Kod hodi računalniški zdravnik?
Že pred leti je IBM obljubil, da bo umetna inteligenca kmalu postala boljši zdravnik kakor ljudje. Zdelo se je logično, neizogibno in koristno. Če je boljša v šahu, če si lahko zapomni na milijone strani informacij in če se je sposobna sama izboljševati, je računalniški dr. House le vprašanje časa. Skoraj desetletje pozneje umetna inteligenca ni niti blizu temu cilju.
Laičnemu očesu se zdi poklic težak, a preprost. Poznati je treba delovanje zdravega človeškega telesa z vsemi mogočimi variacijami, potem pa čim več različnih odklonov in vzroke zanje. Vzroki in simptomi sestavljajo zapleteno mrežo, saj posamezen vzrok povzroča različne simptome in obratno, isti simptom je lahko posledica različnih vzrokov, vsakokrat z neko verjetnostjo, a osnovni princip bi moral biti preprost. Tako je menil tudi IBM, ki je leta 2011 pompozno napovedal, da bo njegova umetna inteligenca, ki je pravkar pometla z ljudmi v kvizu Jeopardy!, naštudirala še vso medicinsko literaturo in pomagala diagnosticirati. Osem let pozneje v bolnišnicah ni umetne inteligence IBM, čeprav so se zelo trudili. Človeški zdravniki so preprosto boljši.
Vsaka zgodba mora imeti svoj začetek, zato ga postavimo v leto 2008. Tedaj je IBM producentu popularnega kviza Jeopardy! Harryju Friedmanu predlagal, da bi se umetna inteligenca IBM pomerila proti najuspešnejšima tekmovalcema vseh časov. In res, gledalci so lahko 14. februarja 2011 spremljali (posnet) prvi del obračuna in dan pozneje drugi del. Čeprav je vmes Toronto razglasil za ameriško mesto, je IBM Watson prepričljivo premagal Kena Jenningsa in Brada Rutterja, dotlej najuspešnejša tekmovalca v kvizu.
Kako deluje IBM Watson
Danes Watson uporablja infrastrukturo v oblaku, kaj dosti podrobnosti pa IBM zaradi konkurence, ki mu je tik za petami, ne razkriva. Ko je tekmoval v Jeopardyju! (leta 2011), je algoritem DeepQA tekel na 90 strežnikih IBM Power 750, ki so imeli osemjedrne procesorje POWER7 s frekvenco 3,5 GHz. Vsako jedro je lahko poganjalo štiri niti, kar pomeni 2880 niti in je skupaj naneslo 80 TFLOP/s. Imel je 16 TB pomnilnika, da so lahko bile vse zbirke v pomnilniku. Disk bi bil prepočasen, da bi lahko tekmoval z ljudmi.
Watson je prebral okrog 200 milijonov strani besedil, tako z interneta kakor iz knjig. Analiziral jih je z več kot sto različnimi algoritmi, tako semantično (pomensko) kakor sintaktično (skladenjsko). V njih je prepoznal imena, datume, lokacije in ostale pomembne informacije, poleg tega pa je razčlenil stavčno strukturo na osebke, povedke in predmete. Nato je posameznim »informacijam« pripisal interval zaupanja glede na pogostnost, s katero so se pojavljale v virih.
Pri iskanju in preverjanju odgovorov je uporabljal več tehnik, med katerimi so nekatere ljudem logične in samoumevne, druge pa nepraktične. Če je vprašanje zahtevalo ime osebe, ki je bila leta 1594 davčni uradnik v Andaluziji, Thoreau ni mogel biti pravilni odgovor, ker se je rodil leta 1817. Na vprašanje »Pri delitvi celice se v mitozi razdeli jedro, v citokinezi pa kapljevina, ki varuje jedro« je Watson našel pet odgovorov: organel, vakuola, citoplazma, plazma in mitohondrij. Potem je preveril, ali je kaj od tega kapljevina. Ugotovil je tudi, da ljudje tekočine in kapljevine pogosto uporabljajo kot sinonima, zato je preveril še to.
Watson se je učil tudi iz lastnih napak, tako da je bil z vsakim nastopom boljši. Tu ni šlo za dodajanje informacij, saj se vprašanja ne ponavljajo, temveč za izboljšano razdelitev odgovorov v kategorije. Watson se je, na primer, naučil, da nekatera vprašanja za odgovor zahtevajo mesec in ne dneva, kar je mislil (in napačno odgovarjal) spočetka.
