Google je razvio novi sustav umjetne inteligencije nazvan CoDoC, koji ima za cilj odrediti kada vjerovati medicinskim dijagnozama temeljenim na umjetnoj inteligenciji, a kada potražiti drugo mišljenje kod ljudskog liječnika.
Sustav je osmišljen kako bi poboljšao učinkovitost analize medicinskih podataka skeniranja, potencijalno smanjujući radno opterećenje liječnika za 66 posto, uz zadržavanje točnosti. Međutim, navedeni sustav tek treba proći testiranje u stvarnom kliničkom okruženju, a provedeno istraživanje objavljeno je u časopisu Nature Medicine.
CoDoC, inče skraćenica za Complementarity-driven Deferral-to-Clinical Workflow, rješava uobičajeni problem s trenutnim alatima umjetne inteligencije, koji ponekad generiraju izmišljene informacije kada nemaju pouzdane odgovore. Radi u kombinaciji s postojećim AI sustavima koji se koriste za tumačenje medicinskih slika, poput rendgenskih snimaka prsnog koša i mamografije.
Primjerice, kada alat s umjetnom inteligencijom za predviđanje procjenjuje mamografiju, CoDoC procjenjuje razinu pouzdanosti alata kako bi utvrdio je li dovoljno pouzdan za dijagnozu, ili je u slučajevima neizvjesnosti potrebna ljudska uključenost. Drugim riječima, učeći o točnosti AI alata i njihovim procjenama pouzdanosti u odnosu na liječnike, CoDoC određuje mogu li se naknadnim AI analizama vjerovati ili zahtijevaju ljudsku provjeru.
Točnost sustava bolja od samog liječnika ili specijaliziranog AI alata
Tijekom teorijske evaluacije koju su proveli Google Research i Google DeepMind, CoDoC je smanjio lažno pozitivne interpretacije mamograma za 25 posto. Sustav se obučava pomoću podataka koji uključuju analize medicinskih slika prediktivnim AI alatima, zajedno s razinama pouzdanosti alata u njihovim procjenama. Ti se rezultati zatim uspoređuju s tumačenjima ljudskih liječnika specijalista i potvrđuju biopsijama ili drugim metodama.
Ako koristite CoDoC zajedno s alatom AI i mišljenjima pravog radiologa, a zatim CoDoC pomaže odlučiti koje mišljenje upotrijebiti, rezultirajuća točnost je bolje od same osobe ili AI alata, kaže Alan Karthikesalingam iz Google Health UK.
Velika interoperbilnost
Testovi su ponovljeni korištenjem različitih skupova podataka za mamografiju i rentgen, za probir tuberkuloze, koristeći različite prediktivne AI sustave te su dali slične rezultate.
Prednost CoDoC-a je u tome što je interoperabilan s raznim specijaliziranim AI sustavima, ističe pak Krishnamurthy "Dj" Dvijotham iz Google DeepMinda.
"Čini se kao dobra ideja"
Iako je navedeni razvoj Googleovog AI sustava obećavajući, Helen Salisbury sa Sveučilišta u Oxfordu ističe da mamografije i provjere tuberkuloze uključuju manje varijabli u usporedbi s većinom dijagnostičkih odluka. Stoga će proširenje upotrebe umjetne inteligencije na druge aplikacije predstavljati izazove.
Za sustave u kojima trenutno nemate šanse utjecati na ono što izlazi iz crne kutije, čini se kao dobra ideja dodati strojno učenje. Hoe li to rezultirati umjetnom inteligencijom koja će biti tu s nama cijeli dan, ne zna", napominje Salisbury.
Izvpr: New Scientist
