Ar mākslīgā intelekta palīdzību vēža atklāšanā tiek izmantoti mašīnmācīšanās algoritmi, lai analizētu medicīniskos attēlus un patoloģiskos datus, bieži vien atklājot modeļus, ko cilvēki nepamana. Tikai cilvēkiem paredzēta diagnoze balstās tikai uz apmācītiem klīnicistiem, kas interpretē atklājumus, izmantojot pieredzi un klīnisko spriedumu. Abām pieejām ir reālas stiprās puses, un lielākā daļa mūsdienu vēža aprūpes tagad apvieno abas pieejas.
Mašīnmācīšanās sistēmas, kas analizē medicīniskos attēlus, patoloģiskos preparātus un pacientu datus, lai palīdzētu agrāk un precīzāk identificēt vēzi.
Tradicionālu vēža diagnostiku pilnībā veic apmācīti ārsti, patologi un radiologi, izmantojot savu pieredzi un klīnisko pamatojumu.
| Funkcija | Ar mākslīgā intelekta palīdzību veikta vēža noteikšana | Diagnoze tikai cilvēkiem |
|---|---|---|
| Diagnostikas ātrums | Apstrādā tūkstošiem attēlu dažu minūšu vai stundu laikā | Aizņem stundas līdz pat dienām atkarībā no lietas sarežģītības |
| Precizitāte kontrolētos pētījumos | Salīdzināms ar ekspertiem šauros uzdevumos (piemēram, ādas bojājumi, mamogrāfija) | 3–5 % kļūdu līmenis ikdienas praksē; atšķiras atkarībā no specialitātes |
| Spēja rīkoties ar kontekstu | Ierobežota ar modeļiem apmācības datos; grūtības rodas retos gadījumos | Integrē pacienta vēsturi, simptomus un klīnisko spriedumu |
| Konsekvence | Ļoti konsekventa; viena un tā pati ievade dod tādu pašu rezultātu | Atšķiras atkarībā no noguruma, pieredzes un individuālās interpretācijas |
| Izmaksas un mērogojamība | Lēti mērogojas pēc ieviešanas; zemas robežizmaksas par vienu iepakojumu | Dārgs mērogojams; nepieciešama vairāku gadu apmācība katram speciālistam |
| Regulējošais statuss | FDA apstiprināti rīki mamogrāfijai, prostatas un plaušu skrīningam | Aprūpes standarts; pilnībā izveidota klīniskā prakse |
| Retu vēža veidu ārstēšana | Bieži vien nepietiekami efektīvi ierobežotu apmācības piemēru dēļ | Speciālisti var spriest, izmantojot neparastas prezentācijas |
| Caurspīdīgums | Bieži vien tā ir “melnā kaste”; izskaidrojamība joprojām ir problēma | Argumentāciju var apšaubīt un apspriest ar pacientiem |
| Pacientu uzticība | Pieaug, bet joprojām ir dažādi rādītāji; daži pacienti dod priekšroku cilvēku veiktai pārskatīšanai | Stingra uzticēšanās; izveidotas ārsta un pacienta attiecības |
Tiešos pētījumos par specifiskiem uzdevumiem, piemēram, krūts vēža noteikšanu mamogrammās vai melanomas noteikšanu ādas fotogrāfijās, vislabāk funkcionējošās mākslīgā intelekta sistēmas ir sasniegušas vai nedaudz pārsniegušas vidējo speciālistu precizitāti. Tomēr šie rezultāti ir iegūti no atlasītiem datu kopumiem un neatspoguļo reālās klīniskās prakses haosu. Cilvēku diagnostikas speciālisti joprojām pārspēj mākslīgo intelektu, ja gadījumi ietver neparastas izpausmes, vairākus pārklājošus stāvokļus vai nepilnīgu informāciju. Godīgi sakot, mākslīgais intelekts izceļas ar precīzi definētiem, atkārtotiem uzdevumiem, savukārt cilvēki labāk tiek galā ar neskaidrībām.
