Ποιο είναι το όριο της "κατανομής" της αποτελεσματικότητας της διάγνωσης και της θεραπείας;

Η εφαρμογή της AI στην ιατρική δεν ισοδυναμεί με την "αντικατάσταση των γιατρών". Αυτή τη στιγμή, η AI είναι πιο ικανή σε "τυποποιημένες υψηλής έντασης εργασίες", όπως η αναγνώριση ιατρικών εικόνων, η φαρμακευτική επιλογή και η αυτοματοποίηση της διαδικασίας ιατρικής εξέτασης. Για παράδειγμα, το AI μοντέλο που ανέπτυξε η ομάδα υγείας της Google αποδίδει καλύτερα από έμπειρους ακτινολόγους στην ανίχνευση καρκίνου του μαστού. Το σύστημα αυτό εκπαιδεύτηκε με εκατομμύρια μαστογραφίες και έμαθε να αναγνωρίζει μικρές ενδείξεις παθολογίας, με ακρίβεια άνω του 94% και σημαντικά χαμηλότερο ποσοστό ψευδώς θετικών σε σχέση με την ανθρώπινη διάγνωση.

Ωστόσο, η AI δεν είναι καλή σε "κλινική διαίσθηση" ή "πολύπλοκες κρίσεις". Για παράδειγμα, σε έναν ασθενή που παρουσιάζει πονοκέφαλο, πυρετό και αδυναμία, οι άνθρωποι γιατροί θα προτείνουν μια διαγνωστική κατεύθυνση βασισμένη σε προηγούμενο ιατρικό ιστορικό, φυσική εξέταση και κλινική εμπειρία. Αντίθετα, τα συστήματα AI συχνά εξαρτώνται περισσότερο από "εισροές ερωτηματολογίου" και παρέχουν προτάσεις χωρίς πραγματική επαφή και εκτίμηση της κατάστασης, με την ακρίβεια τους να επηρεάζεται από τη δομή των πληροφοριών. Επομένως, η πιο λογική αντίληψη αυτή τη στιγμή είναι ότι "η AI μπορεί να κάνει ένα μέρος από αυτό που κάνουν οι γιατροί", και όχι "η AI μπορεί να κάνει τα πάντα που μπορούν να κάνουν οι γιατροί".

Η ουσία της "ιατρικής εξέτασης" της AI είναι η μοντελοποίηση δεδομένων

Η πρώτη εντύπωση πολλών ανθρώπων για τους AI γιατρούς προέρχεται από κάποιες πλατφόρμες ή εφαρμογές "έξυπνης ιατρικής εξέτασης". Μετά την εισαγωγή συμπτωμάτων από τον χρήστη, το σύστημα παρέχει προτάσεις για αρχική διάγνωση και προτείνει το κατάλληλο τμήμα. Η τεχνολογική αρχή πίσω από αυτό είναι κυρίως ο συνδυασμός της επεξεργασίας φυσικής γλώσσας (NLP) και της μοντελοποίησης δέντρων αποφάσεων. Το σύστημα AI "διαβάζει" συνεχώς δεδομένα περιπτώσεων και ιατρικές οδηγίες, δημιουργώντας ένα δίκτυο συσχετίσεων μεταξύ συμπτωμάτων και αιτίων.

Για παράδειγμα, το σύστημα "Μελλοντικό Νοσοκομείο" που λάνσαρε η Alibaba Health βασίζεται σε δεκάδες εκατομμύρια ηλεκτρονικά ιατρικά αρχεία και αρχεία ασφάλισης υγείας, και έχει υψηλό ποσοστό αντιστοίχισης σε κοινές ασθένειες. Όταν ο χρήστης εισάγει "πόνο στο λαιμό, ρινική καταρροή, βήχα", το σύστημα μπορεί να κρίνει σε λίγα δευτερόλεπτα ότι η πιθανότητα είναι υψηλότερη για λοίμωξη του ανώτερου αναπνευστικού και προτείνει επίσκεψη σε ΩΡΛ.

