Veštačka inteligencija u obradi biomedicinskih slika i imidžingu

Mašinsko učenje (machine learning - ML), kao deo metoda veštačke inteligencije (artificial intelligence - AI), značajno je oblikovalo način na koji živimo poslednjih godina. AI je ugrađen u današnje pretraživače, marketinška rešenja, pametne uređaje, društvene medije, autonomna vozila, dronove, industriju zabave, industrijsku inspekciju i nadzor, igre, vojnu industriju ... i kao takav ima značajan uticaj na naš život. Po svoj prilici, ovaj uticaj će se samo povećavati u godinama koje dolaze. Polako, ali sigurno, AI se probija i sada već zauzima značajno mesto u domenu medicine i ima značajnu kliničku primenu. Pre nego što zaronimo u određene primene AI i primere upotrebe veštačke inteligencije, razmotrimo na trenutak šta su AI i ML.

danilo babin s
Danilo Babin, imec-TELIN-IPI, Ghent University, Belgium

Šta je veštačka inteligencija –AI?

Najjednostavniji način kako da shvatimo šta je veštačka inteligencija je da pokušamo da je posmatramo kao klasifikator (za čitaoce koji imaju dublje poznavanje mašinskog učenja: uzmite u obzir da je sledeće objašnjenje usmereno na osobe koji nisu eksperti i dopustite određena odstupanja od striktno naučnog pristupa u vezi sa ovom temom). Šta znači da je AI klasifikator? Jednostavno, klasifikator samo dodeljuje (klasifikuje) ulazne podatke nekim unapred određenim klasama. Na primer, lekar bi mogao da koristi veštačku inteligenciju za ispitivanje slika sumnjivih lezija kože i klasifikuje ih kao „benigne“ ili „maligne“. Još jedan slučaj upotrebe je obrada slika krvnih sudova u potrazi za obolelim sudovima (npr. aneurizme ili malformacije), gde se sudovi na kraju klasifikuju kao „zdravi“ ili „abnormalni“.

Kako funkcioniše mašinsko učenje?

Postoji nekoliko principa mašinskog učenja (machine learning – ML) i svaki od njih ima različite karakteristike. Neki primeri uključuju vektorske mašine za podršku, stabla za odlučivanje, algoritme slučajne šume i, od skora, najpopularnije neuronske mreže (neural networks - NN) kao što su duboke neuronske mreže, konvolucione mreže, potpuno povezane neuronske mreže... Osnovni koncept neuronskih mreža podseća na funkcionisanje ljudskog mozga na vrlo pojednostavljen (ali moćan) način. Čitav princip je izgrađen na „perceptronu“ - jedinici (glavnom gradivnom bloku) NN-a. Perceptron je osnovni element neuronske mreže, koji pokušava da oponaša ponašanje neurona u ljudskom mozgu. Perceptron uzima brojne ulazne parametre i donosi odluku na osnovu ulaznih vrednosti i težina dodeljenih svakom parametru (vidi sliku 1). Na primer, pretpostavimo da želim da utvrdim da li bi danas trebalo da nosim čizme. Odluku zasnivam na tome da li ima kiše (ako pada kiša, ulazna vrednost za ovaj parametar iznosi 1, inače je ulazna vrednost 0), ako je napolju hladno (npr. ako je ispod 10 stepeni, koristim ulaznu vrednost 1; u slučaju da ima najmanje 10 stepeni, ulazna vrednost je 0) i da li planiram da budem napolju tokom većeg dela dana (unos za „da“ je 1, a za „ne“ je 0). Sada, ako su sva 3 parametra podjednako važna, svima im dodelim ponder od 1/3 = 0,333 ... (svi ponderi moraju da imaju u zbiru 1) i za date okolnosti (date vrednosti ulaznih parametara) perceptron izračunava rezultat množenjem svake ulazne vrednosti sa odgovarajućim težinskim koeficijentom, sumirajući ih sve na kraju. Pri tom smo definisali prag vrednosti od 0,5 (ako je iznad 0,5 odlučuje za nošenje čizama ako ispod odlučuje protiv).

