Σε πρόσφατη ανασκόπηση ιατρικών μελετών, φάνηκε ότι όταν πρόκειται για απεικονιστική διάγνωση, η Τεχνητή Νοημοσύνη δίνει πλέον σχεδόν ίδια αποτελέσματα με αυτά ενός έμπειρου γιατρού.
Οι δυνατότητες της εν λόγω τεχνολογίας στην Ιατρική έχουν προκαλέσει ενθουσιασμό τα τελευταία χρόνια, με τους υποστηρικτές να λένε ότι με την εφαρμογή της θα μειωθούν οι δαπάνες των νοσοκομείων, ενώ οι γιατροί θα έχουν περισσότερο χρόνο να διαθέσουν στην επικοινωνία με τους ασθενείς τους, όπως αναφέρει ο Guardian.
Σε κάθε περίπτωση, προειδοποιούν ότι γενικότερα τα ευρήματα των μελετών για την τεχνητή νοημοσύνη στην ιατρική, μπορεί να προκαλούν ενθουσιασμό στον κόσμο, αλλά προς το παρόν βασίζονται σε μικρό αριθμό μελετών, οι οποίες μάλιστα είναι χαμηλής ποιότητας.
Μόνο μία υπό ανάπτυξη εφαρμογή αυτή τη στιγμή είναι ιδιαίτερα ελπιδοφόρα και αυτή αφορά τη διάγνωση απεικονιστικών εξετάσεων, δηλαδή όλων των τύπων ακτινογραφίες, αλλά και υπέρηχους.
Αυτό επιτυγχάνεται με τέσσερις βασικούς παράγοντες, τον συνδυασμό μεγάλων δεδομένων (big data), της βαθιάς εκμάθησης (deep learning), των εξελιγμένων αλγόριθμων και της ολοένα μεγαλύτερης επεξεργαστικής ισχύος που αποκτούν οι ηλεκτρονικοί υπολογιστές.
Με την αθροιστική ισχύ αυτών των δυνατοτήτων, οι υπολογιστές «μαθαίνουν» να κάνουν διαγνώσεις και να ανταγωνίζονται τους γιατρούς στην ακρίβεια διάγνωσης σε σοβαρές νόσους που ποικίλουν από τον καρκίνο έως τις παθήσεις ματιών.
Ακόμη και σε αυτήν την περίπτωση όμως, αναπάντητο παραμένει το ερώτημα πώς αυτά τα συστήματα βαθιάς εκμάθησης, μπορούν να αναμετρηθούν τις ανθρώπινες δεξιότητες. Τώρα οι ερευνητές υποστηρίζουν ότι έχουν ολοκληρώσει την πρώτη μεγάλη συγκριτική έκθεση ερευνών που είναι σχετικές με το θέμα και βρέθηκε ότι άνθρωποι και μηχανές είναι στο ίδιο επίπεδο.
Ο καθηγητής Αλαστερ Ντένιστον, από το Πανεπιστημιακό Νοσοκομείο του Μπέρμιγχαμ και συν-συγγραφέας της μελέτης δηλώνει ότι η ανασκόπηση των μελετών ήταν μεν ενθαρρυντική, αλλά ήταν και κατά κάποιον τρόπο έλεγχος πραγματικότητας για τη μεγάλη δημοσιότητα που έχει πάρει το πεδίο της τεχνητής νοημοσύνης.
Μαζί του συμφώνησε και ο υπεύθυνος της μελέτης Ξιαονχουάν Λιού, που εργάζεται στο ίδιο ίδρυμα. «Η Τεχνητή Νοημοσύνη έχει λάβει μεγάλη δημοσιότητα, αλλά το μήνυμα που στέλνουμε είναι ότι, στην καλύτερη περίπτωση, μπορεί να είναι ισοδύναμη».
Σε άρθρο τους στο Lancet Digital Health, οι ειδικοί αναφέρουν τον τρόπο με τον οποίο επικεντρώθηκαν σε έρευνες που δημοσιεύτηκαν το 2012, που ήταν και η χρονιά που η τεχνολογία γνώρισε ιδιαίτερη άνθηση.
Από τις 20.000 σχετικές μελέτες, μόνο οι 14 (όλες βασίζονταν σε ανθρώπινη νόσο), αναφέρθηκαν να έχουν καλής ποιότητας δεδομένα, να έχουν ελέγξει το σύστημα βαθιάς εκμάθησης με εικόνες από διαφορετική βάση δεδομένων, με αυτές που εκχωρήθηκαν για την εκπαίδευση του συστήματος και με αυτές που είδαν τελικά οι ειδικοί.
Οι επιστήμονες συγκέντρωσαν τα πιο ελπιδοφόρα αποτελέσματα από κάθε μία από τις 14 έγκυρες μελέτες και αποκάλυψαν ότι τα αποτελέσματα βαθιάς εκμάθησης ανίχνευσαν σωστά τη νόσο στο 87% των περιπτώσεων, έναντι του 86% των επαγγελματιών υγείας, ενώ έδωσαν «καθαρά» αποτελέσματα σε υγιής στο 93% των περιστατικών, σε σύγκριση με το 91% των γιατρών.
Ωστόσο, οι γιατροί που συμμετείχαν σε αυτά τα σενάρια, δεν είχαν επιπλέον πληροφορίες για τους ασθενείς που θα τους βοηθούσαν σε μία ολοκληρωμένη διαφοροδιάγνωση, αλλά μόνο τα δεδομένα που είχε και ο υπολογιστής.
«Αυτή η εξαιρετική ανασκόπηση όλων αυτών των μελετών, καταδεικνύει ότι η μαζική δημοσιότητα της Τεχνητής Νοημοσύνης στην Ιατρική αποκρύπτει την κακή ποιότητα σχεδιασμού όλων των μελετών αξιολόγησης. Η βαθιά εκμάθηση μπορεί να είναι μία ισχυρή και εντυπωσιακή τεχνική, αλλά οι κλινικοί γιατροί θα πρέπει να θέσουν μία κρίσιμη ερώτηση: τι ακριβώς προσθέτει στην κλινική πρακτική;», δηλώνει στον Guardian ο καθηγητής Ντέιβιντ Σπίγελχαλτερ, πρόεδρος του Κέντρου Γουίντον για τους κινδύνους των στοιχείων της επικοινωνίας στο Πανεπιστήμιο του Κέιμπριτζ.
Ωστόσο, ο Ντένιστον παραμένει αισιόδοξος για τις δυνατότητες της Τεχνητής Νοημοσύνης στην υγεία, και υποστηρίζει ότι τέτοιου είδους συστήματα βαθιάς εκμάθησης θα μπορούν να λειτουργούν ως διαγνωστικά εργαλεία και να βοηθούν στις ταχύτερες αξιολογήσεις των ακτινογραφιών. Επιπλέον, θα μπορούν να χρησιμοποιούνται σε απομακρυσμένα μέρη, όπου δεν υπάρχουν ειδικοί για να κάνουν διάγνωση. Παράλληλα, όπως και άλλοι πολλοί, επισημαίνει την ανάγκη περαιτέρω κλινικών δοκιμών.