Ωστόσο, τα προβλήματα αυτού του συστήματος ιατρικής εξέτασης είναι προφανή. Πρώτον, εξαρτάται από την ακρίβεια των εισροών του ασθενούς και δεν μπορεί να αντικαταστήσει τη φυσική εξέταση ή τους βιοχημικούς δείκτες. Δεύτερον, η ικανότητά του να κρίνει για συμπτώματα που επικαλύπτονται ή σπάνιες ασθένειες είναι περιορισμένη. Το πιο κρίσιμο είναι ότι οι προτάσεις του βασίζονται κυρίως σε "πιθανότητες" και όχι σε "αιτιακή λογική", και λείπει η πραγματική κλινική ερμηνεία και διαδικασία σκέψης. Επομένως, στην πράξη, μοιάζει περισσότερο με έναν "μηχανισμό αναζήτησης ιατρικών γνώσεων" παρά με έναν πραγματικό κλινικό γιατρό.

Η ιατρική απεικόνιση είναι το κύριο πεδίο όπου η AI επιδεικνύει τις ικανότητές της

Αν η AI φαίνεται "ανώριμη" στην ιατρική εξέταση, τότε στην ανάλυση ιατρικών εικόνων, η απόδοση της AI είναι αξιοσημείωτη. Η πρόοδος της τεχνολογίας αναγνώρισης εικόνας AI οφείλεται στη ευρεία εφαρμογή της βαθιάς μάθησης, ειδικά των συνελικτικών νευρωνικών δικτύων (CNN). Η κανονικότητα και το υψηλό πρότυπο σήμανσης των ιατρικών εικόνων παρέχουν ένα ιδανικό περιβάλλον εκπαίδευσης για την AI.

Σε τομείς όπως η ανίχνευση πνευμονικών οζιδίων, η αναγνώριση διαβητικής αμφιβληστροειδοπάθειας και η αναγνώριση αιμορραγίας σε CT εγκεφάλου, πολλά συστήματα AI έχουν ήδη εφαρμοστεί σε κλινικές δοκιμές. Για παράδειγμα, η Tencent MiYing αναγνωρίζει ύποπτα οζίδια σε CT εικόνες κατά την πρώιμη ανίχνευση καρκίνου του πνεύμονα, με ευαισθησία άνω του 95% και αύξηση 30% στην ανίχνευση πρώιμου καρκίνου του πνεύμονα. Ομοίως, το σύστημα αναγνώρισης εικόνας του DeepMind έχει ήδη υποβληθεί σε κλινική επικύρωση στο Εθνικό Σύστημα Υγειονομικής Περίθαλψης της Βρετανίας, και μπορεί να κρίνει αν μια εικόνα αμφιβληστροειδούς είναι ανώμαλη σε 10 δευτερόλεπτα, βοηθώντας τους γιατρούς να αποφασίσουν αν χρειάζεται παραπομπή.

Το κοινό πλεονέκτημα αυτών των τεχνολογιών είναι: γρήγορο, αποτελεσματικό και ακριβές. Η AI δεν κουράζεται, δεν επηρεάζεται από υποκειμενικές προτιμήσεις και μπορεί να βοηθήσει τους γιατρούς να διαχειριστούν μεγάλες ποσότητες δεδομένων, αυξάνοντας την αποδοτικότητα της ανίχνευσης. Ωστόσο, έχει και αδυναμίες - η ικανότητά της να αναγνωρίζει νέες ασθένειες και ανώμαλες εκδηλώσεις εξαρτάται ακόμα από τα δείγματα εκπαίδευσης. Αν τα χαρακτηριστικά της εικόνας δεν έχουν εμφανιστεί στα δεδομένα, η AI δυσκολεύεται να κάνει ευέλικτους συλλογισμούς ή "να γενικεύσει", γεγονός που είναι ένας από τους κύριους λόγους για τους οποίους απαιτείται πάντα ανθρώπινη αναθεώρηση.

