Stroj nenahradí rozhodování lékaře, ale pomůže mu
Nejen analýza obrazu, ale i jiných dat je vhodné pole pro uplatnění umělé inteligence v medicíně. Velká zdravotní data jsou pro lidské oko nepřehledná džungle, ze které můžou softwary se strojovým učením vytvořit přehledné tabulky s alerty. Strojové učení má ale své významné limity.
Umělá inteligence může být v medicíně využita jako nástroj pro zpracování dlouhodobých telemedicínských dat, uvedla na konferenci LIFMAT doc. Lenka Lhotská, vedoucí oddělení kognitivních systémů a neurovědy Českého institutu informatiky, robotiky a kybernetiky Českého vysokého učení technického. „Telemedicína přináší velké množství dat. Nositelná elektronika je schopna sledovat pacienta po celý život, znamená to velké množství dat. Ta chceme analyzovat, minimálně proto, abychom mohli říci, jestli je v dobré kondici,“ uvedla.
Umělá inteligence v medicíně najde uplatnění v podobě systému se strojovým učením. To důležité, co chceme zjišťovat, je klasifikace, predikce hodnot nebo rozpoznávání vzorů, ať v datech, signálech, nebo obrazech, a samozřejmě také analýza obrazu, která je už dnes významnou součástí práce se zobrazovacími systémy, vypočítala doc. Lhotská.
Nejvýznamnějším faktorem využití umělé inteligence v medicíně zůstává relevantnost a správný popis vložených dat. „Nejdůležitější na začátku je kvalita pořízených dat. Potřebujeme mít zaručeno, že data jsou kvalitní. Můžu sbírat data, která jsou lékaři a pacientovi k ničemu. Musíme tedy vědět, odkud data sbírám, pro jaký účel, jaký mají formát. Data potřebují kontextovou informaci,“ upozorňuje doc. Lhotská.
Stroj za lékaře nerozhodne, ale předchystá mu data, ve kterých by se jinak těžko orientoval. „Natrénovaný systém, který využívá strojové učení, ve finále může sloužit k podpoře rozhodování lékaře. Nikdy nebude rozhodovat za lékaře. Pomůže zpracovat velká data, upozornit na abnormality nebo na výpadek hodnot,“ dodala doc. Lhotská.
Popsala, jak systém se strojovým učením vzniká, jak je vyvíjen, od prvotní práce s daty po vizualizaci výsledku. „V procesu tvorby můžeme využít klinického experta, abychom model pro rozhodování vyladili, a to různým způsobem,“ doporučuje Lhotská. Ve finále může systém poukázat na jedince, kteří nezapadají do standardních skupin. Zatímco ve statistice by se takový případ zanedbal, v medicíně může vyhledání takových případů upozornit na menšinový problém a posloužit personalizované medicíně.
Kdo chce využívat v medicínském výzkumu nebo praxi strojové učení, měl by si být vědom jeho limitů a omezení. „Metody umělé inteligence jsou jen tak dobré, jak je umíme naučit. Učíme je na datech, nikdy nebudou schopny identifikovat něco, co nikdy neviděly. Zatímco člověk pozná, že je na tom něco zvláštního, co vyžaduje podrobnější pohled, počítač to neumí,“ upozorňuje doc. Lhotská.
Vzhledem k tomu, že se systémy učí na datech popisovaných lidskými experty, mohou také replikovat některé zakořeněné chyby, které tito experti dělají.
„Čím dál více se diskutuje etika v umělé inteligenci a uplatnění etiky v aplikacích umělé inteligence v medicíně,“ uvádí dále doc. Lhotská.
Také v oblasti hodnocení kvality a bezpečnosti systémů strojového učení v medicíně probíhají změny a vývoj. Některé věci dosud nejsou vyjasněny, určitá nejistota panuje ohledně certifikace softwarů s umělou inteligencí, které jsou zdravotnickými prostředky, podle nových evropských pravidel pro zdravotnické prostředky MDR. „Software spadá do MDR, problém v současnosti je, že MDR je v tomto ohledu poměrně obecné. Obsahuje odkazy na standardy pro vývoj softwaru, ale neřeší otázku, jak přistupovat k hodnocení a certifikaci softwaru s umělou inteligencí. Diskutuje se o tom v celé Evropské unii. Můžeme se inspirovat v FDA nebo Jižní Koreji, určité záchytné body tedy existují,“ myslí si doc. Lhotská.
Do budoucna bude podle doc. Lhotské možné využít systémy se strojovým učením k vytváření datových modelů každého jednotlivce. Tak by mohla vznikat individualizovaná doporučení pro prevenci i terapii na základě jeho dat. To je ale zatím vize pro vývoj nových systémů.