Algorytmy sztucznej inteligencji pomogą lekarzom, ale ich nie zastąpią

Czy, Pana zdaniem, istnieją szanse, że jeszcze za naszego życia SI przewyższy lekarzy w każdej dziedzinie związanej z medycyną?

Zdecydowanie nie. Odczyt obrazów medycznych to jedno z bardziej żmudnych i powtarzalnych zadań lekarzy. Nawet w radiologii, praca specjalisty jest dużo bardziej złożone niż tylko interpretacja obrazu. Np. radiologowie korelują zmienne kliniczne z obrazami, kontaktując się nieraz z lekarzem prowadzącym celem zrozumienia kontekstu pacjenta, uczestniczą w tzw. przedoperacyjnych konferencjach multidyscyplinarnych, przeprowadzają interwencje sterowane radiologicznie itd.

Takie algorytmy okazują się skuteczne tam, gdzie zadanie jest stosunkowo dobrze zdefiniowane i dostępne jest bardzo dużo danych - dlatego właśnie programy badań przesiewowych są tak obiecującym jej zastosowaniem. Ale nawet w ich przypadku, oczekujemy raczej połączenia sił między radiologiem a algorytmem (i służenia np. jako „druga para oczu”) niż zastąpienia lekarzy. Analogia którą lubię tu przywoływać to sprawdzanie pisowni w edytorze tekstu - nie zastąpiło ono dziennikarzy, ale trudno wyobrazić sobie teraz szybkie napisanie artykułu bez niego.

Sztuczna inteligencja wymaga dużych mocy obliczeniowych, olbrzymich baz danych, wysokiej klasy specjalistów. To wszystko kosztuje. W jakiej perspektywie czasowej takie systemy, jak opracowane przez Państwa, mogą trafić do przeciętnego gabinetu lekarskiego?

Rzeczywiście, opracowanie i przetestowanie takiego algorytmu zawsze pociąga za sobą dużo pracy i nakładów. Na szczęście tak utworzone oprogramowanie można wielokrotnie wykorzystywać, więc koszt jednostkowy jego zastosowania w dłuższej perspektywie maleje.

Zanim jednak algorytm tego typu można będzie odpowiedzialnie wdrożyć, potrzebne będzie przeprowadzenie prób klinicznych, uzyskanie wymaganych zgód, integracja z systemami medycznymi i zapewnienie mechanizmu refundacji.

Współpracujemy z kilkoma partnerami w tej dziedzinie i oczywiście jesteśmy otwarci na współpracę z kolejnymi systemami ochrony zdrowia.

Badania przesiewowe, nie tylko nowotworów, to jedna z podstawowych strategii prewencji chorób. Czy jest możliwe, by w przyszłości powstał jeden algorytm SI zdolny do analizy badań różnego typu oraz łączenia takich danych w jedną całość i wyciągania wniosków na tej podstawie?

Różne programy przesiewowe wymagają póki co różnych sposobów obrazowania (np. mammogram dla raka piersi, tomografia komputerowa dla raka płuc, rentgen klatki piersiowej lub próba skórna dla gruźlicy). Takie programy są też rekomendowane dla różnych grup (np. kobiety 50-69 lat w wypadku raka piersi, palacze w wypadku raka płuc itd.). Uczestniczenie w programie przesiewowym niezalecanym dla swojej grupy wiekowej może przynieść więcej szkody niż pożytku, dlatego nie spodziewałbym się ewolucji tych programów w tym kierunku.

Jest natomiast potencjał badawczy w sytuacji połączenia różnych obrazów które i tak miały być przeprowadzone w ramach badania danego pacjenta (np. mammogram + USG + rezonans magnetyczny w przypadku raka piersi), co pozwoliłoby na bardziej złożoną i kompleksową ocenę danego przypadku przez model. Jest również spory potencjał tzw. znalezisk przypadkowych [PDF], t.j. innych chorób które dają się zdiagnozować przy okazji programu przesiewowego. Np. zespół pracujący nad chorobami wzroku w Google Health opublikował obiecujące wyniki wskazujące, że istnieje potencjał, aby na podstawie zdjęcia dna siatkówki określać również ryzyka chorób układu krążenia.

Diagnoza wielu rodzajów raków w jednym badaniu może być potencjalnie możliwa w przypadku rozwoju mniej inwazyjnych technik przesiewowych. Przychodzi tu na myśl tak zwana „płynna biopsja”, tj. potencjalna możliwość diagnozowania nowotworów na podstawie próbki krwi, będąca aktualnie przedmiotem obiecujących lecz bardzo wczesnych badań.

1 2

Marcin Sieniek Google Health sztuczna inteligencja algorytm medycyna