És akkor Dr. House-t feltöltötték a Skynetre

A Medical Sieve egy hosszú távú fejlesztés, ami egy új generációs, a multimodális analitika módszerével dolgozó kognitív rendszert hozna létre. Ízlelgessék kicsit ezt a mondatot, aztán nyugodtan köpjék ki. A lényeg: van az IBM-nek ez a házon belül fejlesztett mesterséges intelligenciája, a Watson. Az értelmi képességeit tekintve félúton van egy jobb sakkprogram és a T–800-as Terminátor között, legalábbis a mai állapotában, de nagyjából mindenre megtanítható.

Ezt a rendszert használnák orvosi leletek elemzésére. A „multimodális analitika módszerével dolgozó kognitív rendszer” magyarul úgy hangzik, hogy „kiképzik Watsont profi radiológusnak, hogy orvosdiagnosztikai feladatokat is elláthasson” – így érthetőbb, ugye? 

A Medical Sieve (MS) egy hatalmas adatbázishoz kapcsolódik, ami összesíti a meglévő klinikai ismereteket, és ezek alapján felismeri a betegségek tüneteit az orvosi felvételeken. Ezzel sokat segíthet a radiológusoknak és kardiológusoknak. Az MS értelmezni tudja a röntgenfelvételeket, az ultrahangvizsgálatok eredményeit, de elboldogul az MR-rel, a CT-vel, a PET-tel, illetve a szakmai szövegekkel is. Az MS, ahogy a neve is utal rá (a sieve angolul szitát, szűrőt jelent) megszűri a szükséges klinikai adatokat, amikre az orvosoknak szüksége van; így könnyebb felállítani a diagnózist, illetve kiválasztani a hatékony kezelést.

Az IBM munkatársai egy nemzetközi kutatócsoporttal együttműködve fejlesztik az MS-t. Az orvoscsoportok mindegyike más-más szakterületekkel foglalkozik: például ultrahanggal, mammográfiával, MRI-vel, kardiológiával, vagy CT-vel. A szakértők felügyelik a munkát, eljuttatják az IBM-nek a szükséges adatokat, és közben aktívan tesztelik a rendszert. Még kísérleti stádiumban van, de a hasznossága már most is látható.

Az egészségügy az új laptopbiznisz

Aki utoljára egy Thinkpad tetején találkozott az IBM nevével, nyilván furcsállja, hogy mit akar az orvostechnológiától egy hardvergyártó. Pedig az IBM komolyan veszi a nyitást az egészségügy felé: idén nyáron például egymilliárd dollárért felvásárolták a Merge Healthcare-t. Az erről szóló sajtóközleményben megjegyezték, hogy a képalkotó diagnosztikai adatok mennyisége észvesztő mértékben nő: az egészségügyben, de talán az egész világon ez a leggyorsabban növekvő adatforrás. (Az egészségügy teljes adatforgalmának 90 százalékát ezek a felvételek adják.)

Ennyi adatot emberi munkával képtelenség feldolgozni; itt jól érvényesül a Watson öntanuló mechanizmusa. Van is egy külön egészségügyi platform a cégen belül, a Watson Health, ahol a mesterséges intelligencia mintafelismerő képességét hasznosítják. A Watson Health összesen 315 milliárd adattal dolgozik, köztük 90 millió páciens egyedi kórtörténetével. Mivel ehhez már egy felhő alapú infrastruktúra kell, létrehozták a Watson Health Cloudot, aminek az adatbázisát folyamatosan bővíthetik. A big datára épülő rendszereknél ez idővel nagyobb pontosságot eredményez: minél több a nettó adat, annál alaposabb lehet a végső diagnózis.

Na de akkor most a gépek elveszik az ember elől a munkát? Nem egészen, csak azt a részét, amit a radiológusok amúgy is gyűlölnek, ezzel is csökkentve a kockázatot. Az orvosok fizikailag nem tudnak feldolgozni ennyi adatot: egy idő után a szem elkezd fáradni, lanyhul a koncentráció, lassabban fog az agy. Egy sürgősségi osztályon dolgozó radiológus naponta több mint 200 beteggel foglalkozik, és ezekhez rengeteg felvételt készítenek: CT-t, röntgent, MRI-t. Ez rengeteg adat. (Az olyan esetek, mint az alsótesti CT angiográfia, tanulmányonként 3000 képből állnak.)

Ráadásul olyan munkára sikerült gépi erőforrást találni, amit amúgy sem végezne el senki más. Radiológusból világszerte kevés van, az utánpótlásukat is nehéz biztosítani. (Hogy a radiológusok mennyire túlterheltek, már most is, arról komplett tanulmányok születtek.) De egy olyan rendszer, ami nagy pontossággal dolgozhat nagy mennyiségű adattal, sok munkát levenne a vállukról. 

A helyzet tényleg fenntarthatatlannak tűnik. Az IBM adatai szerint

• még a legnagyobb specialisták sem boldogulnak ennyi anyaggal, mert az elsősegély-állomást is üzemeltető kórházak naponta akár százezer felvételt is kaphatnak;
• a gépek és az ember közti kommunikáció még mindig nehézkes, ezért a legtöbb elemzést kézzel kell elvégezni, de a Watson ezen is segíthet;
• a radiológusok rengeteg orvosi adattal dolgoznak (genetikai elemzésekkel, laboreredményekkel, orvosi feljegyzésekkel), de a képalkotási eljárások nem tartoznak a legfelkapottabb részterületek közé.

