Zagadka, którą miał rozwikłać Watson, nie była łatwa. Zestaw objawów, z jakimi pacjentka trafiła na oddział Instytutu Nauk Medycznych Uniwersytetu Tokijskiego, wskazywał jednoznacznie na ostrą białaczkę szpikową, rodzaj nowotworu krwi. Kiedy jednak terapia zaordynowana przez lekarzy nie przyniosła poprawy, zespół badawczy szpitala spojrzał z nadzieją na IBM Watsona.
Dr House kontra Watson
Słynny superkomputer, który swe imię zawdzięcza założycielowi firmy Thomasowi J. Watsonowi, przetwarza dane w tempie 80 trylionów operacji zmiennoprzecinkowych na sekundę. To wystarczająco szybko, aby z ogromnej ilości informacji natychmiast wyciągnąć te najbardziej potrzebne. Odnosząc dane genetyczne Japonki do własnej bazy danych, Watson wykrył u pacjentki ponad tysiąc mutacji genetycznych. Które z nich spowodowały chorobę? Ręczna analiza wszystkich wariantów zajęłaby lekarzom dwa tygodnie. Maszynie – niecały kwadrans. Wyniki niewiarygodnie szybkiej pracy komputera skłoniły lekarzy do wniosku, że pacjentka cierpi na rzadką wtórną białaczkę wywołaną przez zespoły mielodysplastyczne. Nową, tym razem skuteczną terapię, można było wprowadzić na czas. Walka z rakiem została wygrana. Japonka wyzdrowiała.
Postęp, jaki za sprawą sztucznej inteligencji dokonuje się na naszych oczach w medycynie, jest imponujący, a jednym z najbardziej obiecujących obszarów, w których wykorzystywane są coraz bardziej doskonałe systemy SI, jest diagnostyka. Tu liczą się przede wszystkim dane – wyniki badań, rezultaty tomografii i rezonansów, historie przebytych chorób. Ich ilość jest niewyobrażalna, a w dodatku co 24 miesiące się podwaja. Analiza milionów terabajtów danych przekracza możliwości człowieka, ale nie superkomputerów. Ich wielka moc obliczeniowa może wreszcie dotrzymać kroku potrzebom niezwykle wymagających algorytmów.
Potencjał algorytmów diagnostycznych znakomicie ilustruje eksperyment przeprowadzony pod okiem chińskich i amerykańskich badaczy. Naukowcom z Uniwersytetu Kalifornijskiego z San Diego udało się skonstruować platformę wykorzystującą SI, która nie tylko potrafi wykrywać dwie popularne choroby siatkówki będące najczęstszymi przyczynami ślepoty – zwyrodnienie plamki żółtej i cukrzycowy obrzęk plamki – ale także ocenić stopień zaawansowania schorzenia i zaproponować odpowiednie leczenie. Najpierw jednak trzeba było nauczyć komputer „pracować”. Maszyna przyswoiła i poddała analizie 200 tysięcy tomograficznych zdjęć siatkówek, aby w ten sposób „uczulić się” na pierwsze symptomy choroby i wszelkie anomalie.
Po tym treningu SI radziła sobie równie dobrze jak starannie wyszkolony oftalmolog, w ciągu pół minuty decydując, czy pacjent wymaga dalszego leczenia. Co ważne, skuteczność tych najszybciej na świecie postawionych diagnoz oscylowała na poziomie 95 procent. Taki wynik udało się osiągnąć dzięki zastosowaniu nowego typu uczenia maszynowego – uczenia transferowego, którego wyjątkowość polega na tym, że pozwala przenieść zasób wiedzy z jednego obszaru chorobowego na inny. Profesora okulistyki Kang Zhanga bardzo cieszy sukces maszyny, bo oznacza on, że chorzy w biedniejszych rejonach Azji czy Afryki, którzy mają utrudniony dostęp do okulisty, będą mogli w przyszłości sami rozpoznawać niebezpieczne choroby i unikną ślepoty.
Robot kroi świnię
Aby przeprowadzić niecodzienny eksperyment, specjaliści inżynierii mechanicznej z Uniwersytetu Maryland udali się do sklepu mięsnego i zakupili trzy odmiany świńskiej tkanki: skórę, tłuszcz i mięśnie. Nad mięsem położonym na stole operacyjnym zawisły: automatyczne ramię robota STAR (Smart Tissue Autonomous Robot), skalpele doświadczonych chirurgów oraz pytanie: kto lepiej poradzi sobie z precyzyjnym cięciem tkanki miękkiej – człowiek czy maszyna? Odpowiedź ma szczególne znaczenie, ponieważ aż jedna trzecia z 232 milionów operacji na tego rodzaju tkankach wykonywanych na świecie kończy się powikłaniami.
Wynik pojedynku? Jeden zero ze wskazaniem na robota. STAR wykonał swoją pracę z milimetrową precyzją, co ma kapitalne znaczenie zwłaszcza w przypadku usuwania guzów nowotworowych, kiedy trzeba wyciąć dany obszar, nie naruszając przy tym zdrowej tkanki. Imponujące wyniki inteligentny robot zawdzięcza m.in. specjalnej kamerze panoptycznej, dzięki której może poruszać się w trójwymiarowej przestrzeni, a także zastosowaniu technologii noktowizyjnej, pozwalającej mu „zobaczyć” świecące biomarkery. Po latach testów na plastikowych poduszkach i martwych tkankach STAR może dziś z powodzeniem przeprowadzać skomplikowane zabiegi m.in. w Children’s National Medical Center w Waszyngtonie.
Po tym treningu SI radziła sobie równie dobrze jak starannie wyszkolony oftalmolog, w ciągu pół minuty decydując, czy pacjent wymaga dalszego leczenia. Co ważne, skuteczność tych najszybciej na świecie postawionych diagnoz oscylowała na poziomie 95 procent. Taki wynik udało się osiągnąć dzięki zastosowaniu nowego typu uczenia maszynowego – uczenia transferowego, którego wyjątkowość polega na tym, że pozwala przenieść zasób wiedzy z jednego obszaru chorobowego na inny. Profesora okulistyki Kang Zhanga bardzo cieszy sukces maszyny, bo oznacza on, że chorzy w biedniejszych rejonach Azji czy Afryki, którzy mają utrudniony dostęp do okulisty, będą mogli w przyszłości sami rozpoznawać niebezpieczne choroby i unikną ślepoty.