IBM Watson je na kvizu Jeopardy! uporabljal več algoritmov in tehnik.
V treh letih od zamisli do izvedbe se je dogajalo marsikaj in vmes je bil projekt skorajda ukinjen. Pomembno jabolko spora je bil način, kako bo Watson signaliziral svojo pripravljenost na odgovor, saj je računalnik pač hitrejši od človeka, ki mora fizično pritisniti na gumb. Drugi problem je bilo iskanje vprašanj, kjer se je IBM bal, da bodo snovalci oddaje namerno napisali vprašanja, ki bodo poleg znanja preverjala še sposobnost finega razumevanja besedila, s čimer bi se kviz prelevil v Turingov test. Na koncu so kompromisno uporabili stara, a še nerazkrita vprašanja. Pred končnim kvizom so izvedli približno 100 poskusnih soočenj, ki jih je večinoma dobil IBM Watson.
IBM Watson je v kvizu Jeopardy! pometel z najboljšima človeškima predstavnikoma.
Watson gre za zdravnika
Watsonovo zmagoslavje je bilo veličastno in odmevno. IBM je hitel kovati železo, dokler je bilo vroče, zato je že naslednji dan po kvizu pompozno najavil, da bo Watson postal zdravnik. Skupaj s podjetjem Naunce naj bi uporabili Watsonovo sposobnost analize podatkov, da bi izdelali pomočnika za zdravstveni sistem. Prvo komercialno storitev so obljubili čez 18–24 mesecev. Enako navdušeni so bili tudi v bolnišnicah. Na medicinski fakulteti univerze v Marylandu so dejali, da verjamejo, da ima Watson potencial za vpeljavo nove ere personalizirane medicine z računalniško podporo, ki bo izboljšala natančnost in učinkovitost diagnostike ter varnost bolnikov. Na Univerzi Columbia so dejali, da ima Watson potencial, da občutno skrajša potreben čas za postavitev pravilne diagnoze.
Navsezadnje je ideja zelo logična in mamljiva. Zdravniki morajo poznati kup bolj ali manj pogostih simptomov, ki se lahko ali pa tudi ne pojavijo ob neki bolezni ali poškodbi, ter način zdravljenje. IBM Watson je kot nalašč za analizo ne le vseh medicinskih knjig in vseh znanstvenih člankov, temveč tudi vseh individualnih primerov (case reports). Potem bi glede na simptome in anamnezo bolnika IBM Watson zlahka postavil diagnozo ter predlagal najprimernejše zdravljenje.
Seveda nihče ni pričakoval, da bi Watson to počel sam niti mu česa takšnega ne bi dovolili. A bil bi dobrodošla pomoč zdravnikom, kadar se ti ne bi mogli odločiti oziroma bi jih lahko opozoril na katero od manj pogostih komplikacij, stranski učinek ali kaj podobnega. Watson bi bil neke vrste inteligentni Google za zdravljenje, čeprav bi vse odločitve še vedno sprejemali zdravniki. A zgodilo se ni nič od tega. IBM je bil odličen v marketingu, nekoliko pa je pešala realizacija. Preprosto zato, ker je problem tako težaven, in ne, ker bi bili v IBM nesposobni. A končni rezultat je enak.
Watson ni Google
Entiteto, ki pozna tako rekoč vsa kadarkoli napisana in objavljena besedila, že imamo. Google je indeksiral celoten internet, večino revij in knjig. Watson zato nikoli ni poskušal biti Google, temveč je njegova primerjalna prednost razumevanje naravnega govora (NLP; natural-language processing). Ko je igral kviz Jeopardy!, ni bilo dovolj zgolj preveriti informacij v svojih zbirkah podatkov, temveč je moral razumeti, kaj često zavito vprašanje sploh želi. Tudi to je razlog, da je Watson vedno pripravil več odgovorov, vsakega s svojo verjetnostjo, potem pa oddal najverjetnejšega.
Kaj pa ostali
IBM-ov Watson je najbolj znani primer uporabe umetne inteligence v zdravstvu, še zdaleč pa ni edini. Čeprav splošne umetne inteligence (artificial general intelligence) še nismo razvili, je tudi dosedanja specializirana inteligenca (artificial narrow intelligence) skupaj z razumevanjem naravnega jezika in računalniškim vidom na nekaterih področjih zdravnikom že v pomoč.
