Dirbtinio intelekto pagalba vėžio nustatymas naudoja mašininio mokymosi algoritmus medicininiams vaizdams ir patologijos duomenims analizuoti, dažnai aptinkant modelius, kurių žmonės nepastebi. Tik žmonėms atliekama diagnozė priklauso tik nuo apmokytų klinikų, kurie interpretuoja išvadas remdamiesi patirtimi ir klinikiniu vertinimu. Abu metodai turi realių privalumų, o dauguma šiuolaikinių vėžio gydymo būdų dabar apjungia abu.
Mašininio mokymosi sistemos, kurios analizuoja medicininius vaizdus, patologijos preparatus ir pacientų duomenis, kad padėtų anksčiau ir tiksliau nustatyti vėžį.
Tradicinę vėžio diagnostiką atlieka tik apmokyti gydytojai, patologai ir radiologai, pasitelkdami savo patirtį ir klinikinį samprotavimą.
| Funkcija | Dirbtinio intelekto pagalba atliekamas vėžio nustatymas | Diagnozė tik žmonėms |
|---|---|---|
| Diagnostinis greitis | Apdoroja tūkstančius vaizdų per kelias minutes ar valandas | Užtrunka nuo kelių valandų iki kelių dienų, priklausomai nuo bylos sudėtingumo |
| Tikslumas kontroliuojamuose tyrimuose | Panašus į siaurų užduočių (pvz., odos pažeidimų, mamografijos) ekspertų atliekamus tyrimus. | 3–5 % klaidų dažnis įprastinėje praktikoje; skiriasi priklausomai nuo specialybės |
| Gebėjimas valdyti kontekstą | Apsiriboja mokymo duomenų modeliais; sunkiai išsprendžia problemas retais atvejais | Integruoja paciento istoriją, simptomus ir klinikinį vertinimą |
| Nuoseklumas | Labai nuoseklus; ta pati įvestis duoda tą pačią išvestį | Priklauso nuo nuovargio, patirties ir individualaus interpretavimo |
| Kaina ir mastelio keitimas | Pigiai keičiasi įdiegus; mažos ribinės išlaidos vienam atvejui | Brangus masto požiūriu; kiekvienam specialistui reikia metų mokymo |
| Reguliavimo statusas | FDA patvirtinti įrankiai mamografijai, prostatos ir plaučių patikrai | Standartinė priežiūra; visiškai nusistovėjusi klinikinė praktika |
| Retų vėžio formų gydymas | Dažnai pasiekia prastesnių rezultatų dėl riboto mokymo pavyzdžių kiekio | Specialistai gali samprotauti neįprastais pristatymais |
| Skaidrumas | Dažnai tai „juodoji dėžė“; paaiškinamumas išlieka iššūkiu | Galima su pacientais kvestionuoti ir aptarti samprotavimus |
| Pacientų pasitikėjimas | Auga, bet vis dar nevienodai vertinama; kai kurie pacientai renkasi žmogaus atliekamą vertinimą | Stiprus pasitikėjimas; užmegzti gydytojo ir paciento santykiai |
Tiesioginiuose tyrimuose, skirtuose konkrečioms užduotims, tokioms kaip krūties vėžio nustatymas mamogramose ar melanomos nustatymas odos nuotraukose, geriausiai veikiančios dirbtinio intelekto sistemos prilygo arba šiek tiek viršijo vidutinį specialistų tikslumą. Tačiau šie rezultatai gauti iš kuruojamų duomenų rinkinių ir neatspindi realios klinikinės praktikos netvarkos. Žmonių diagnostikai vis tiek pranoksta dirbtinį intelektą, kai atvejai susiję su neįprastais pateikimais, keliomis persidengiančiomis ligomis arba nepilna informacija. Tiesą sakant, dirbtinis intelektas geriau atlieka aiškiai apibrėžtas, pasikartojančias užduotis, o žmonės geriau susidoroja su dviprasmybėmis.
