Google Health lepsze od onkologa

Wedle oficjalnego dokumentu oddziału firmy Google Health sygnowanego podpisami doktora medycyny Daniela Tse i szefa technicznego Shravyi Shetty sztuczna inteligencja wkracza do wykrywania raka. Nie oznacza to, że maszyna zastąpi wszelkich lekarzy, ale że świat zmierza ku medycynie wspomaganej komputerowo. System bowiem opiera się na porównywaniu zdjęć zdrowych i chorych kobiet, bo na chwilę obecną dotyczy on raka piersi. Jak twórcy dokumenty firmy podają w samej Wielkiej Brytanii każdego roku przybywa pięćdziesiąt pięć tysięcy osób z diagnozą odnośnie raka. Na terenie Stanów Zjednoczonych jedna na osiem kobiet będzie miała z nim problem.

Obecna metoda mammografii opiera się na cyfrowej mammografii. Za pomocą promieni rentgenowskich dokonywane są prześwietlenia. Stają się podstawą dla dalszych działań. Dla Stanów Zjednoczonych i Wielkiej Brytanii oznacza to czterdzieści dwa miliony badań rocznie w obu tych krajach. Odnajdywanie zmian na zdjęciach stanowi wyzwanie dla onkologów. Jest ono praktycznym wyznacznikiem, czy dana osoba jest zdrowa, bądź chora. Im wcześniejsze jest wykrycie tym szanse rosną.

Rozpoczęte dwa lata temu badania doczekały się finalizacji. Sztuczna inteligencja rozwinęła się i doczekała się publikacji wyników na łamach Nature. Badania kliniczne są podstawą do wyciągania wniosków. Stworzenie systemu nawet jeśli w teorii nie stwarza problemu na etapie realizacji łączy się z pokonywaniem problemów technicznych. W uproszczeniu zaprezentowana tutaj inteligencja nie jest typowo ludzka, ale wyuczona. Odwołuje się do tak zwane karmienia. Maszyna otrzymuje pakiety zdjęć. Dla twórcy problem leży w odpowiednim wyważeniu ich liczby. Zbyt mała powoduje tak zwane „zagłodzenie modelu”, a przesada w drugą stronę oznacza „przekarmienie”, co skutkuje nieskutecznością. Obok tego dochodzi również kwestia prywatności oraz usuwania danych, co należy do najprostszych elementów z danego systemu (na przykład wystarczy tutaj automatyczne rozmywanie fragmentu obrazu).

Propozycja wysunięta przez Google Health jest rozwojowa, ale już ma obiecujące podstawy. Za technologią stoi dział wyszukiwarkowego giganta DeepMind. Ze strony medycznej zaś wsparcie udzieliły Brytyjskie Centrum Badania Raka Imperial Centre, Uniwersytet Northwestern i szpital Royal Surrey Country. Trening maszyny oparł się o siedemdziesiąt sześć tysięcy kobiet z Wielkiej Brytanii oraz pietnaście tysięcy pań ze Stanów Zjednoczonych. Grupa reprezentacyjna była punktem odniesienia, czy maszyna jest zdolna do odnalezienia symptomów związanych z rakiem. Dla osób nie obeznaznanych z problemem uczenia się maszynowego liczby te nie dają odpowiedniego punktu odniesienia. Branżowa konferencja NeurIPS 2019, jaka odbyła się w połowie grudnia 2019 roku (trzydziesta trzecia z kolei) ukazała jaką potęgę ma między innymi głębokie uczenie się. Takie algorytmy jak Uniform Convergence, sieci neuronowe uczone za pomocą spadkowego gradientu stochastycznego (SGD), klasyfikacji liniowej, czy optymalizacja wsadowa oznaczają nic innego, jak nie liczba źródeł ma znaczenie, ale implementacja w algorytmie.

Porównanie rezultatów oznaczania chorych na raka i zdrowych wyraża się w liczbie błędów. Za bliskie ideału uznaje się wyniki przekraczające dziewięćdziesiąt kilka procent. Błąd w przypadku mechanizmów Google Health umożliwił zmniejszenie błędu człowieka o pięć i siedem dziesiątych procenta w przypadku danych ze Stanów Zjednoczonych, a w Wielkiej Brytanii o jeden i dwa procenta. O tyle precyzyjniej wskazywał zdrowe osoby. Z kolei w przypadku chorych w stosunku do lekarzy rezultat poprawił się o dziewięć i cztery procenta (dane z USA) i o dwa i siedem procenta (zdjęcia rentgenowskie z Wielkiej Brytanii). Wnioski nastroiły optymizmem firmę, bo ukazały przewagę modelu nad człowiekiem. Specjaliści wykrywali mniej przypadków choroby.

Potencjał jaki kryje się po badaniach rozpoczętych w 2017 roku jest tutaj nie do przecenienia. Wspomagane komputerowo rozpoznawanie objawów raka pozwala na automatyzację działań i równocześnie rynek do zagospodarowania. O ile z jednej strony stanowi szansę z drugiej również niesie ze sobą zagrożenie. Cechą charakterystyczną modeli sztucznej inteligencji jest często ich tak zwany black boxing. Działają, ale nawet ich twórcy nie mają pojęcia w jaki sposób. Ten drobny niuans oznacza też możliwość pojawienia się implikacji niemożliwych do przewidzenia.

Jacek Skrzypacz