Η επόμενη γενιά τεχνητής νοημοσύνης αναπτύσσεται με γοργούς ρυθμούς στην ιατρική.

Στα τέλη του 20ού αιώνα, εμφανίστηκε η Τεχνητή Νοημοσύνη (ΤΝ), προγραμματισμένη από μηχανικούς υπολογιστών με βάση μια σειρά από οδηγίες (κανόνες) που δημιουργήθηκαν από τον άνθρωπο, επιτρέποντας στην τεχνολογία να λύσει θεμελιώδη προβλήματα.

Σημείωση του συντάκτη: Πολλοί κλάδοι επηρεάζονται από τις νέες τεχνολογίες στην εποχή της πληροφορίας. Με τον αντίκτυπο του αυτοματισμού, της επιστήμης των υπολογιστών και της τεχνητής νοημοσύνης (ΤΝ), φορείς όπως οι γιατροί, τα νοσοκομεία, οι ασφαλιστικές εταιρείες και οι κλάδοι που σχετίζονται με την υγειονομική περίθαλψη δεν αποτελούν εξαίρεση. Ωστόσο, ειδικά στον τομέα της υγειονομικής περίθαλψης , η ΤΝ έχει θετικότερο αντίκτυπο από ό,τι σε άλλους κλάδους.

Πρώτη γενιά

Κάποιος μπορεί να φανταστεί ότι η εκπαίδευση στην Τεχνητή Νοημοσύνη σε αυτό το στάδιο είναι παρόμοια με την προσέγγιση που ακολουθούν οι φοιτητές ιατρικής. Τα συστήματα Τεχνητής Νοημοσύνης διδάσκονται εκατοντάδες αλγόριθμους για να μεταφράζουν τα συμπτώματα των ασθενών σε διαγνώσεις. Αυτή θεωρείται η πρώτη γενιά που ενσωματώνει τις αρχές της υγειονομικής περίθαλψης σε συστήματα Τεχνητής Νοημοσύνης.

Οι εφαρμογές που υποστηρίζονται από την τεχνητή νοημοσύνη επιτρέπουν στους γιατρούς να λαμβάνουν ενημερώσεις σε πραγματικό χρόνο σχετικά με ιατρικές πληροφορίες.

Οι αλγόριθμοι λήψης αποφάσεων είναι σαν ένα δέντρο που μεγαλώνει, ξεκινώντας από τον κορμό (το πρόβλημα του ασθενούς) και διακλαδώνοντας από εκεί. Για παράδειγμα, εάν ένας ασθενής παραπονεθεί για έντονο βήχα, ο γιατρός θα ελέγξει πρώτα για πυρετό. Θα υπάρχουν δύο ομάδες ερωτήσεων ανάλογα με το αν υπάρχει πυρετός ή όχι. Από την αρχική απάντηση, θα προκύψουν περαιτέρω ερωτήσεις σχετικά με την κατάσταση του ασθενούς. Αυτό, με τη σειρά του, οδηγεί σε περαιτέρω διακλάδωση. Τελικά, κάθε κλάδος γίνεται μια διάγνωση, η οποία θα μπορούσε να κυμαίνεται από βακτηριακή, μυκητιακή ή ιογενή πνευμονία έως καρκίνο, καρδιακή ανεπάρκεια ή μια σειρά από άλλες πνευμονικές παθήσεις.

Συνολικά, η πρώτη γενιά τεχνητής νοημοσύνης μπορούσε να αναγνωρίσει προβλήματα, αλλά δεν μπορούσε ακόμη να αναλύσει και να ταξινομήσει ιατρικά αρχεία. Ως αποτέλεσμα, αυτή η πρώιμη μορφή τεχνητής νοημοσύνης δεν μπορούσε να είναι τόσο ακριβής όσο οι γιατροί που συνδυάζουν την ιατρική επιστήμη με τη διαίσθηση και την εμπειρία τους. Και λόγω αυτών των περιορισμών, η τεχνητή νοημοσύνη που βασίζεται σε κανόνες σπάνια χρησιμοποιούνταν στην κλινική πράξη σε άλλες περιπτώσεις.

Πλήρης αυτοματοποίηση

Στις αρχές του 21ου αιώνα, η δεύτερη εποχή της Τεχνητής Νοημοσύνης ξεκίνησε με την Τεχνητή Στενή Νοημοσύνη (ANI) ή αλλιώς την τεχνητή νοημοσύνη που επιλύει συγκεκριμένες ομάδες εργασιών. Η έλευση των νευρωνικών δικτύων που μιμούνται τη δομή του ανθρώπινου εγκεφάλου άνοιξε το δρόμο για την τεχνολογία βαθιάς μάθησης. Η ANI λειτουργεί πολύ διαφορετικά από τους προκατόχους της. Αντί να παρέχουν κανόνες προκαθορισμένους από ερευνητές, τα συστήματα δεύτερης γενιάς χρησιμοποιούν τεράστια σύνολα δεδομένων για να διακρίνουν μοτίβα που θα χρειάζονταν πολύ χρόνο στους ανθρώπους για να τα αναγνωρίσουν.