Figure 1

Slika 1. Perceptron

Iako je ovo pojednostavljen primer (ne, nije mi potreban perceptron da bih odlučio da li ću nositi čizme ili ne), on pokazuje kako perceptron deluje u složenijim postavkama: težine (težinski koeficijent) dodeljene svakom od ulaza ne moraju nužno biti iste. Možemo dati prioritet određenom ulazu povećavanjem njegove težine i smanjenjem težine drugih ulaza (npr. ako bih dao prioritet parametru „pada li kiša“, mogao bih da povećam njegovu vrednost na 0,4 i smanjim vrednosti „da li je hladno“ i parametara „provodim dan napolju“ na 0,3. Imajte na umu da ako povećamo težinu parametra „pada li kiša“ iznad 0,5, cela odluka zasniva se samo na činjenici da li ima kiše ili ne). Zaista, u gornjem primeru sam odredio težine perceptrona, ali u slučaju neuronske mreže, mehanizam za učenje neuronske mreže će prilagoditi težine svakog perceptrona pojedinačno prema željenom rezultatu klasifikacije na setu podataka za trening neuronske mreže. Takođe, imajte na umu da ulazne vrednosti mogu biti bilo koje vrednosti u unapred definisanom opsegu (ne samo 0 i 1, već bilo koja vrednost između), dok je izlaz takođe stvarna vrednost (opet, ne samo 0 i 1, već bilo koja vrednost između. Zamislite izlaznu vrednost kao meru verovatnoće određenog događaja). Ova uopštavanja čine perceptron moćnim sistemom odlučivanja.

Stvaranje neuronske mreže (ili „izgradnja mozga“)

Do sada smo objasnili perceptron kao osnovni element NN, baš kao što je neuron za mozak (perceptron možete smatrati ekvivalentom „digitalnog neurona“). Sledeći korak je izgradnja mreže koja koristi mnogo perceptrona. Za razliku od stvarnog ljudskog mozga koji ima mnogo složenih veza između svojih regiona, mi koristimo jednostavniji način konstruisanja neuronske mreže. Pokušajmo da zamislimo slaganje mnogih perceptrona u sloj (dakle, samo vertikalno postavljanje brojnih perceptrona jedan iznad drugog) i povezivanje izlaza perceptrona iz ovog sloja na ulaze sledećeg sloja (dakle, kreiramo još jedan vertikalni sloj perceptrona iza prvog sloja i povezujemo izlaze perceptrona sa prvog sloja na ulaze perceptrona drugog sloja). Ako nastavimo sa dodavanjem slojeva perceptrona, na kraju ćemo dobiti mrežu kao što je prikazano na slici 2.

Figure 2

Slika 2. Neuronska mreža

Svaka neuronska mreža se sastoji od:

  1. Ulaznog sloja (ulazni parametri iz kojih pokušavamo da izvršimo klasifikaciju ili je, u slučaju obrade slike, svaki ulazni čvor piksel sa slike),
  2. Izlaznog sloja (klase klasifikacije, u slučaju primera klasifikacije lezija kože, u izlaznom sloju postoji samo 1 čvor, jer radimo sa binarnom odlukom - lezija je ili „benigna“ i „maligna“, što odgovara rezultatima 0 i 1 na izlaznom čvoru)
  3. Skriveni sloj između ulaznog i izlaznog sloja (skriveni se odnosi na činjenicu da njihovi slojevi nisu direktno dostupni korisnicima). Može biti više skrivenih slojeva perceptrona (što je najčešće i slučaj). Ako kreiramo mrežu od više od jednog skrivenog sloja, govorimo o dubokim neuronskim mrežama (postoji spor oko broja slojeva potrebnih za nazivanje mreže „dubokom“ neuronskom mrežom, ali recimo da je 1 skriveni sloj perceptrona dovoljno da joj damo taj naziv). Ako su svi perceptroni iz jednog sloja povezani sa svim perceptronom u drugom sloju, govorimo o potpuno povezanoj dubokoj neuronskoj mreži.

