Inteligenţa artificială în medicină și detaliile care pot schimba un diagnostic

Instrumentele de inteligenţă artificială folosite pentru diagnosticarea cancerului din biopsii oferă rezultate mai puţin precise pentru anumite grupuri de pacienţi, chiar și atunci când sunt antrenate pe date aparent similare. Două studii recente arată că motivul poate fi legat de diferenţe în frecvenţa cancerului și de caracteristici moleculare subtile între populaţii. Totuși, o nouă metodă de antrenare a redus aceste diferenţe cu aproape 90%.

Instrumentele moderne de inteligență artificială sunt folosite din ce în ce mai des în medicină, mai ales pentru identificarea cancerului prin analiza probelor de ţesut. În contextul actual, la nivel global, preocuparea pentru echitate în diagnosticarea medicală devine tot mai importantă. Specialiștii au observat însă că aceste sisteme nu oferă aceleași rezultate pentru toţi pacienţii. Unele grupuri demografice primesc diagnostice mai puţin precise, chiar dacă datele folosite la antrenare par echilibrate.

O diferenţă greu de ignorat între pacienţi

Inteligenţa artificială a devenit un sprijin important în cabinetele medicale, mai ales când vine vorba de analiza biopsiilor pentru depistarea cancerului. În unele cazuri, ajutorul inteligenței artificiale poate fi esenţial pentru stabilirea unui diagnostic rapid. Chiar dacă scopul este să ajute medicii să stabilească un diagnostic corect și rapid, nu totul funcționează perfect.

RecomandăriInteligenţa artificială schimbă medicina europeană în moduri la care puţini se așteptau

Două studii recente au scos la iveală o problemă importantă. Chiar dacă modelele de Al sunt instruite cu date care par echilibrate între grupuri demografice, precizia diagnosticului poate varia. S-a observat că performanța scade pentru populaţiile mai puţin reprezentate în datele de antrenament, un aspect deja cunoscut în domeniu și care ridică semne de întrebare privind echitatea în sistemul medical.

Un studiu publicat în revista Cell Reports Medicine a arătat că diferenţele de performanţă rămân chiar și când dimensiunile grupurilor de antrenament sunt comparabile. Astfel, Al-ul nu oferă aceeași precizie pentru toți pacienţii, chiar dacă datele inițiale sunt similare. Aceasta aduce în discuţie modul în care aceste tehnologii pot fi folosite eficient în practica medicală de zi cu zi, inclusiv în cadrul proiectelor europene de sănătate digitală.

Ce se ascunde în spatele rezultatelor diferite

Cercetătorii au identificat două motive principale pentru aceste diferențe. Primul ţine de frecvenţa diferită a anumitor tipuri de cancer între grupuri. Kun-Hsing Yu, coordonatorul studiului de la Facultatea de Medicină a Universităţii Harvard, a explicat: „Modelele de Al devin mai eficiente în diagnosticarea formelor mai comune într-un anumit grup și întâmpină dificultăți atunci când aceleași cancere sunt mai rare în alte populaţii.” Practic, Al-ul învaţă să recunoască mai bine tipurile de cancer pe care le întâlnește mai des.

RecomandăriAplicația care schimbă totul în modă. Cum ajunge inteligența artificială să îți organizeze dulapul

Al doilea motiv are legătură cu diferențele moleculare fine din probele de biopsie ale pacienților din diverse grupuri demografice. Inteligența artificială poate observa aceste variaţii subtile și, uneori, folosește aceste informaţii ca indicatori pentru tipul de cancer. Acest lucru poate duce la scăderea preciziei diagnosticului acolo unde aceste variaţii nu sunt la fel de frecvente.

Yu a mai spus: „Inteligența artificială poate distinge tipare biologice foarte fine și poate surprinde semnale greu de sesizat, care nu pot fi identificate prin evaluarea umană standard.” Astfel, Al-ul poate ajunge să capteze informații legate de caracteristici demografice, nu doar de boală, ceea ce poate afecta performanţa diagnosticului între grupuri, chiar dacă eșantioanele sunt similare ca dimensiune. Acest fenomen este cunoscut și ca bias al inteligenței artificiale, iar eliminarea lui este una dintre provocările majore pentru viitorul medicinei digitale.

O nouă abordare schimbă regulile jocului

Problema nu ţine doar de calitatea sau cantitatea datelor, ci și de modul în care sunt antrenate modelele de Al. În ultimii ani, cercetătorii au căutat soluţii inovatoare pentru a reduce biasul algoritmilor medicali. Cercetătorii au testat o nouă metodă de instruire a acestor sisteme, iar rezultatele au fost promițătoare.

RecomandăriInteligenţa artificială schimbă modul în care medicii își petrec timpul cu pacienţii

Prin această abordare, diferenţele de precizie între grupuri s-au redus cu aproximativ 88%. Metoda ajută algoritmii să înveţe caracteristici mai solide și generale ale cancerului, care pot fi aplicate la orice grup demografic. Astfel, Al-ul nu se mai bazează pe detalii specifice unui anumit set de date, ci recunoaște semnele universale ale bolii. Acest progres ar putea fi valorificat și în alte domenii medicale, precum predicția rezistenței la antibiotice sau în cadrul unor proiecte internaţionale susținute de Uniunea Europeană.

Acest lucru duce la rezultate mai uniforme și mai de încredere între diferite populaţii, chiar și atunci când nu există seturi de date perfect reprezentative pentru fiecare grup. Este un pas important spre folosirea Al-ului într-un mod mai echitabil în medicină și o dovadă că inteligența artificială folosită corect poate reduce inechităţile dintre pacienţi.

Un viitor mai clar pentru diagnosticarea cu Al

Rezultatele echipei lui Yu sunt considerate încurajatoare, pentru că arată că diferențele de performanță ale sistemelor de Al pot fi corectate fără a reconstrui complet bazele de date, un proces foarte dificil și costisitor. Astfel de soluţii pot contribui la creșterea încrederii în sistemele de diagnostic bazate pe inteligenţă artificială în rândul medicilor și pacienţilor.

Un alt studiu, publicat în PLOS Biology , a ajuns la concluzii similare în domeniul predicţiei rezistenței la antibiotice. Și aici, modul de antrenare al Al-ului poate introduce diferențe sistematice de performanță, reducând capacitatea modelelor de a anticipa corect rezistența și de a ajuta la combaterea acesteia.

Chiar dacă soluția testată nu rezolvă toate provocările, ea arată că ajustările făcute în procesul de antrenare pot avea un impact semnificativ. Cercetătorii subliniază că este nevoie de studii suplimentare pentru a înțelege și elimina complet sursele de bias din algoritmii medicali. Totuși, aceste descoperiri sunt un pas înainte spre o tehnologie care să fie utilă pentru toţi pacienţii, indiferent de originea lor și pot contribui la dezvoltarea unor standarde comune în medicina modernă.

Pe măsură ce inteligenţa artificială devine tot mai prezentă în medicină, preocuparea pentru echitate și precizie în diagnostic devine esenţială. Progresele recente arată că, prin metode de antrenare mai bune, Al-ul poate ajunge să ofere rezultate mai corecte și mai uniforme pentru toţi pacienţii. Viitorul diagnosticării asistate de Al pare mai promiţător ca oricând, mai ales dacă se vor implementa politici publice care să susţină inovaţia și să reducă diferențele dintre diversele grupuri de pacienţi.