AI nem váltja le a radiológusokat, de átalakítja munkájukat, új kihívások a diagnosztikában

Geoffrey Hinton, az AI egyik „keresztapja” 2016-ban még azt jósolta, hogy öt éven belül a radiológusokat gépek váltják le. Ma már látszik, hogy ez az állítás túlzás volt: a radiológusok száma folyamatosan növekszik, és a következő három évtizedben várhatóan 26 százalékkal, vagy még annál is többel bővül a létszámuk. Hinton tévedett az időzítéssel, de abban igaza volt, hogy a gépek már most is a szakemberek mellett dolgoznak, és teljesítményük eléri, sőt, néha meg is haladja az emberét. (Ars Technica)

Az Egyesült Államok Élelmiszer- és Gyógyszerügyi Hatósága (FDA) által jóváhagyott 1400 AI-alapú orvosi eszköz mintegy háromnegyede kapcsolódott a képalkotáshoz. Ezek az eszközök vagy hatékonyabbá teszik a diagnosztikát, például jelentések írásával vagy sürgős esetek jelzésével, vagy pedig olyan elváltozásokat képesek kimutatni, amelyek szabad szemmel nem láthatók. Egy 43 klinikai vizsgálat elemzése kimutatta, hogy az AI-támogatott vastagbélvizsgálatok több polipot találnak, mint a hagyományos módszerek.

A diagnosztikai hibák mértéke

A pontosság javítása kulcsfontosságú, mivel a diagnosztikai képek emberi hibáinak arányát 3–5 százalék közé becsülik, ami évente mintegy 40 millió hibát jelent világszerte. A megoldás azonban nem a gépekre cserélés. A kérdés ma már nem az, hogy ember vagy AI végez-e statisztikailag jobb munkát, hanem az, hogyan kombinálható a gépi precizitás az emberi tapasztalattal és rugalmassággal a betegek érdekében.

Az AI döntéseinek felülvizsgálata

A hatékony együttműködés kialakítása nem egyszerű. Még ha egy AI átlagosan megbízhatóbb is egy radiológusnál bizonyos képek értelmezésében, akkor is elkövethet olyan hibákat, amelyeket egy ember nem tenne. Ezért a radiológusok szerepe az, hogy értékeljék az AI minden döntését, és kiszűrjék a ritka tévedéseket. Ez a feladat „mentális átprogramozást” igényel, hiszen a szakembereknek meg kell tanulniuk felülbírálni a számítógépet, de ezúttal más kontextusban, mint az évtizedek óta használt, szabályalapú riasztások esetében.

Az AI képalkotó rendszerek gyakran „fekete doboz” modelleken alapulnak, amelyek nem árulják el, hogyan jutottak egy döntésre. Ez megnehezíti a radiológusok dolgát annak eldöntésében, hogy érdemes-e felülbírálni az AI javaslatát. „Valódi elváltozásról van szó, vagy csak én nem látok valamit, amit az AI észrevesz?” — teszi fel a kérdést Charles Kahn, a Radiological Society of North America kiadványának szerkesztője. Ez komoly kihívást jelent a szakemberek számára.

Egy olyan elméleti AI-eszköz, amely a tüdőrákszűrésen a csomók 95 százalékát képes kimutatni, míg a radiológusok 90 százalékát, nem jelenti a radiológusok leváltását. Az emberi és a gépi intelligencia eltérő típusú, és az emberi megértés olyan kontextusokat is figyelembe vehet, amelyeket az AI nem.

A cél az ideális ember-AI csapat létrehozása, amelyben a radiológusok megtanulják felismerni az AI tévedéseit, miközben az automatizációs torzítás (automation bias) és az automatizációs elbizakodottság (automation complacency) csapdáit is elkerülik. A szakembereknek ismerniük kell az AI működésének alapelveit, hogy megértsék, mikor vezethetik őket félre az algoritmusok.