Šta dobijamo ovakvim slaganjem perceptrona u slojeve? Svaki sloj generalizuje odluke donete na osnovu perceptrona u prethodnom sloju, što znači da uvođenjem više slojeva stvara mrežu koja bi trebala (ako je dobro obučena) da stvori opšta pravila za donošenje odluka o klasifikaciji. Početni slojevi donose odluke na „niskom nivou“ i kako se krećemo prema kraju mreže, donose se odluke na višem nivou. Na primer, razmotrimo kako bi NN mogla da nauči da prepozna grananje krvnih sudova i bifurkacije na slici polazeći od jednostavnih karakteristika i krećući se ka složenijim (opštijim) karakteristikama (vidi ilustraciju na slici 3).

figure 3

Ilustracija nivoa učenja u neuronskim mrežama: (a) izdvajanje jednostavnih karakteristika na slici (crvene ivice, regioni sudova u plavoj i pozadina u zelenoj boji), (b) grupisanje karakteristika u segmentaciju krvnog suda, (c) izdvajanje središnjih piksela iz segmentacije i (d) podele stabla krvnog suda na grane i bifurkacije. Deo ove slike je preuzet sa DOI: https://doi.org/10.3174/ajnr.A1768

Prvi slojevi u neuronskoj mreži radili bi na karakteristikama niskog nivoa, što znači da bi naučili da izdvajaju ivice (prikazane crvenim krugovima), regione sudova (plavi krugovi) i regije pozadine (zeleni krugovi). Sledeći slojevi bi naučili da koriste izdvojene karakteristike za izdvajanje čitavog regiona suda (tj. izvršavanje segmentacije). Nakon nivoa segmentacije, sledeći slojevi bi naučili da generalizuju (pojednostave) segmentiranu strukturu izvlačenjem piksela u središnjoj liniji. Konačno, poslednji sloj(evi) naučili bi da tumače ove središnje linije kako bi izvukli tačke bifurkacije i grane krvnog suda. Imajte na umu kako je mreža prešla od učenja jednostavnih karakteristika slike do tumačenja i analize krvnog suda kao završnog koraka. Ovo je vrsta generalizacije koju radi NN.

Druga važna stvar koju treba razumeti je da nije dovoljno samo stvoriti moćnu mrežu, već mreža mora biti obučena za obavljanje određenog zadatka. Obuka mreže je samo prilagođavanje težina ulaznih parametara perceptrona tako da odgovaraju određenom klasifikacionom zadatku. To se postiže hranjenjem mreže ulaznim podacima zajedno sa željenim rezultatom klasifikacije za svaki uzorak podataka. Mreža koristi metod učenja (Gradient Decent metoda) za automatsko podešavanje težina perceptrona kako bi se dobili najbolji rezultati klasifikacije na podacima obuke. Postoji više načina na koji mreža izvodi učenje, ali ovo prevazilazi opseg ovog članka (za čitaoce zainteresovane da saznaju više o toj temi, predložio bih da potraže tehničke članke o neuronskim mrežama [1,2]).

