiologa. Fakt ten sprawia, że czas oczekiwania na wyniki badań znacznie się wydłuża, a medycyna musi szukać sposobu na odciążenie i skuteczne wsparcie radiologów. Sztuczna inteligencja mogłaby zatem przyspieszyć ten proces i poprawić dostępność opieki radiologicznej z korzyścią dla pacjentów i lekarzy. Wykrywanie pilnych patologii, szybkie wskazanie przypadków wymagających natychmiastowej interwencji oraz sygnalizacja radiologowi, że dane badanie należy opisać w pierwszej kolejności, to konkretne korzyści. Dodatkowo możliwość wykrywania istotnych patologii, które w warunkach dużego obciążenia pracą mogą zostać przeoczone, oraz ocena ilościowa zmian czy progresji pomiędzy badaniami, zapewniająca dokładniejsze informacje dla lekarzy klinicystów, są kolejnymi obszarami, w których sztuczna inteligencja może znacząco poprawić jakość opieki radiologicznej.

Biorąc pod uwagę stosunkowo, w porównaniu z innymi danymi medycznymi, wysoki stopień uporządkowania danych obrazowych, aktualnie już bardzo dobrze rozwinięte modele AI interpretujące obrazy oraz wymierne korzyści zarówno dla pacjentów, jak i ekonomiczne, radiologia będzie z całą pewnością wiodącym polem zastosowań AI w medycynie.

Czytaj też: Sztuczna inteligencja – jak to działa i gdzie leżą granice zaufania?