Οι επιστήμονες που ασχολούνται με την εφαρμογή των δυνατοτήτων της τεχνητής νοημοσύνης (AI) στον τομέα της υγείας συνδυάζουν την υπολογιστική ικανότητα και τους αλγορίθμους προκειμένου να επιτελεστούν κάποιες σύνθετες εργασίες με σκοπό την πρόβλεψη αποτελεσμάτων.
Με τη χρήση της τεχνητής νοημοσύνης, οι ειδικοί ενισχύουν τη διαγνωστική ακρίβεια, μειώνουν ενδεχόμενα λάθη που οφείλονται στην υποκειμενικότητα της κρίσης ενός ατόμου και συμβάλλουν στην εξατομικευμένη ιατρική ώστε να υπάρχουν πιο στοχευμένες θεραπευτικές προσεγγίσεις, βάσει των αναγκών κάθε ασθενή.
Με τη βοήθειά της, γίνεται δυνατή η ανάλυση μεγάλων δεδομένων (big data). Ένα χαρακτηριστικό παράδειγμα είναι τα αποτελέσματα γενετικών μελετών, ειδικά όταν οι επιστήμονες θέλουν να τα συνδυάσουν και με άλλα κλινικοπαθολογικά και δημογραφικά στοιχεία ώστε να προκύψει ένα προληπτικό μοντέλο που θα βοηθήσει στην καλύτερη διαχείριση του ασθενή, όσον αφορά είτε την πρόγνωσή του είτε την επιλογή της κατάλληλης θεραπείας ή τις πιθανότητες να ανταποκριθεί σε αυτήν κ.ά.
Πού εφαρμόζεται
Τα καινούρια απεικονιστικά μηχανήματα (μικροσκόπια, υπέρηχοι, μαστογράφοι κ.ά.) είναι εξοπλισμένα με αλγορίθμους τεχνητής νοημοσύνης έτσι ώστε να μπορούν να ανιχνεύουν τη βλάβη εκείνη που ίσως ένα ανθρώπινο μάτι δεν θα μπορούσε να δει, που θα του ξέφευγε.
Τις παρατηρήσεις που γίνονται χάρη στην τεχνητή νοημοσύνη στη συνέχεια θα εκτιμήσει φυσικά και ο γιατρός, που θα συντάξει την τελική έκθεση σε σχέση με την απεικονιστική εξέταση.
Το AI επίσης χρησιμοποιείται πολύ στην ανάλυση των δεδομένων της έρευνας και την πρόβλεψη σχετικά με το ποιοι ασθενείς θα ανταποκριθούν καλύτερα σε κάποια συγκεκριμένη θεραπεία – αφού ο γιατρός εισαγάγει διάφορα στοιχεία, που περιλαμβάνουν ακόμα και εικόνες από χειρουργεία ή διαγνωστικές εξετάσεις, για να μπορέσει να ολοκληρωθεί αυτή η πρόβλεψη.
Σημαντικό είναι ότι μπορεί να συμβάλει στη δημιουργία ενός πλάνου εξατομικευμένης φροντίδας προβλέποντας ποια είναι η κατάλληλη θεραπεία ή προσέγγιση για κάθε ασθενή.
Βέβαια, δεν μπορούμε να αφήσουμε απέξω και όλα τα gadgets που είτε αναλύουν είτε παρακολουθούν δεδομένα (π.χ., τον καρδιακό ρυθμό) ή απαντούν σε ερωτήσεις (π.χ., σε εφαρμογές τηλεϊατρικής), τα οποία επίσης βασίζονται στην τεχνητή νοημοσύνη.
Τέλος, η τεχνητή νοημοσύνη συνεισφέρει και στον κύκλο ανάπτυξης των φαρμάκων, όπου δίνει την ευχέρεια ανάλυσης τεράστιας ποσότητας δεδομένων, ενώ μπορεί να υποστηρίξει και τη διαχείριση των μονάδων υγείας (π.χ., στις κλίνες ή στα αποθέματα στις αποθήκες των φαρμάκων κ.λπ.).
Πώς λειτουργεί
Στην ουσία, οι επιστήμονες εκπαιδεύουν ένα σύστημα μηχανικής ή βαθιάς μάθησης (deep learning) προκειμένου να έχουν κάποια αποτελέσματα που θα φανούν χρήσιμα είτε στην έρευνα είτε στην κλινική πράξη.
Προς το παρόν, εφαρμόζεται πιο πολύ η μηχανική μάθηση –που είναι και η πιο απλή–, αλλά, όσο περνούν τα χρόνια, αρχίζουν να αναπτύσσονται και διάφορες τεχνικές βαθιάς μάθησης.
Πρόκειται για έναν υποτομέα του AI που οδηγεί τον υπολογιστή να μαθαίνει αυτόματα και μέσω εμπειρίας, χωρίς να χρειάζεται να προγραμματίζεται ρητά κάθε φορά.
Έτσι, το σύστημα εκπαιδεύεται –και, με την πάροδο των ετών, διορθώνονται λάθη και εμπλουτίζονται οι γνώσεις– στο πώς θα χειρίζεται τα δεδομένα ώστε να καταλήγει σε αποτελέσματα.
Η βαθιά μάθηση είναι πολύ πιο σύνθετη διαδικασία γιατί αποτελεί ένα σύνολο τεχνικών μηχανικής μάθησης που μιμείται το νευρωνικό δίκτυο στον εγκέφαλό μας.
Ευχαριστούμε τη Μαρία Γαζούλη, καθηγήτρια Βιολογίας, Γενετικής και Νανοϊατρικής στην Ιατρική Σχολή του ΕΚΠΑ, για τη συνεργασία.