Podaci kao uslov za stvaranje uspešne metode mašinskog učenja

Uprkos velikom napretku poslednjih godina, metode mašinskog učenja (machine learning – ML) nisu toliko nove i postoje već nekoliko decenija (naravno, tokom tog vremena su se znatno poboljšale). Ali, ako ML nije toliko nov, pitanje koje se prirodno nameće je zašto je tek sada napravio tako veliki proboj? Za to postoji više razloga, ali presudni leži u dostupnosti podataka za obuku mreža. Ključ za dizajniranje efikasne metode ML je velika količina i velika varijabilnost anotiranih podataka (anotirani podaci znače da za određeni uzorak podataka tačno znamo kojoj klasi pripada. Npr. slika lezije kože za koju znamo sa 100% izvesnost da li je lezija maligna ili benigna). To se naziva nadgledano učenje, jer se model ML uči na osnovnim primerima istine – ground truth (anotiranim). Učenje bez nadzora, takođe, postoji (bez označenih ili anotiranih podataka), ali se proteže izvan delokruga ovog članka. U oba slučaja potrebne su velike količine podataka da bi se model ML naučio i generalizovao. Razlog tome je što ML model treba da se predstavi sa reprezentativnim podskupom uzorka za određenu klasu u kojoj se obučava. Jednostavno, da bismo obuhvatili većinu varijanti unutar određene klase, moramo koristiti mnogo uzoraka za obuke te klase. Najčešće (bez odgovora) pitanje na koje nailazimo je „koliko mi podataka treba da bih efikasno obučio svoju metodu ML?“. (Nezadovoljavajuć) odgovor je uvek „što je više moguće“. Bolje pitanje o kojem treba razmisliti je zašto je tako teško odrediti stvarnu količinu podataka potrebnih za trening ML? Ovde ulogu igra više faktora: tip ML metode (duboke neuronske mreže, konvolucione neuronske mreže, algoritam slučajne šume, vektorske mašine za podršku...), arhitektura (za neuronsku mrežu: broj ulaznih, skrivenih i izlaznih slojeva, vrsta optimizatora, veličina serije, broj epoha...), koliko uzoraka je potrebno da bi se napravio reprezentativni poduzorak klase od interesa (npr. ako pokušamo segmentirati složeni oblik, treba će više uzoraka nego da segmentiramo nešto tako jednostavno kao što je sfera) i, konačno, koliko se razlikuju postojeći uzorci obuke (mnogi uzorci obuke mogu biti gotovo isti, tako da ne sadrže nikakve dodatne informacije).

Označavanje (anotacija) podataka

Kao što smo već istakli, dostupnost podataka omogućila je presudan korak unapred kada se radi o korišćenju metoda mašinskog učenja. Većina bolnica već poseduje ogromne baze podataka specifičnih za pacijenta koje su neprocenjive za obuku metoda ML (naravno, za takve primene moraju se pribaviti etička odobrenja i saglasnosti pacijenata, uz poštovanje GDPR-a). Najčešće, najproblematičniji proces leži u anotaciji ili označavanju podataka za obuku neuronskih mreža. Konkretno, to znači da za svaki uzorak obuke dajemo konačnu oznaku kojoj klasi pripada. Na primer, u slučaju otkrivanja raka kože, svaku sliku lezije moramo da označimo kao „malignu“ ili „benignu“. Slika se „ubacuje“ u neuronsku mrežu zajedno sa stvarnom oznakom (odlukom). U slučaju opisanog primera raka kože, oznaka se određuje na osnovu biopsije (ekscizija lezije) i 100% je ispravna (problem u otkrivanju karcinoma kože na osnovu AI ne leži u anotaciji, već u činjenici da zahteva desetine hiljada slika za obučavanje modela). Međutim, postoje slučajevi kada označavanje nije savršeno i idealno.