Έχει η AI υποστηρίξει τη διάγνωση και τη θεραπεία σε πραγματικά νοσοκομεία;

Στην Κίνα, πολλές νοσοκομειακές μονάδες έχουν εισαγάγει συστήματα υποστήριξης AI για αρχική διάγνωση, έλεγχο συνταγών, παθολογική ανάλυση και άλλες διαδικασίες. Για παράδειγμα, το σύστημα "Alpha Doctor" που χρησιμοποιείται στο δεύτερο νοσοκομείο του Ιατρικού Κολεγίου του Πανεπιστημίου Zhejiang μπορεί να καθοδηγήσει τους ασθενείς να συμπληρώσουν πληροφορίες ιατρικής εξέτασης στην αίθουσα αναμονής, να προσδιορίσει αρχικά την αιτία της ασθένειας και να παρέχει προτάσεις για ιατρική φροντίδα. Το σύστημα μπορεί ακόμη και να δημιουργήσει αυτόματα προσχέδιο ηλεκτρονικού ιατρικού φακέλου μετά τη διάγνωση του γιατρού, μειώνοντας σημαντικά το βάρος της γραφειοκρατίας για τους γιατρούς.

Στο Νοσοκομείο Zhongshan της Σαγκάης, το σύστημα AI μπορεί να αναλύσει CT εικόνες για ασθενείς με υποψία στεφανιαίας νόσου, παρέχοντας ποσοτικές αναφορές για το βαθμό στένωσης, εξοικονομώντας πολύ χρόνο για χειροκίνητες μετρήσεις. Επιπλέον, η AI χρησιμοποιείται επίσης για την αρχειοθέτηση ιατρικών φακέλων, την εκκαθάριση ασφαλιστικών απαιτήσεων και τη διαχείριση παρακολούθησης ασθενών σε μη άμεσες διαδικασίες διάγνωσης και θεραπείας, βελτιώνοντας την αποδοτικότητα της πληροφορικής στα νοσοκομεία.

Ωστόσο, η πλειονότητα αυτών των "AI που εισέρχονται στην κλινική" εξακολουθεί να έχει "υποστηρικτικό ρόλο" και δεν είναι "κύριος ρόλος στη λήψη αποφάσεων". Είτε στη διάγνωση, τη θεραπεία είτε στη φαρμακευτική αγωγή, οι προτάσεις της AI πρέπει πάντα να ελέγχονται και να υπογράφονται από ιατρούς. Ο λόγος δεν είναι ότι η απόδοση της AI είναι ανεπαρκής, αλλά ότι σχετίζεται με εξαιρετικά αυστηρά ζητήματα ιατρικής ηθικής, νομικής ευθύνης και ασφάλειας των ασθενών. Στο υπάρχον ιατρικό σύστημα, η AI μπορεί να γίνει μόνο "εργαλείο" και όχι "υπεύθυνος φορέας".

Η ιατρική ηθική και η αναγνώριση ευθύνης παραμένουν η μεγαλύτερη πρόκληση

Το μεγαλύτερο πρόβλημα της ιατρικής AI δεν είναι η τεχνολογία, αλλά η ηθική και το δίκαιο. Ένα από τα πιο ρεαλιστικά ζητήματα είναι: όταν η AI κάνει λάθος διάγνωση που οδηγεί σε καθυστέρηση θεραπείας ή κακές συνέπειες, ποιος είναι υπεύθυνος; Αυτή τη στιγμή, τα περισσότερα παγκόσμια ιατρικά συστήματα δεν έχουν αναπτύξει ώριμους μηχανισμούς προσδιορισμού ευθύνης για την AI. Στην Κίνα, όλες οι ιατρικές πράξεις πρέπει να εκτελούνται από πιστοποιημένους ιατρούς, και αν το σύστημα AI παρέχει προτάσεις, οι γιατροί είναι υπεύθυνοι αν δεν τις ελέγξουν σωστά.

Επιπλέον, το πρόβλημα του "μαύρου κουτιού" των συστημάτων AI είναι επίσης ανησυχητικό. Πολλές διαδικασίες λήψης αποφάσεων των μοντέλων βαθιάς μάθησης δεν είναι διαφανείς και είναι δύσκολο να δοθούν σαφείς "λόγοι διάγνωσης", κάτι που αντιβαίνει στην αρχή της "ιχνηλασιμότητας" που απαιτεί η ιατρική. Για παράδειγμα, αν μια AI προτείνει μια συγκεκριμένη θεραπεία, αλλά αν αμφισβητηθεί "ποια είναι η βάση", το σύστημα μπορεί να μην μπορεί να δώσει μια εξηγήσιμη διαδρομή. Σε αυτή την περίπτωση, η εμπιστοσύνη του ασθενούς είναι δύσκολο να οικοδομηθεί και οι γιατροί δεν τολμούν να το υιοθετήσουν.