Mākslīgā intelekta lielākā praktiskā priekšrocība ir caurlaidspēja. Viens algoritms var triažēt simtiem mamogrammu laikā, kamēr radiologs pārskata dažas, atzīmējot visneaizdomīgākos gadījumus prioritārai pārskatīšanai. Tas neaizstāj radiologu, bet pārveido viņa darbplūsmu, samazinot laiku, kas pavadīts nepārprotami normālām skenēšanām. Turpretī diagnozes noteikšana tikai ar cilvēkiem lineāri palielinās atkarībā no pieejamo apmācīto speciālistu skaita, kas ir reāla problēma daudzās veselības aprūpes sistēmās, kurās trūkst speciālistu.
Cilvēki klīnicisti sniedz kaut ko tādu, kā mākslīgajam intelektam pašlaik trūkst: spēju apvienot pacienta vēsturi, fiziskās atradnes, iepriekšējos attēldiagnostikas izmeklējumus un dzīves pieredzi saskaņotā diagnozē. Kad pacients piemin vēža ģimenes anamnēzi vai apraksta simptomus, kas neatbilst attēldiagnostikas rezultātiem, ārsts pielāgo interpretāciju. Mākslīgā intelekta modeļi, kas apmācīti tikai ar attēliem, šos signālus nepamana, ja vien tiem netiek skaidri ievadīti strukturēti dati. Tāpēc vairums ekspertu uzskata mākslīgo intelektu par lēmumu atbalsta rīku, nevis atsevišķu diagnostikas speciālistu.
Mākslīgā intelekta sistēmas mēdz pieļaut atšķirīgas kļūdas nekā cilvēki. Tās var pārliecinoši kļūdīties gadījumos, kas nemaz nelīdzinās to apmācības datiem, un tās var apmānīt attēlu artefakti vai skenera variācijas. Cilvēki nogurst, novēršas un kļūst nekonsekventi, taču viņi arī zina, kad ir neskaidri, un var pieprasīt otru viedokli. Hibrīda darbplūsmas, kas apvieno abus, mēdz pamanīt kļūdas, kuras otra nepamanītu, tāpēc vēža centri arvien biežāk izmanto mākslīgo intelektu kā otro lasītāju, nevis aizstājēju.
Pārtikas un zāļu pārvalde (FDA) ir apstiprinājusi desmitiem mākslīgā intelekta rīku vēža noteikšanai, taču to ieviešana ir ļoti atšķirīga. Dažas slimnīcas izmanto mākslīgo intelektu prostatas biopsijas analīzei, krūts vēža skrīningam un plaušu mezgliņu noteikšanai kā standarta praksi. Citas joprojām ir piesardzīgas, norādot uz bažām par atbildību, neobjektivitāti apmācības datos un grūtībām izskaidrot mākslīgā intelekta lēmumus pacientiem. Diagnozei, ko veic tikai cilvēki, nav nekādas no šīm regulējošajām neskaidrībām, taču tā saskaras ar savām problēmām, kas saistītas ar darbaspēka trūkumu un izdegšanu.
Mākslīgais intelekts var diagnosticēt vēzi precīzāk nekā jebkurš ārsts.
Mākslīgais intelekts labi veic specifiskus, šauri definētus uzdevumus, taču nevispārina ārstu darba veidu. Reālos klīniskajos apstākļos ar nekārtīgiem datiem un neparastiem gadījumiem pieredzējuši klīnicisti joprojām pārspēj atsevišķas mākslīgā intelekta sistēmas. Spēcīgākie pierādījumi apstiprina mākslīgā intelekta kā palīga, nevis aizstājēja lomu.
Cilvēku patologi desmit gadu laikā būs novecojuši.
Lai gan gadiem ilgi tika prognozēts, ka mākslīgais intelekts aizstās radiologus un patologus, pieprasījums pēc šiem speciālistiem daudzos reģionos faktiski ir pieaudzis. Mākslīgais intelekts veic ikdienas pārbaudes un šķirošanu, atbrīvojot cilvēkus, lai viņi varētu koncentrēties uz sarežģītiem gadījumiem, konsultācijām un kvalitātes kontroli. Darbaspēks mainās, nevis izzūd.
Mākslīgā intelekta vēža atklāšana ir objektīva, jo tā balstās uz datiem.
Mākslīgā intelekta modeļi var mantot un pat pastiprināt neobjektivitāti, kas atrodas to apmācības datos. Pētījumi ir parādījuši, ka ādas vēža noteikšanas algoritmi darbojas sliktāk uz tumšākiem ādas toņiem, ja tie tiek apmācīti galvenokārt uz gaišākas ādas pacientiem. Lai to risinātu, ir nepieciešama pastāvīga auditēšana un daudzveidīgi datu kopumi.