Segmentacija slike (podela slike na objekte od interesa) je proces u kome se pikseli slike klasifikuju u odnosu na to da li pripadaju predmetu koji nas zanima (nalaze se u prvom planu) ili svemu ostalom (pozadina). Na primer, segmentacija krvnih sudova će svaki piksel koji pripada krvnim sudovima označiti kao prvi plan, a sve ostalo kao pozadinu. Ovde imamo jasnu situaciju u kojoj se pikseli slike klasifikuju u piksele prvog plana i pozadine, pa je upotreba ML (kao klasifikatora) pravi način da se ovo postigne. Jedini problem je šta koristiti kao oznaku (osnovna istina). U idealnom slučaju, želeli bismo da imamo podatke za obuku ili trening mreže koji su praćeni tačnom osnovnom istinom - mapom koji piksel pripada kojoj strukturi na slici. Takva (100% tačna) mapa ne postoji iz razloga što se medicinske slike prave na pacijentima ili dobrovoljcima. Provera da li piksel pripada određenom organu ili tkivu od interesa zahteva fizičku proveru strukture i anatomije unutar pacijenta. Za rešavanje ovog problema predložena su dva moguća rešenja. Prvo rešenje je dizajn fantoma - veštačkih struktura koje podsećaju na organe ili tkivo od interesa. U ovom slučaju sa 100% tačnošću možemo znati koji piksel na slici pripada kojoj strukturi, ali problem je u tome što je dobijena slika veštačke strukture. To znači da struktura, ipak, ne reflektuje u potpunosti tačno stvarna (živa) tkiva ili organe od interesa. Često je vrlo teško precizno simulirati funkciju organa (krvotok, otkucaji srca ...). Drugi pristup anotaciji podataka segmentacije je korišćenje ručnih (ručno rađenih) anotacija stručnjaka - eksperata. To uključuje brojne eksperte koji ocrtavaju strukturu koja nas zanima u originalnim slikama.

Proces ručnog označavanja je manjkav iz dva razloga: zbog neodređene (sumnjive) tačnosti i varijabilnosti u pogledu anotacije između eksperata. Varijabilnost između posmatrača je pojam koji se odnosi na činjenicu da će različiti eksperti generisati različite anotacije (crtati različite regije za isto tkivo ili organ) na istoj slici. Na prvi pogled, ovo bi moglo izgledati kao posledica razlike u nivou iskustva, edukacije ili stažu između stručnjaka, ali sada znamo da ovi faktori ne igraju presudnu ulogu. Isti (jedan) stručnjak koji beleži istu (jednu) sliku u vremenskom rasponu od nekoliko meseci (ili čak nedelja ili dana) između procesa anotacije, različito će označiti sliku. Ovde govorimo o varijabilnosti unutar posmatrača (varijabilnost ponovljenih anotacija za jednog eksperta). Ključno je razumeti zašto se to događa - zašto isti stručnjak različito komentariše istu sliku u sukcesivnim ispitivanjima? Odgovor na ovo pitanje takođe otkriva osnovni koncept ML metoda. Odgovor je: zbog učenja.

Posledice učenja (ili „treba li veštačku inteligenciju koristiti svuda?“)

Učenje je koncept svakodnevnog ažuriranja naših stavova i preispitivanja naših principa za određenu stvar od interesa. Svakog jutra budimo se sa malo drugačijim pogledom na naše svakodnevne probleme i aktivnosti. Učenje se dešava čak i kada se čini da se naš um odmara - koristi slobodno vreme da sabere naše misli i stvori nove koncepte. Imajući ovo na umu, shvatamo da ista osoba koja više puta označava istu sliku u stvari ne koristi iste principe prilikom anotacije. Bez da je i sama znala, osoba je promenila (bar malo) svoje stavove o tome i stvorila je nove koncepte i relacije između uzastopnih označavanja, što rezultira razlikama koje su opisane. Što je duži period između označavanja (anotacija), to su razlike u napomenama verovatnije (i možda istaknutije). Kakve ovo veze ima sa ML? Da li se isti princip primenjuje na metode ML? U stvari - da, ima.