Επιπλέον, η εκπαίδευση της AI εξαρτάται σε μεγάλο βαθμό από μεγάλα ιατρικά δεδομένα, τα οποία συχνά σχετίζονται με ζητήματα ιδιωτικότητας, ηθικής και ασφάλειας. Εάν η προέλευση των δεδομένων δεν είναι διαφανής ή η σήμανση δεν είναι κανονική, μπορεί να προκαλέσει συστηματική προκατάληψη στο μοντέλο. Για παράδειγμα, ένα σύστημα AI είχε σημαντικά λάθη στην αναγνώριση καρκίνου του μαστού λόγω της πολύ χαμηλής αναλογίας γυναικείων δειγμάτων στην εκπαίδευση, αποδεικνύοντας "σεξιστική προκατάληψη". Επομένως, η εμφάνιση των AI γιατρών δεν είναι μόνο τεχνολογικό ζήτημα, αλλά και μια συνολική πρόκληση για τα ηθικά και νομικά συστήματα.

Η μελλοντική πορεία είναι η συνεργασία και όχι η αντικατάσταση

Η αναπτυξιακή πορεία των AI γιατρών δεν θα πρέπει να επηρεάζεται από τη "θεωρία της αντικατάστασης", αλλά να επιστρέφει στην ουσία της ιατρικής - την υπηρεσία της ανθρώπινης υγείας. Αυτή τη στιγμή, η πιο υποσχόμενη κατεύθυνση είναι η "συνεργασία ανθρώπου-μηχανής", όπου η AI αναλαμβάνει δομημένες, επαναλαμβανόμενες εργασίες, απελευθερώνοντας την ενέργεια των γιατρών, ώστε να επικεντρωθούν σε εξατομικευμένες κρίσεις, ανθρωπιστική επικοινωνία και πολύπλοκες αποφάσεις.

Για παράδειγμα, στη διαχείριση χρόνιων ασθενειών, η AI μπορεί να αναλύσει δεδομένα μακροχρόνιας γλυκόζης, πίεσης και βάρους των ασθενών, παρέχοντας προτάσεις και προειδοποιήσεις για τάσεις, βοηθώντας τους γιατρούς να παρέμβουν νωρίτερα. Στην τηλεϊατρική, η AI μπορεί να κάνει προγνώσεις για εικόνες και αναφορές, επιτρέποντας στους γιατρούς να εξυπηρετούν πιο αποτελεσματικά απομακρυσμένες περιοχές. Στη κλινική εκπαίδευση, η AI μπορεί να βοηθήσει τους γιατρούς να εκπαιδεύσουν νέους γιατρούς, παρέχοντας περιπτώσεις προσομοίωσης σκέψης και βελτιώνοντας την ποιότητα της εκπαίδευσης.

Μια πιο βαθιά τάση είναι η δημιουργία και η κανονιστική διακυβέρνηση ενός πλαισίου ιατρικής ηθικής για την AI. Στο μέλλον, η "ιατρική πρόσβαση" της AI μπορεί να έχει ένα ενιαίο σύστημα ελέγχου, καθορίζοντας τα όρια μεταξύ "προτάσεων" και "αποφάσεων". Ταυτόχρονα, τα συστήματα AI πρέπει επίσης να ενισχύσουν το σχεδιασμό "εξηγήσιμης" λειτουργίας, αυξάνοντας την εμπιστοσύνη του κοινού.

Από "εργαλείο" σε "συνεργάτη", οι AI γιατροί έχουν ακόμα μακρύ δρόμο να διανύσουν. Ίσως ποτέ να μην μπορέσουν να αντικαταστήσουν το "κλινικό βλέμμα" που έχει ανθρώπινη ζεστασιά, αλλά μπορούν να γίνουν ο πιο ισχυρός έξυπνος βοηθός δίπλα στους γιατρούς. Και αυτό είναι το πιο αναμενόμενο τέλος της ιατρικής AI.