Didžiausias praktinis dirbtinio intelekto privalumas yra našumas. Vienas algoritmas gali triuoti šimtus mamogramų per tą laiką, kai radiologas peržiūri kelias, ir pažymėti įtartiniausius atvejus prioritetinei peržiūrai. Tai nepakeičia radiologo, bet pakeičia jo darbo eigą, sutrumpinant laiką, skiriamą akivaizdžiai normaliems skenavimams. Priešingai, diagnozės nustatymas tik žmogaus pagalba tiesiškai priklauso nuo turimų apmokytų specialistų skaičiaus, o tai yra reali kliūtis daugelyje sveikatos priežiūros sistemų, susiduriančių su specialistų trūkumu.
Žmonės klinicistai suteikia tai, ko šiuo metu trūksta dirbtiniam intelektui: gebėjimą sujungti paciento ligos istoriją, fizinius radinius, ankstesnius vaizdinius tyrimus ir gyvenimišką patirtį į nuoseklią diagnozę. Kai pacientas užsimena apie šeimos vėžio istoriją arba apibūdina simptomus, kurie neatitinka vaizdinių tyrimų rezultatų, gydytojas pakoreguoja jų interpretaciją. Dirbtinio intelekto modeliai, apmokyti naudoti tik vaizdus, praleidžia šiuos signalus, nebent jiems būtų tiesiogiai pateikiami struktūrizuoti duomenys. Štai kodėl dauguma ekspertų DI laiko sprendimų priėmimo įrankiu, o ne atskiru diagnostikos specialistu.
Dirbtinio intelekto sistemos linkusios daryti kitokias klaidas nei žmonės. Jos gali užtikrintai klysti tais atvejais, kurie visiškai nepanašūs į jų mokymo duomenis, ir jas gali apgauti vaizdo artefaktai ar skaitytuvo variantai. Žmonės pavargsta, išsiblaško ir tampa nenuoseklūs, tačiau jie taip pat žino, kada yra netikri, ir gali paprašyti antros nuomonės. Hibridiniai darbo eigos, apjungiančios abu, linkę aptikti klaidas, kurių kitas nepastebėtų, todėl vėžio centrai vis dažniau naudoja dirbtinį intelektą kaip antrą skaitytuvą, o ne kaip pakaitalą.
FDA patvirtino dešimtis dirbtinio intelekto įrankių vėžiui aptikti, tačiau jų pritaikymas labai skiriasi. Kai kurios ligoninės dirbtinį intelektą naudoja prostatos biopsijos analizei, krūties vėžio patikrai ir plaučių mazgelių aptikimui kaip standartinę praktiką. Kitos laikosi atsargumo, nurodydamos susirūpinimą dėl atsakomybės, mokymo duomenų šališkumo ir sunkumų paaiškinant dirbtinio intelekto sprendimus pacientams. Tik žmonėms atliekama diagnozė nesukelia jokių reguliavimo neaiškumų, tačiau susiduria su savais iššūkiais, susijusiais su darbo jėgos trūkumu ir perdegimu.
Dirbtinis intelektas gali diagnozuoti vėžį tiksliau nei bet kuris gydytojas.
Dirbtinis intelektas gerai atlieka konkrečias, siaurai apibrėžtas užduotis, tačiau neapibendrina gydytojų darbo būdo. Realiose klinikinėse situacijose, kai duomenys netvarkingi ir atvejai neįprasti, patyrę klinicistai vis tiek pranoksta atskiras dirbtinio intelekto sistemas. Stipriausi įrodymai patvirtina, kad dirbtinis intelektas yra asistentas, o ne pakaitalas.
Žmonių patologai per dešimtmetį bus nebereikalingi.
Nors daugelį metų buvo prognozuojama, kad dirbtinis intelektas pakeis radiologus ir patologus, šių specialistų paklausa daugelyje regionų iš tikrųjų išaugo. Dirbtinis intelektas atlieka įprastinę patikrą ir atranką, atlaisvindamas žmones, kad jie galėtų sutelkti dėmesį į sudėtingus atvejus, konsultacijas ir kokybės kontrolę. Darbo jėga keičiasi, o ne nyksta.
Dirbtinio intelekto vėžio nustatymas yra nešališkas, nes jis pagrįstas duomenimis.
Dirbtinio intelekto modeliai gali paveldėti ir netgi sustiprinti mokymo duomenyse esančius paklaidas. Tyrimai parodė, kad odos vėžio aptikimo algoritmai veikia prasčiau tamsesnės odos atvejais, kai daugiausia mokomi šviesesnės odos pacientams. Norint tai išspręsti, būtinas nuolatinis auditas ir įvairūs duomenų rinkiniai.