Pretpostavimo da je neuronska mreža naučena da rešava određeni problem klasifikacije na skupu podataka za obuku, npr. neuronska mreža je obučena za segmentaciju malformacija cerebralnih krvnih sudova koristeći 100 označenih slika, pri čemu ova utrenirana metoda vrši segmentaciju sa pristojnom tačnošću. Sada pretpostavimo da smo godinu dana kasnije prikupili i označili još 100 slika. Savršeno je logično da ponovo obučimo našu metodu na 200 slika koje sada imamo na raspolaganju za dalje poboljšanje metode segmentacije. Ako pokrenemo našu novo-utreniranu metodu na istim trening  podacima koje smo koristili kada smo imali samo 100 slika (ovaj skup podataka je nezavistan od podataka obuke), primetićemo da postoje razlike u poređenju trenutnih i ranijih rezultata segmentacije. To smo i očekivali (jer smo uveli više slika radi poboljšanja metode), ali rezultati se mogu razlikovati čak i za one slučajeve kada je segmentacija bila tačna u prethodnoj verziji (još gore, rezultati nove metode mogu biti čak i gori nego ranije, što ukazuje na to da se dogodilo prekomerno „utreniravanje“ (overfitting) - metoda je naučila slike iz trening seta podataka napamet). Očigledno je da smo ponovnim obučavanjem naše metode smanjili reproducibilnost, što se upravo događa i kod ljudskih eksperata tokom njihovog procesa učenja. Čak i kada bismo ponovo obučili našu mrežu koristeći isti skup podataka, metoda bi bila obučena drugačije. Razlog je svojstven neuronskim mrežama - početno stanje perceptrona je slučajno, a proces učenja je, takođe, nasumičan (da bi se omogućilo bolje uopštavanje).

Da li to znači da je pod znakom upita tačnost metoda ML? Nimalo. Ako se dobro obuče, neuronske mreže postižu visoku tačnost i dovoljno visoku reproducibilnost. Međutim, mnogo toga zavisi od korišćenih anotacija i pokazali smo da ljudske anotacije mogu biti pogrešne. Da li to znači da se označavanja ljudskih stručnjaka ne bi smela koristiti? Ne - ljudske anotacije mogu biti od vitalnog značaja u slučajevima kada postoji (gotovo) potpuno slaganje između stručnjaka. Međutim, za fine odluke (npr. segmentiranje finih struktura na slikama) i slučajeve u kojima je ponovljivost od najveće važnosti, klasične (determinističke) metode obrade slika su i dalje od velike važnosti i treba im dati prednost u odnosu na metode obučavanja na ručnim oznakama (jer takve metode uključuju greške sadržane u pogrešnim anotacijama). Ovde smo došli do vitalnog zaključka: neuronske mreže su onoliko dobre koliko su anotacije korišćene za njihovu obuku dobre i anotacije zasnovane na ljudskom mišljenju manjkave. Da citiram agenta Smitha („The Matrix“, 1999): „Nikad ne šaljite čoveka da radi posao mašine“.

Primeri upotrebe

Već smo spomenuli upotrebu AI u proceni lezija kože. U praksi je problem sa kojim se dermatolozi susreću prilikom procene kožnih lezija taj što često šalju sve sumnjive lezije na biopsiju (kako bi bili sigurni da neće propustiti nijednu malignu leziju), što rezultira uklanjanjem mnogih benignih lezija. Stoga se cilj veštačke inteligencije može definisati kao: „smanjiti broj lezija označenih za eksciziju, bez propuštanja bilo koje maligne lezije“. Drugim rečima, moramo poboljšati specifičnost, istovremeno zadržavajući (ili, ako je moguće, poboljšavajući) osetljivost.

Primer upotrebe veštačke inteligencije za otkrivanje anomalija krvnih sudova je u ovom pogledu malo drugačiji, jer je glavni cilj ovde pronaći sve moguće sumnjive regije krvnog suda i poslati pacijente na pregled kod lekara. U ovom konkretnom slučaju, lekar je potrebno puno vremena da proveri sve krvne sudove, što je naporan i glomazan postupak. Stoga je cilj AI da ukaže na potencijalne kandidate za ovaj pregled bez da se propusti krvni sud koji je zaista bolestan. Drugim rečima, broj kandidata koji se lekaru predoče na dalje ispitivanje mora biti dovoljno visok da obuhvati sve obolele sudove. Činjenica da je generisano nešto više kandidata nego što je potrebno nije problem, jer je krajnji cilj otkriti bolest. Stoga je u ovom slučaju AI težila povećanju osetljivosti po cenu specifičnosti.

