Του Γιάννη Γορανίτη
Τα επαγγέλματα που απειλούνται από την επέλαση της τεχνητής νοημοσύνης και την 4η βιομηχανική επανάσταση, είναι αναρίθμητα. Δεν κινδυνεύουν όμως με ανεργία μόνο όσοι εκτελούν μηχανικές και επαναλαμβανόμενες εργασίες, αλλά και αρκετοί εργαζόμενοι υψηλών προσόντων και εξειδίκευσης. Όσο παράξενο κι αν ακούγεται μεταξύ αυτών περιλαμβάνονται οι γιατροί, όπως και πολλοί επαγγελματίες του κλάδου της υγειονομικής περίθαλψης.
Αντί, όμως, να βλέπουμε την εξέλιξη ως απειλή, πρέπει να την αντιμετωπίσουμε ως μια μοναδική ευκαιρία για την ανθρωπότητα. Οι μηχανές δεν έρχονται για να μας πάρουν τις δουλειές, αλλά για συμπληρώσουν τις δεξιότητες των ανθρώπων, να τις ενισχύσουν και να τις καταστήσουν πιο αποτελεσματικές.
Ένα από τα πιο χαρακτηριστικά παραδείγματα είναι ένα εργαλείο που αναπτύχθηκε στο Πανεπιστήμιο της Χαϊδελβέργης ώστε να συνεισφέρει στην ορθότερη και πιο έγκαιρη διάγνωση μελανώματος. Όπως αποδείχτηκε, το σύστημα διαγιγνώσκει το μελάνωμα με μεγαλύτερη ακρίβεια σε σύγκριση με έμπειρους δερματολόγους απ' όλο τον κόσμο.
Βασισμένο στο σύστημα της Google
Το εργαλείο βασίζεται στην αρχιτεκτονική του συστήματος συνελικτικών νευρωνικών δικτύων (CNN) της Google, Inception v4, και μιμείται τις λειτουργίες του ανθρώπινου εγκεφάλου. Στο πλαίσιο της δοκιμής, εκπαιδεύτηκε αφού παρατήρησε πάνω από 100.000 φωτογραφίες οι οποίες συνοδεύονταν από τις αντίστοιχες διαγνώσεις. Ορισμένες από τις εικόνες αφορούσαν περιπτώσεις κακοήθειας, ενώ άλλες απεικόνιζαν καλοήθη περιστατικά ή εντελώς αθώους σπίλους.
Με αυτό τον τρόπο το σύστημα απέκτησε μεγάλη «εμπειρία» στην εξωτερική διάγνωση μελανώματος. Όπως όλα τα συστήματα μηχανικής μάθησης, έτσι κι αυτό γίνεται ολοένα και πιο ικανό, και «διδάσκεται» από τις εμπειρίες του. Οι επιδόσεις που κατέγραφε στις δοκιμές βελτιώνονταν εντυπωσιακά, καθώς όσο περισσότερες φωτογραφίες περιστατικών έβλεπε, τόσο πιο ικανό αποδεικνυόταν στη διάκριση κακοήθειας και καλοήθειας.
Η μηχανή απέναντι στους ειδικούς
Όταν μάλιστα έφτασε η ώρα του crash-test της μηχανής απέναντι σε μια διεθνή ομάδα 58 δερματολόγων από 17 χώρες (συμπεριλαμβανομένης της Ελλάδας), τα αποτελέσματα εντυπωσίασαν ακόμη και τους επιστήμονες που δούλευαν πάνω στο project.
Αφού η εκπαίδευση της μηχανής ολοκληρώθηκε, οι επιστήμονες επέλεξαν ένα νέο σετ 300 εικόνων από τη βιβλιοθήκη της Χαϊδελβέργης που δεν είχαν χρησιμοποιηθεί κατά τη διάρκεια των αρχικών δοκιμών (άρα ήταν παντελώς άγνωστες για τη μηχανή). Το CNN εντόπισε το 95% των μελανωμάτων και το 71,3% των καλοηθών περιστατικών.
Οι ερευνητές έδειξαν τις ίδιες δερματοσκοπικές εικόνες στους δερματολόγους, καλώντας τους να κάνουν μια αρχική διάγνωση και να αποφασίσουν πώς να χειριστούν την κατάσταση. Το 86,6% εντόπισε τα μελανώματα και το 71,3% των βλαβών που δεν ήταν κακοήθεις.
Τέσσερις εβδομάδες αργότερα, δόθηκαν στους γιατρούς κλινικές πληροφορίες για τον ασθενή και πιο κοντινές εικόνες των ίδιων περιπτώσεων ώστε να επαναξιολογήσουν τη διάγνωση και τις οδηγίες για τη διαχείριση του περιστατικού. Τα ποσοστά επιτυχούς διάγνωσης ανέβηκαν στο 88,9% για τα κακοήθη μελανώματα (και πάλι χαμηλότερο ποσοστό από το αντίστοιχο του CNN) και στο 75,7% για τις περιπτώσεις που δεν επρόκειτο για καρκίνο.
«Και είμαστε ακόμη στην αρχή», όπως τονίζει ο επικεφαλής της έρευνας καθηγητής Haenssle. «Το CNN αστόχησε σε λιγότερες περιπτώσεις μελανώματος από τους δερματολόγους, και παρερμήνευσε λιγότερα καλοήθη περιστατικά ως κακοήθη, κάτι που θα συνεπαγόταν λιγότερες περιττές επεμβάσεις». Το γεγονός, μάλιστα, ότι οι διαγνώσεις έγιναν αποκλειστικά από εικόνες, χωρίς περαιτέρω κλινικές πληροφορίες δημιουργεί πρόσθετη αισιοδοξία για τις διαγνωστικές ικανότητες των μηχανών.
Τονίζουν πάντως ότι απαιτούνται περισσότερες κλινικές μελέτες, έως ότου αξιοποιηθεί στην καθημερινή ιατρική πρακτική. «Το CNN δεν θα αντικαταστήσει τους δερματολόγους στη διάγνωση καρκίνων του δέρματος, αλλά θα μπορούσε να χρησιμοποιηθεί ως μια σημαντική πρόσθετη βοήθεια που θα έσωζε ζωές», σημειώνουν. Ολόκληρη η μελέτη που δημοσιεύτηκε στο Annals of Oncology εδώ.
