Tekoäly mullistaa terveydenhuollon: 5 asiaa, jotka tällä hetkellä on syytä ymmärtää

Toinen haaste tekoälyä hyödyntävän terveysteknologian kaupallistamisessa on datan siirtäminen käyttötarkoituksesta toiseen, sanoo Van Leemput.

“On koulutusdataa ja algoritmi, joka toimii yhden tyyppisessä skannerissa tai yhdessä tutkimuksessa, ja tämän perusteella myydään tuote joka sitten epäonnistuu toisessa kontekstissa tai toisella laitteella käytettynä. Tutkimukset ovat osoittaneet, että monia kaupallisesti saatavilla olevia järjestelmiä ei ole tässä mielessä validoitu.”

Van Leemput pyrkii ratkaisemaan tätä ongelmaa kehittämällä menetelmiä, jotka sopeutuvat automaattisesti kuvissa oleviin vaihtelevuuksiin ja tulevat paremmin toimeen epätarkkuuksien ja muiden rajoitusten kanssa.

3. Tekoälymallien tekemien päätösten täytyy olla ymmärrettäviä, jotta niihin voidaan luottaa

"Algoritmien luotettavuuteen täytyy kiinnittää laajemmin huomiota", sanoo Gröhn.

“Kun painotetaan hyvää ennustekykyä, huomio usein siirtyy pois mallin logiikan ymmärtämisestä. Koska mikään malli ei kuitenkaan ole täydellinen, meidän täytyy voida luottaa siihen, että mallin taustalla on järjellinen logiikka ja ymmärrys sen tekemän ennusteen rajoituksista ja epävarmuuksista.”

Datatutkijat, lääkärit ja yhteiskuntatieteilijät tekevät aktiivista yhteistyötä aiempaa läpinäkyvämpien ja ymmärrettävämpien mallien eteen.

“Ihmisen on esimerkiksi hankala ymmärtää, miten neuroverkko arvioi taudin tilaa aivokuvasta”, Van Leemput sanoo.

Sellaisen tekoälyn luominen, joka osaa selittää päätöksensä ihmiselle helposti ymmärrettävällä tavalla, edellyttää uudenlaisten algoritmien kehittämistä. Kun lääkärit selittävät päätöksiään, he usein painottavat sitä, miten potilaan sairaus aiheuttaa tietynlaisia muutoksia ihmisen anatomiassa ja kuinka jokin toinen diagnoosi olisi tarkoittanut, että kuvat olisivat näyttäneet erilaisilta. Tämä on perustavanlaatuisesti eri tilanne kuin nykyisen tekoälyteknologian lähestymistapa, jossa kone tekee diagnoosin vain sen perusteella, kuinka samalta tai erilaiselta kuva näyttää verrattuna tuhansiin muihin koulutusdatassa olleisiin kuviin.

4. Tekoäly ei korvaa lääkäreitä

Mutta se mahdollistaa lääkäreille tehokkaamman ajankäytön tulevaisuudessa.

“Tekoäly voi tehdä tylsiä tehtäviä lääkäreitä nopeammin, ja se auttaa huomaamaan hienovaraisia muutoksia aiempaa tarkemmin. Jos rakennat paremman polkupyörän, et korvaa pyöräilijää - etkä kuvantamisessa radiologia”, Van Leemput sanoo.

Gröhn on samaa mieltä: “Koneet näkevät enemmän pikseleitä, joten on järkevää hyödyntää niitä havainnoimisessa. Tällöin lääkärit voivat keskittyä vaikeisiin tapauksiin. Jos kone pystyy diagnosoimaan 90 prosenttia potilaista erittäin luotettavasti, meidän kannattaa antaa sen tehdä se. Toisaalta on erittäin tärkeää, että kone myös ilmoittaa selkeästi rajoitteistaan ​​jäljelle jäävien 10 prosentin kohdalla.”

Ihmisillä on edelleenkin etulyöntiasema hiljaisen tiedon ja eletystä elämästä ammentavan kokemuksen saroilla. Gröhnin mukaan meidän tulee suhtautua varauksella ajatukseen, että terveydenhuollon kustannusten nousua voitaisiin ratkoa korvaamalla kalliita palveluja tekoälyn avulla.

"Algoritmit voivat tarjota vastauksia resurssien kohdentamiseen, mutta emme voi sivuuttaa yhteiskunnallisia huolenaiheita tai heikentää hoidon laatua pelkästään niiden tekemien ennusteiden perusteella."

5. Sääntely ja monitieteinen asiantuntemus ovat elintärkeitä hyödyllisen ja oikeudenmukaisen tekoälyn kehittämisessä

Terveysteknologia-alalla on paljon hypeä. 

"Joku voi kerätä rahaa ja myydä mallinsa tai tuotteensa sairaalalle, ja se voi epäonnistua varoituksetta, koska tuote on koulutettu muualta kerätyllä datalla. Tarvitsemme ehdottomasti sääntelyä varmistaaksemme, että tekoälymenetelmät testataan ja validoidaan todellisessa maailmassa ja että ne perustuvat tutkittuun tietoon”, Van Leemput sanoo.

Aluksi hyvin toimineet menetelmät voivat myös vanhentua ajan myötä.

”Pienillä muutoksilla voi olla dramaattisia vaikutuksia. Ohjelmisto voi esimerkiksi menettää ennustekykynsä, jos sairaala muuttaa yksittäisessä lomakkeessa vaihtoehtojen järjestystä. Tekoälyn jatkuvaa testausta ja validointia tarvitaan terveydenhuollossa”, Van Leemput korostaa.

Gröhn huomauttaa, että ihannetapauksessa tekoäly yhdistää taustatietoa useilta aloilta, esimerkiksi biologiasta ja taloustieteestä.

”Tekoäly tai datatiede eivät yksinään riitä, sillä terveysteknologioissa yksi ratkaisu ei sovi kaikkeen. Eri alojen asiantuntijat voivat lisätä ymmärrystämme siitä, mitä laadukas data ja laadukkaat mallit ovat”, Gröhn mainitsee tavoitteita Datalit-projektista, jossa hän tekee väitöskirjatutkimustaan.