Još jedan zanimljiv i primer upotrebe sa kojim se često susrećemo prilikom obrade slike je segmentacija slika. Segmentacija predstavlja ocrtavanje određenog predmeta (tkiva, organa...) na slici za potrebe naknadnih merenja. Na primer, ako želimo da izmerimo zapreminu leve komore srca, uobičajeni pristup je segmentiranje (razgraničenje) komore (utvrđivanje koji pikseli na slici pripadaju komori) i izvođenje merenja (računanje koliko piksela pripadaju komori, pomnoženo sa veličinom piksela datog u milimetrima). U ovom kontekstu, AI klasifikuje piksele na slici kao piksele „leve komore“ ili „ostala tkiva“. Najčešće korišćene neuronske mreže uključuju U-net arhitekture koje su se pokazale kao velika prednost kada su podaci o obuci oskudni (a uobičajeni pristupi povećanju podataka ne uspevaju da reše problem).

veštačka inteligencija u medicini

Otkrivanje određenih bolesti jedan je od najcenjenijih primera upotrebe AI metoda u medicinskoj praksi. Ovo je vođeno stalnim povećanjem mogućnosti za obradu slike i dostupnošću uređaja za obradu slike. MR snimanje celog tela počinje da dominira nad MR snimanjem pojedinačnog segmenta – anatomije regije, a razlog je taj što snimanje celog tela i dalje pruža dovoljno precizne detalje (iako će snimanje samo određenog dela tela, naravno, rezultirati većim brojem detalja). Mnogi povezani ili čak potpuno nepovezani problemi (bolesti) otkriveni su kod pacijenata koji koriste MR celog tela. Jedan od problema koji se ovde pojavljuje je taj što specijalista (ili čak veći broj njih) mora temeljito i detaljno proveravati tako veliku sliku kako bi otkrio probleme i bolesti koji nisu povezani sa stvarnim glavnim i vodećim zdravstvenim problemom pacijenta (osnovnim razlogom za MR snimanje). Postoji potreba za automatskim sistemom koji bi proveravao sliku celog tela na određene bolesti i označavao sumnjiva mesta radi dodatnog pregleda od strane specijaliste. Cilj je u ovom slučaju imati visoko osetljivu metodu koja bi omogućila otkrivanje većine abnormalnosti i poremećaja, dok bi i dalje značajno smanjila vreme pregleda specijaliste.

Lista primena veštačke inteligencije u medicinskoj praksi je u stalnom porastu, a uvođenjem pametnih nosivih uređaja, AI se koristi za predviđanje određenih zdravstvenih događaja iz podataka koji se mogu dobiti iz uređaja koji se nose duži vremenski period (EKG, EEG, podaci o ponašanju...). Ovim pristupom cilj je pojačati prevenciju, koja se pokazala presudnom u skidanju tereta sa bolnica (bolja prevencija znači manje potrebe za lečenjem) i poboljšanje zdravlja opšte populacije.

Interpretabilnost (ili „da li je sve tako sjajno?“)