Dirbtinio intelekto diagnozės visada yra objektyvios ir atkartojamos.
Dirbtinio intelekto išvestis gali keistis priklausomai nuo vaizdo kokybės, skaitytuvo nustatymų ir subtilių įvesties pokyčių, kurių žmonės nepastebėtų. Dvi skirtingos dirbtinio intelekto sistemos, apmokytos naudojant panašius duomenis, taip pat gali nesutikti. Atkuriamumas kai kuriais atžvilgiais yra geresnis nei žmogaus interpretacija, bet ne absoliutus.
Gydytojai, kurie naudoja dirbtinį intelektą, yra mažiau kvalifikuoti nei tie, kurie jo nenaudoja.
Dirbtinio intelekto sprendimų palaikymo įrankių naudojimas vis labiau laikomas modernios, įrodymais pagrįstos praktikos požymiu. Geriausi vėžio centrai aktyviai apmoko savo gydytojus dirbti kartu su dirbtinio intelekto sistemomis. Šis įgūdis slypi žinojime, kada pasitikėti algoritmu, o kada jį pakeisti, remiantis klinikiniu sprendimu.
Rinkitės dirbtinio intelekto pagalba atliekamą aptikimą, kai svarbiausia yra greitis, nuoseklumas ir didelės apimties patikra, ypač tose vietose, kur trūksta specialistų. Sudėtingais atvejais, retomis vėžio formomis arba situacijomis, kurioms reikalingas gilus klinikinis kontekstas, rinkitės tik žmonėms skirtą diagnozę. Praktiškai geriausi rezultatai gaunami derinant abu šiuos metodus – naudojant dirbtinį intelektą įtartiniems radiniams pažymėti, o galutinį sprendimą priima žmonės.
„DeepSeek V4“ yra kylantis atvirojo svorio didelių kalbų modelis, sukurtas Kinijos dirbtinio intelekto laboratorijoje, o GPT-4 klasės modeliai nurodo „OpenAI“ flagmanines uždarojo kodo sistemas. Šiame palyginime nagrinėjama jų architektūra, galimybės, kainos, prieinamumas ir našumas realiame pasaulyje, siekiant padėti kūrėjams ir įmonėms išmintingai pasirinkti.
„Google“ paieška yra plataus masto žiniatinklio indeksavimo variklis, kurį dauguma žmonių naudoja kasdien, o „Knowledge Graph Search“ yra „Google“ struktūrizuotų objektų duomenų bazė, kurioje pateikiami tiesioginiai atsakymai ir informacijos skydeliai. Supratimas, kuo jie skiriasi, padeda paaiškinti, kodėl kai kurios užklausos pateikia išsamius faktus, o kitos – tradicines mėlynas nuorodas.
„Google“ paieškos algoritmas reitinguoja milijardus tinklalapių, naudodamas mašininį mokymąsi ir šimtus signalų, o supaprastinti klasių modeliai perteikia dirbtinio intelekto koncepcijas į lengvai mokomas, prieinamas sistemas. Viena sistema veikia planetos mastu gamyboje; kita tarnauja kaip pedagoginis tiltas mokiniams, mokantis, kaip iš tikrųjų veikia dirbtinis intelektas.
„Vienas su vienu“ atitikimo metodas kiekvienam pagrindiniam objektui priskiria vieną numatomą langelį, o „daugelis su vienu“ atitikimo metodas leidžia kelias prognozes suderinti su vienu taikiniu. Abi strategijos formuoja tai, kaip šiuolaikiniai detektoriai, tokie kaip DETR ir „Faster R-CNN“, mokosi lokalizuoti objektus, kiekvienas iš jų turi skirtingus kompromisus tikslumo, mokymo stabilumo ir pasikartojančių aptikimų tvarkymo srityse.
A/B testavimas modeliuose nukreipia srautą tarp konkuruojančių modelio versijų, kad būtų galima įvertinti realų našumą, o diegiant vieną modelį visiems vartotojams pateikiamas vienas modelis. Komandos renkasi iš jų pagal rizikos toleranciją, srauto kiekį ir statistinio patvirtinimo poreikį prieš visišką diegimą.