Mākslīgā intelekta diagnozes vienmēr ir objektīvas un reproducējamas.
Mākslīgā intelekta izvades dati var mainīties atkarībā no attēla kvalitātes, skenera iestatījumiem un nelielām ievades datu izmaiņām, ko cilvēki nepamanītu. Divas dažādas mākslīgā intelekta sistēmas, kas apmācītas ar līdzīgiem datiem, var arī atšķirties. Reproducējamība dažos veidos ir labāka par cilvēka interpretāciju, taču tā nav absolūta.
Ārsti, kas izmanto mākslīgo intelektu, ir mazāk prasmīgi nekā tie, kas to nedara.
Mākslīgā intelekta lēmumu atbalsta rīku izmantošana arvien vairāk tiek uzskatīta par mūsdienīgas, uz pierādījumiem balstītas prakses pazīmi. Vadošie vēža centri aktīvi apmāca savus klīnicistus darbam kopā ar mākslīgā intelekta sistēmām. Šī prasme ir zināt, kad uzticēties algoritmam un kad to ignorēt, pamatojoties uz klīnisku spriedumu.
Izvēlieties mākslīgā intelekta atbalstītu noteikšanu, ja vissvarīgākais ir ātrums, konsekvence un liela apjoma skrīnings, īpaši situācijās, kad trūkst speciālistu. Sarežģītos gadījumos, retos vēža gadījumos vai situācijās, kurās nepieciešams dziļš klīniskais konteksts, pieturieties pie tikai cilvēkiem paredzētas diagnostikas. Praksē vislabākos rezultātus iegūst, apvienojot abus – izmantojot mākslīgo intelektu, lai atzīmētu aizdomīgus atradumus, un cilvēkus, lai pieņemtu galīgo lēmumu.
A/B testēšana modeļu apkalpošanā novirza trafiku starp konkurējošām modeļu versijām, lai novērtētu reālo veiktspēju, savukārt viena modeļa ieviešana visiem lietotājiem nosūta vienu modeli. Komandas izvēlas starp tiem, pamatojoties uz riska toleranci, trafika apjomu un statistiskās validācijas nepieciešamību pirms pilnīgas ieviešanas.
A/B testēšana satura izlaidumos ietver variāciju ieviešanu dažādiem auditorijas segmentiem un veiktspējas mērīšanu, savukārt vienreizēji satura izlaidumi vienlaikus nodrošina vienu versiju visiem lietotājiem. Katra pieeja atbilst dažādiem mērķiem, A/B testēšanai dodot priekšroku uz datiem balstītai optimizācijai, bet vienreizējiem izlaidumiem prioritāte ir ātrums un vienkāršība.
Adaptīvā izguve dinamiski pielāgo, kā un kādu informāciju sistēma izgūst, pamatojoties uz vaicājumu, savukārt statiskās izguves cauruļvadi ievēro fiksētus noteikumus neatkarīgi no konteksta. Abas nodrošina modernas mākslīgā intelekta lietojumprogrammas, taču tās ievērojami atšķiras pēc elastības, izmaksām un precizitātes. Izvēle starp tām ir atkarīga no darba slodzes sarežģītības un budžeta.
Šajā detalizētajā salīdzinājumā tiek pētītas adaptīvo intelekta dzinēju arhitektūras atšķirības, darbības ierobežojumi un reālā veiktspēja salīdzinājumā ar fiksētas uzvedības automatizācijas sistēmām. Mēs aplūkojam, kā sistēmas, kas nepārtraukti mācās no jauniem vides datiem, atbilst stingrām, paredzamām, uz noteikumiem balstītām sistēmām.
Aģentu apmācība vidēs ietver mācīšanos, izmantojot reāllaika mijiedarbību ar simulētu vai fizisku vidi, savukārt bezsaistes datu kopu apmācība balstās uz iepriekš apkopotiem datiem bez papildu piekļuves videi. Abas pieejas apmāca mašīnmācīšanās modeļus, taču būtiski atšķiras tas, kā aģenti apkopo pieredzi un uzlabo veiktspēju.