Personal Genome Diagnostics iz Baltimora uporablja strojno učenje za analizo sekvenciranja DNK iz tumorjev, ki analizira, ali je tumor maligen. Na univerzi v San Franciscu so razvili umetno inteligenco, ki razvršča ekokardiograme in je v prvih testih vsaj tako sposobna kot ljudje. Pokazali pa so tudi, da je komercialna programska oprema za analizo mamografov enako zanesljiva pri diagnosticiranju raka na dojkah kakor izobraženi radiologi. Na univerzi v Nottinghamu so razvili algoritem, ki z analizo podatkov o bolnikih napove, kdo bo imel v naslednjih 10 letih verjetno težave z infarktom ali s kapjo. Na Stanfordu so na 1,3 milijona posnetkov »natrenirali« umetno inteligenco, ki diagnosticira različne vrste kožnega raka iz nepravilnosti na koži. Ameriško podjetje Autonomous Healthcare razvija sistem, ki bo povezal različne senzorje na napravah na intenzivni negi in bdel nad stanjem bolnikov.
Podobnih poskusov se v prihodnosti obeta še več. Vsem je skupno, da gre za specializirano nišno uporabo, kjer je umetna inteligenca pomočnik pri točno določeni nalogi. Računalniškega zdravnika, ki bi obvladal vse korake diagnostike in zdravljenja (algoritemski dr. House), pa še ni na vidiku.
Algoritem je sposoben razvrstiti slabe posnetke srca glede na zorni kot, kar je prvi korak proti samodejni diagnostiki. Slika: Madani, A. et al. npj Digital Medicinevolume, 2018, 59 (1).
Watson se je učil sam. IBM mu je dal dostop do informacij na internetu, obilico preteklih vprašanj in pravilne ter nepravilne odgovore. Rezultat so bili algoritmi, ki jih je razvil sam, da je opisal razmerja med različnimi besedami v stavku. V resnici se je moral sam naučiti angleško skladnjo.
Omejitve sposobnosti razumevanja govora so se najbolje videle pri vprašanju v finalu v kategoriji ameriška mesta: Največje letališče se imenuje po junaku iz druge svetovne vojne; drugo največje po bitki v drugi svetovni vojni. Watson je odgovoril Toronto. Odgovorov, zakaj se je tako močno zmotil, je več. Da gre za ameriško mesto, je bilo razvidno le iz kategorije, ne iz vprašanja. Poleg tega so tudi v ZDA mesta z imenom Toronto, medtem pa ima kanadski Toronto bejzbolsko moštvo, ki igra v ameriški ligi. Watson tudi ni razumel pastavka za podpičjem. Pravilni odgovor je seveda Chicago, ki ga je Watson uvrstil na drugo mesto z verjetnostjo 11 odstotkov, medtem ko je Torontu pripisal 14 odstotkov. Oboje je bistveno manj od običajnih odgovorov.
Zakaj Watson ni postal zdravnik
IBM je že pred sodelovanjem v Jeopardyju! razmišljal, da bi se Watson lahko spopadel z zdravniško dokumentacijo. To v veliki meri sestavljajo ravno ne preveč urejeni ali sistematični zapisi o stanju bolnikov, ki so za povrhu polni žargona in okrajšav. Watson bi z lahkoto prebral bolnikov karton, potem pa še vse učbenike in znanstvene članke. Od tod do predlaganega najboljšega zdravljenja bi moral biti le še droben korak. Osem let pozneje je večina tedaj vodilnih razvijalcev odšla, ker rezultatov ni in ni bilo.
Martin Kohn, vodilni raziskovalec za področje medicine v IBM Researchu, ki je diplomirani inženir z MIT in doktor medicine s Harvarda, je podjetje zapustil leta 2014. Dosežke je komentiral z besedami: »Zgolj dokazati, da imamo zmogljivo tehnologijo, ne zadostuje. Dokažite mi, da bo dejansko storila nekaj koristnega – da bo izboljšala moje življenje in življenje mojih bolnikov.« Podobno kritični so tudi zunanji sodelavci. Eliot Siegel, ki na univerzi v Marylandu predava radiologijo in je sodeloval z IBM, meni, da so trenutno vodilni Google, Apple in Amazon, medtem ko razvoj IBM caplja zadaj. Herbert Chase s Columbie, ki je pri medicinskem delu Watsona sodeloval od začetka, se je leta 2014 poslovil, ker napredka ni bilo.
