Új, több orvosi szakterületen használható mesterséges intelligencia modellt mutattak be a Nature Medicine folyóiratban, amelyet több mint 1,3 millió orvosi képen fejlesztettek és értékeltek. Az EVLF-FM nevű rendszer a kutatók szerint egyszerre képes betegségekkel kapcsolatos képi mintázatokat felismerni, az érintett területeket megjelölni és szöveges magyarázatot készíteni a megállapításaihoz. A belső diagnosztikai tesztekben 89,5 százalékos átlagos pontosságot ért el.
A Nature Medicine október 29-én publikálta az Explainable Vision Language Foundation Model for Medicine, röviden EVLF-FM nevű kutatási rendszer eredményeit. A fejlesztés célja egy olyan orvosi mesterséges intelligencia létrehozása, amely nem kizárólag egyetlen betegség vagy képalkotó eljárás felismerésére készült. A modell hat szakterülethez kapcsolódó adatokat használ: bőrgyógyászati, májbetegségekkel foglalkozó, szemészeti, patológiai, tüdőgyógyászati és radiológiai vizsgálatokat. A kutatók célja az volt, hogy a rendszer egyszerre többféle orvosi képet tudjon értelmezni, miközben a döntéseihez kapcsolódó vizuális bizonyítékokat is megmutatja.
Az EVLF-FM működésének egyik legfontosabb eleme a képek két különböző szintű feldolgozása. A modell egyrészt felismeri az egész képre jellemző, betegséggel összefüggő mintázatokat, másrészt a részletes képi információk alapján megpróbálja meghatározni, pontosan hol található egy vizsgált elváltozás. A rendszer ezeket az eredményeket szöveges magyarázattal is kiegészíti. Így például nem pusztán megad egy diagnosztikai kategóriát, hanem megjelölheti azokat a képrészleteket, amelyek a javasolt értelmezéshez kapcsolódnak. Ez segítheti a kutatókat és orvosokat az eredmények ellenőrzésében.
A tanulmány szerint a modell fejlesztése és vizsgálata több mint 1,3 millió orvosi mintát fogott át, 18 különböző adatkészletből és tíz képalkotó eljárásból. Ezek között CT-, MRI-, röntgen-, ultrahang-, szövettani és szemészeti felvételek is szerepeltek. A kutatók további 13 443 független mintán, 17 külső adatkészlet segítségével is vizsgálták a rendszer általánosíthatóságát. A belső diagnosztikai értékelésben az EVLF-FM 89,5 százalékos átlagos pontosságot ért el, és több vizsgált feladatban felülmúlta az összehasonlításra használt általános és specializált modelleket. Ez nem jelenti azt, hogy minden betegség esetében ugyanilyen pontossággal működik.
Mennyivel válhat megbízhatóbbá a mesterséges intelligencia orvosi alkalmazása, ha a rendszer nemcsak diagnosztikai javaslatot ad, hanem azt is megmutatja, mely képi jelek alapján jutott erre a következtetésre?
A kutatás másik fontos eleme a magyarázatok orvosi értékelése volt. Tizenkét orvos, köztük négy fiatalabb orvos és nyolc szakorvos vizsgálta a modell által készített indoklásokat egy ötszempontos értékelési rendszerrel. A szempontok között a biztonság, a szakmai összhang, az objektivitás, a megismételhetőség és a magyarázhatóság szerepelt. Az EVLF-FM átlagosan 4,25 pontot kapott az ötfokozatú skálán. A vizuális elváltozások helyének felismerésénél is kedvező eredményeket közöltek, de ezek a vizsgálatok meghatározott adatkészletekre épültek, és nem egyenértékűek a mindennapi betegellátásban történő teljesítményigazolással.
Az eredmények ellenére a rendszer még nem áll készen az önálló klinikai diagnosztikára. A kutatók maguk is hangsúlyozzák, hogy a jelenlegi pontosság nem minden feladaton éri el az orvosi bevezetéshez szükséges szintet. A modell teljesítménye eltérhet a különböző betegségeknél, képalkotó eljárásoknál és betegcsoportoknál, ráadásul a szöveges magyarázat nem feltétlenül tükrözi teljes pontossággal a modell belső döntési folyamatát. A tényleges klinikai hasznosság bizonyításához olyan előre tervezett vizsgálatokra is szükség lesz, amelyekben a rendszer valódi betegellátási környezetben, orvosi felügyelet mellett működik.
Az EVLF-FM fejlesztése ezért elsősorban a megbízhatóbb orvosi mesterséges intelligencia felé tett kutatási lépésként értékelhető. A technológia egyik legnagyobb problémája ma nem csupán az, hogy egy modell felismer-e egy elváltozást, hanem az is, hogy az eredménye ellenőrizhető és értelmezhető-e az orvos számára. Ha a kutatók a különböző orvosi képtípusokat egyre pontosabban kezelő, átláthatóbb rendszereket tudnak létrehozni, azok hosszabb távon támogathatják a diagnosztikai munkát és a betegellátási döntések előkészítését. A klinikai felelősség és az eredmények végső értékelése azonban továbbra is az egészségügyi szakemberek feladata marad.
Olvasd el ezt is: Saját első autonóm mesterséges intelligencia laboratóriumát építi a Danaher
Források: Nature Medicine, Duke-NUS Medical School, Nature Portfolio
CS.SZ.