A Watson Health Cloud leegyszerűsítené az analízist azáltal, hogy kereszthivatkozásokat vizsgálna az elektronikusan tárolt adatokban. Ez lehet génteszt, klinikai feljegyzés, vagy bármilyen más, egészségügyi vonatkozású adatforrás. A Merge ügyfelei például összevethetik az új orvosi feljegyzéseket egy páciens kórtörténetében, figyelembe véve azt is, hogy a hasonló korú betegekre milyen elváltozások és anomáliák jellemzők.

Nem holnap jönnek a robotok 

Kelly úgy látja, az orvosi leletek a legösszetettebb digitális adatok közé tartoznak; szinte nincs még egy olyan terület, ahol ekkora hasznát vennék a gépi tanulásnak és a kognitív számításoknak. A Merge felvásárlása azt mutatja, hogy az IBM nagy potenciált lát a dologban, de ezt ők maguk is megerősítették: Kelly szerint 10 éven belül az egészségügy lesz az IBM leggyorsabban növekedő platformja.

Az tény, hogy a Watson adatelemző képességei és a Merge orvostechnológiai szakértelme együtt nagy dolgokra lehet képes, de azt az IBM is elismeri, hogy ebből nem holnap lesz kereskedelmi termék. A technológia zürichi bemutatóján Flora Gibson-Solomon, a projekt egyik menedzsere arról beszélt, hogy a Medical Sieve-et nagyjából 2030-tól lehetne rendszeresíteni az egészségügyben. És még addig is számos problémát kell megoldani:

• Hozzáférni az egészségügyi adatokhoz. Ezeket többnyire bizalmasan kezelik, de az Elektronikus Egészségügyi Nyilvántartó Rendszerben temérdek információ van: tünetek, szimptómák, demográfiai adatok. A big data analízishez viszont a lehető legtöbb adat kell. (Ez nemcsak az IBM-nek jelenthet problémát, hanem mindenkinek, aki olyan szolgáltatást tervez, ami nem független az államtól. Az egészségügy is ilyen. Ha adatvédelmi okokra hivatkozva megtagadják a hozzáférést az egészségügyi kartonokhoz, a diagnosztikai rendszerek kevesebb adattal dolgozhatnak.)
• Megtanítani Watsont olvasni. A rendszernek kezelnie kell az orvosi szövegeket is, azzal a sok bonyolult összefüggéssel meg latin szóval. Ehhez nem elég a szöveganalízis (text analytics), csak a nyelvfeldolgozó algoritmus (Natural Language Processing, NPL). A kettő között az a különbség, hogy a szöveganalízis úgy kezeli a folyó szövegeket, mint bármilyen más adatot, de nem értelmezi azt, az NPL viszont igen.
• Profi képfeldolgozó berendezésekre van szükség. A radiológusok munkájából sokan csak annyit látnak, hogy valami homályos Rorschach-teszteket nézegetnek neonfénynél, aztán megmondják, hogy a betegnek rákja, lábtörése, vagy vérző hasi aorta aneurizmája van. Pedig nekik szabad szemmel kell megállapítaniuk azokból a homályos képekből, hogy az ott a felvételen egy rosszindulatú daganat-e vagy sem. Ha meg akarják tanítani egy számítógépnek, hogy ismerje föl ezt a különbséget, ahhoz kifinomult berendezések és algoritmusok kellenek. 

Ha a rendszer megfelelően működik, életet is menthet – de munkaidőt egész biztosan.

Az egész olyan, mint a Hol van Wally?

– jegyezte meg Gibson-Solomon a prezentáció alatt, arra utalva, hogy az emberi szemnek sokkal nehezebb észrevennie egy mintát, mint egy gépnek. Mi csak nehezen szúrjuk ki a Wallyt a mese állóképein, de egy gép, ami tudja, mit kell keresnie, pillanatok alatt észlelheti. (Ezen a ponton - szinte végzetszerűen - lefagyott a prezentációhoz használt laptop, így a gépnek esélye se volt megtalálni Wallyt. Nagyjából ennyi elég is a számítógépes adatelemzés hátrányairól.) 

De a végső döntést úgysem a gép hozza meg, hanem a radiológusok. A Medical Sieve csak egy eszköz, ami segítheti a munkájukat. A rendszer automatikusan elemzi a képeket, majd továbbítja az adatokat egy szakembernek, akik így időt takaríthatnak meg. Akárcsak az IBM egy másik platformján, itt is működik egy ajánlórendszer, ami figyel, keres, összegez, majd olyan összefüggésekre mutathat rá, amiket csak hónapokig tartó kutatómunkával lehetne felderíteni. 

Még nem igazi orvos

Gibson-Solomon szerint a Medical Sieve éppenséggel adhat tippeket az orvosoknak, de nem ez az elsődleges feladata, hanem az adatelemzés megkönnyítése. A prezentáció során ugyanakkor megemlíti, hogy a következő lépcsőfok - ha a fentieket sikerül biztosítani - a differenciáldiagnózis lenne. Tudják, ez ugyanaz, mint amit Dr. House is csinált: összeírja az összes tünetet, szűkíti a lehetséges betegségek számát, majd a szimptómákat és a beteg kórtörténetét figyelembe véve kezelési javaslatokat tesz. Tehát nagyjából egy igazi orvos módszerével dolgozhat, csak szebben ír, és nem káromkodik a betegek előtt.