Watsonov problem je tudi rigidnost področja. Zdravniki so konservativni, medicina le počasi sprejema novosti, saj so posledice napak in slabo premišljenih novosti lahko usodne. Roboti že zdavnaj sestavljajo najzahtevnejše izdelke, a operacije z roboti so še vedno omejene na nekaj enostavnih posegov. Branje posnetkov slikanj je še vedno večinoma ročno. Še najdlje so računalniški programi ali ponekod umetna inteligenca prišli pri analizi genskega zapisa (bolezni, mutacije), analizi telesnih tekočin (zlasti krvi in urina) in administrativni podpori (elektronski kartoni, recepti, napotnice itd.). Analize vzorcev biopsij, postavljanje diagnoz in podobno so še vedno popolnoma v rokah ljudi.
Eden izmed glavnih problemov je način, kako članke berejo zdravniki in kako jih »razume« Watson. Watson se je naučil brati rezultate kliničnih študij statistično, kjer ga zanimajo rezultati v povprečju. Zdravniki pogosto vidijo vzorce oziroma pomen za posebne primere, denimo ob prisotnosti neke genske mutacije. Primer je novoodobreno zdravilo proti raku, ki deluje le na ljudeh s specifično gensko mutacijo. Čeprav so poskusi vključevali le 55 oseb, od tega štiri z rakom na pljučih, danes bolnike z rakom na pljučih testirajo za to mutacijo, ker bi jim v tem primeru zdravilo pomagalo. Watson tega ne bi nikoli predlagal, ker so štirje primeri v eni študiji statistično nepomembni.
Drugi Watsonov problem je branje neurejenih kartonov, kjer so podatki včasih pomanjkljivi ali niso v kronološkem zaporedju, dvoumno zapisani itd. Zdravniki iz tega hitro sestavijo zgodbo, Watson pa se odreže precej slabše. Tretji problem je vzročnost. Watson se uči le iz učbenikov in člankov, ki opisujejo klinične preizkuse, ne pa iz predhodnih primerov, ki jih je morda že obravnaval. V tem primeru bi namreč prekršil pravilo zbiranja podatkov, saj ne bi mogel razlikovati med vzročnostjo in korelacijo. Zdravniki pa to počno in so pri tem zelo uspešni, saj vsakokrat uporabljajo vse znanje, ki jasno vključuje tudi pretekle primere. Ta problem je konceptualni (ali Watsonu dovolimo manj rigorozno učenje iz preteklih primerov) in pravni (varovanje osebnih podatkov).
Bolj in manj uspešna sodelovanja
IBM ni nikoli poskušal zdravnika Watsona razviti sam. Doslej so se v različnih inkarnacijah povezovali z več kot petdesetimi različnimi podjetji ali bolnišnicami. Iz tega so nastale ena aplikacija in tri različne verzije Watsona za pomoč v onkologiji, pri kliničnih testih in genomiki, medtem ko so se ostali poskusi končali klavrno. Dvajsetih reprezentativnih primerov je nanizanih v spodnji preglednici.
V nekaterih primerih pa je Watson pripeljal do uporabnega izdelka. Najuspešnejši projekt je Watson for Genomics, ki so ga razvili skupaj z univerzama v Severni Karolini in Yalom. Watson analizira informacijo o genskih mutacijah, ki jih ima bolnik, ter nato pripravi poročilo o vseh potencialnih zdravilnih ali kliničnih preizkusih, ki potekajo v zvezi s konkretnimi mutacijami. Informacija o genskih mutacijah je strukturirana in nedvoumna, saj mutacija je ali pa je ni. Watson potem analizira le učbenike, članke, prijavljene klinične preizkuse in informacije o zdravilih, kjer je tudi zelo jasno napisano, na katero mutacijo se nanašajo. Gre torej za enostaven problem, ki ga je Watson zato zmogel obvladati.
Watson for Gernomics je eden izmed redkih uspehov.