Osnovni problem koji je uglavnom povezan sa neuronskim mrežama je interpretabilnost rezultata. Rezultati AI vrlo često potvrđuju zapažanja stručnjaka (naročito ako se obuka izvodila na ručno označenim podacima). Međutim, u nekim slučajevima mišljenja i zaključci AI i ljudskih stručnjaka se razlikuju. Obično to nije ništa neobično - mišljenja više stručnjaka mogu se razlikovati o određenoj temi, zbog čega se traži više mišljenja, a konačno mišljenje daje se konsenzusom. Međutim, u ovom procesu je od izuzetne važnosti da svaki stručnjak opravda svoje mišljenje da bi se to mišljenje uzelo u obzir i uvažilo. I tu NN još uvek ne ispunjavaju zahteve. Neuronske mreže se i dalje odlikuju mehanizmom „crne kutije“ i uloženo je mnogo truda da bi se učinile razumljivim („bela kutija“). Da bi bilo jasno, nije tačno da ne znamo zašto su napravljeni određeni rezultati i ishodi klasifikacije – možemo unazad pratiti rezultate do ulaznih parametara koji su imali najveći uticaj na rezultat. U slučaju slika, takođe možemo utvrditi koji deo slike je imao presudnu ulogu u donošenju određene odluke. Međutim, sve ovo, još uvek nije dovoljno baš zbog fundamentalne razlike u primenjenoj logici ljudskih stručnjaka i logici AI. Na primer, nedavno sam uključen u doktorat gde je tema i cilj lokalizacija delova funkcionalnih ultrazvučnih podataka u anatomskoj strukturi mozga pacova. Iako se metoda dobro pokazala, vraćanje unazad do istaknutih područja slike pokazuje da je najvažniji deo slike u slučaju AI bio region malih krvnih sudova, dok su se svi stručnjaci oslanjali upravo na suprotne regione (spoljne regije mozga gde su vidljivi veliki krvni sudovi) da bi se izvršila lokalizacija. Ovde se postavlja pitanje - koji j pristup bolji i šta možemo naučiti iz činjenice da se region malih krvnih sudova koristi za klasifikaciju prema AI (pored činjenice da je taj region, takođe, adekvatna opcija)?

Teško je odgovoriti na ova pitanja jer se čini da metode ML deluju na potpuno drugom nivou logike u poređenju sa ljudima. Još uvek ne postoji jasan način kako logiku ML metoda povezati sa logikom ljudi. Dok ne rešimo ovaj problem, nećemo moći da učimo iz AI i nećemo mu moći u potpunosti verovati u situacijama (kritičnih) oprečnih mišljenja.

Pogled u budućnost

Pitanje koje se često postavlja je da li će veštačka inteligencija u budućnosti zameniti lekare (i, na kraju, sve nas). Iako je nemoguće predvideti budućnost, jedno mora biti jasno rečeno - cilj trenutnog razvoja veštačke inteligencije u medicinskoj praksi je da pomogne lekarima u svakodnevnom radu (a ne da ih zameni). Iako je AI prešla dugačak put i pokazala se kao velika prednost u mnogobrojnim primenama, ni u kom slučaju nije na nivou da se nadmeće sa sposobnostima ljudskog mozga, za sada. AI je stvoren za rešavanje problema klasifikacije i ovo postiže veoma dobro (mnogo bolje ili barem jednako dobro kao ljudi), ali zahteva ljudskog eksperta da protumači i odobri (ili opovrgne) rezultate. (Sjajni) rezultati koje je postigla veštačka inteligencija često se pogrešno tumače kao proizvod „svemoćnog“ mehanizma koji će rešiti sve naše probleme. Ovo je, naravno, prenaglašavanje - AI, kakav danas postoji, ne uključuje duboko razumevanje problema koji rešava (to se manifestuje u slučajevima kada male promene na slikama imaju veliki uticaj na rezultate klasifikacije – zainteresovani čitaoci bi trebalo da pogledaju „adversarial attacks on neural networks“ [3]). Veštačka inteligencija (još uvek) nije u stanju da svoju logiku prevede na ljudsko rezonovanje (koje je pouzdanije, jer uključuje više nivoa prethodnih informacija i inteligencije). Umesto toga, trebalo bi da na AI gledamo kao na ono što zapravo i jeste - vrlo moćno sredstvo koje će nam, ako se dobro koristi, omogućiti da poboljšamo svaki aspekt našeg zdravstvenog sistema, od prevencije do dijagnoze i lečenja.

Pogledajte još...