Σε ένα παράδειγμα, οι ερευνητές τροφοδότησαν χιλιάδες μαστογραφίες σε ένα σύστημα ANI, οι μισές από τις οποίες έδειξαν κακοήθη καρκίνο και οι άλλες μισές καλοήθη καρκίνο. Το μοντέλο μπορούσε να εντοπίσει άμεσα δεκάδες διαφορές στο μέγεθος, την πυκνότητα και τη σκίαση στις εικόνες ακτίνων Χ, αποδίδοντας σε κάθε διαφορά έναν παράγοντα αντίκτυπου που αντανακλούσε την πιθανότητα κακοήθειας. Είναι σημαντικό ότι αυτός ο τύπος Τεχνητής Νοημοσύνης δεν βασίζεται σε εικασίες (ορισμένους εμπειρικούς κανόνες) όπως κάνουν οι άνθρωποι, αλλά σε ανεπαίσθητες διακυμάνσεις μεταξύ κακοήθων και φυσιολογικών ευρημάτων που ούτε ο ακτινολόγος ούτε ο σχεδιαστής λογισμικού γνωρίζουν.

Σε αντίθεση με την Τεχνητή Νοημοσύνη που βασίζεται σε κανόνες, τα εργαλεία Τεχνητής Νοημοσύνης δεύτερης γενιάς μερικές φορές ξεπερνούν τη διαίσθηση ενός γιατρού όσον αφορά την ακρίβεια της διάγνωσης. Ωστόσο, αυτή η μορφή τεχνητής νοημοσύνης παρουσιάζει επίσης σοβαρούς περιορισμούς. Πρώτον, κάθε εφαρμογή έχει μια συγκεκριμένη εργασία. Αυτό σημαίνει ότι ένα σύστημα που έχει εκπαιδευτεί να διαβάζει μαστογραφίες δεν μπορεί να ερμηνεύσει σαρώσεις εγκεφάλου ή ακτινογραφίες θώρακος. Ο μεγαλύτερος περιορισμός της Τεχνητής Νοημοσύνης (ANI) είναι ότι το σύστημα λειτουργεί καλά μόνο όταν έχει δεδομένα στα οποία έχει εκπαιδευτεί. Ένα σαφές παράδειγμα αυτής της αδυναμίας είναι όταν η UnitedHealthcare βασίστηκε στην περιορισμένη Τεχνητή Νοημοσύνη για να εντοπίσει τους πιο αδύναμους ασθενείς και να τους παρέχει πρόσθετες ιατρικές υπηρεσίες. Κατά το φιλτράρισμα των δεδομένων, οι ερευνητές αργότερα ανακάλυψαν ότι η Τεχνητή Νοημοσύνη είχε κάνει μια επιζήμια υπόθεση. Οι ασθενείς διαγνώστηκαν ως υγιείς απλώς επειδή τα ιατρικά τους αρχεία έδειχναν ότι έλαβαν λίγη ιατρική περίθαλψη, ενώ οι ασθενείς που έλαβαν περισσότερη ιατρική περίθαλψη υποτιμήθηκαν όσον αφορά την υγεία...

Η επόμενη γενιά τεχνητής νοημοσύνης θα επιτρέψει επίσης στους ανθρώπους να διαγιγνώσκουν ασθένειες και να σχεδιάζουν θεραπείες όπως ακριβώς οποιοσδήποτε γιατρός. Προς το παρόν, το εργαλείο τεχνητής νοημοσύνης της Google (MED-PALM2) έχει περάσει τις εξετάσεις αδειοδότησης γιατρού με βαθμολογία επιπέδου εμπειρογνώμονα. Πολλά άλλα ιατρικά εργαλεία τεχνητής νοημοσύνης μπορούν πλέον να γράφουν διαγνώσεις παρόμοιες με αυτές των γιατρών. Ωστόσο, αυτά τα μοντέλα εξακολουθούν να απαιτούν την επίβλεψη γιατρού και δεν είναι ακόμη ικανά να αντικαταστήσουν τους γιατρούς. Αλλά με τον τρέχοντα εκθετικό ρυθμό ανάπτυξης, αυτές οι εφαρμογές αναμένεται να γίνουν τουλάχιστον 30 φορές πιο ισχυρές τα επόμενα πέντε χρόνια. Προβλέπεται ότι οι μελλοντικές γενιές εργαλείων όπως το ChatGPT θα προσφέρουν ιατρική εμπειρογνωμοσύνη σε όλους, αλλάζοντας ριζικά τη σχέση μεταξύ γιατρών και ασθενών.

Συγκεντρώθηκε από το VIET LE

Πηγή: https://www.sggp.org.vn/cac-the-he-ai-phat-trien-than-toc-trong-y-hoc-post732196.html