Rezultati temu pritrjujejo. Analiza iz leta 2017 je pokazala, da je Watson for Genomics za 32 odstotkov bolnikov z rakom odkril potencialno pomembne mutacije, ki so jih zdravniki prezrli, zaradi česar so bili bolniki primerni za klinične preizkuse ali nova zdravila. Ni pa podatkov, da bi dejansko zaradi tega izboljšal končni izid (kar je v resnici tudi bistveno teže spremljati in meriti). Watson for Genomics se trenutno uporablja v več kot 70 bolnišnicah po ZDA in je najuspešnejši rezultat tega IBM-ovega področja. IBM Watson uporabljajo tudi v nekaterih drugih državah, denimo v Indiji, Južni Koreji in na Tajskem.
Drugi uspešen izdelek je aplikacija Sugar.IQ, ki sta jo razvila IBM in Medtronic. Namenjena je bolnikom s sladkorno boleznijo. Sugar.IQ se povezuje z Medtronicovimi merilniki koncentracije glukoze v krvi, hkrati pa omogoča spremljanje vnosa hrane in zdravil ter življenjskega sloga. Aplikacija, ki je izšla lani, ima odobritev ameriške Agencija za hrano in zdravila (FDA).
Da Watson ni uspeh, kot si ga je IBM zamišljal, kažejo tudi lanska odpuščanja. Maja 2018 so odpustili 50–70 odstotkov zaposlenih pri projektu Watson Health. Večina odpuščenih je bila sicer v IBM zaradi prevzema sorodnih podjetij (Phytel, Merge, Explorys, Truven), ki jih je IBM drago plačal (recimo 2,6 milijarde dolarjev za Truven). Odpustili so več kot 5.000 ljudi.
Watson ni le zdravnik
Napačen bi bil vtis, da je Watson poskušal biti le zdravnik. Resda je IBM ustanovil poseben oddelek Watson Health in vanj vložil več kot štiri milijarde dolarjev samo za prevzeme obetavnih zagonskih podjetij – denimo Phytel, Explorys ali Truven. Watson Health Cloud je bil platforma, namenjena zdravnikom, raziskovalcem, zavarovalnicam in drugim, povezanim z zdravstvom, ki jo je IBM postavil leta 2015.
Pri Watsonu je IBM stopil v prevelike čevlje. Z zmago na kvizu Jeopardy! si je zagotovil publiciteto, s partnerstvom z Memorial Sloan Kettering Cancer Centrom si je zagotovil referenco. Izostali pa so rezultati. Nekaj uspehov sicer imajo pokazati, a bistveno manj od obljub. Zdravnikov Watson verjetno nikoli ne bo nadomestil, tudi zato, ker bolniki tega ne bi želeli, bi jim pa lahko izdatno pomagal. A trenutno tega še ni sposoben, čeprav je cilju bliže kot pred osmimi leti.
Toda Watson lahko počne še marsikaj drugega. V finančnem sektorju se uporablja za analizo tveganj, napovedovanje in forenzične preiskave. Podjetje ROSS ga je uporabilo za postavitev sistema, ki mu lahko zastavljamo pravna vprašanja v običajni angleščini, Watson pa potem odgovori glede na zakonodajo in pravno prakso. Trgovci lahko z Watsonom ugotovijo, kdaj bi se najbolj izplačalo oglaševati neki izdelek, ali pa ga uporabijo kot vsevednega prodajalca. Watson se je preizkusil celo v Fantasy Footballu. Pisal je tudi recepte za zdrave slaščice, izdelal napovednik za film (odločil, kaj iz filma uporabiti) itd.
Pogled v prihodnost
Algoritmi niso prihodnost, algoritmi so že sedanjost. Vso moderno govorjenje o umetni inteligenci so za zdaj algoritmi, ki so »natrenirani« na primernih zbirkah podatkov za določeno opravilo. Definicija inteligence je zelo težka. Splošne inteligence (artificial general intelligence) še ni in v resnici nam bo tudi brez nje šlo čisto spodobno. A tudi ko jo bomo imeli, bodo glavni izzivi družbeni in kulturni, ne tehnološki. Vprašanje, ali računalniku zaupati pri zdravljenju, v nasprotju z vprašanjem, kakšno je najprimernejše zdravljenje v konkretnem primeru, nima enega pravilnega odgovora.