A tudománykommunikációban jártasabbaknak nem kell Dr. Siddhartha Mukherjee-t bemutatni, aki onkológus, kutatóorvos, őssejtekkel foglalkozó biológus és mindemellett rendkívül tehetségesen és szórakoztatóan ír még a legkomplikáltabb tudományos területekről is. Több könyve közül a legismertebb a Betegségek betegsége, amelyért Pulitzer díjat kapott. Jelenleg, többek között, egy új könyv írásával is foglalkozik, amely az immunológia témakörét fogja kitárgyalni, beleértve annak a tévhitnek az elintézését is, hogy az oltások autizmust okoznak.

Minden írását érdemes elolvasni és szerencsére nem kell megvárni a következő könyvét, mivel április 3-án megjelent egy cikke a The New Yorker lapban A.I. Versus M.D. címmel, amelyben azt a kérdést feszegeti, hogy mi történne, ha automatizálnák az orvosi diagnosztizálásokat. Mindenkit arra bátorítok, hogy kattintson ide és olvassa el a cikkét! A rengeteg részletnek és a kiemelkedő írói stílusnak köszönhetően garantáltan nagyon szórakoztató élményben lesz részünk. Megpróbálom összefoglalni a cikk lényegét azoknak, akik valamilyen ok miatt nem kattintottak és továbbra is engem olvasnak.

Ő lenne a jövő orvosa? Nem valószínű. (Kép forrása)

Bevezető - A stroke diagnosztizálása

A szerző egy novemberi történettel indít: egy 54 éves hölgy jelent meg a Kolumbiai Egyetem sürgősségi ügyeletén és fejfájásra panaszkodott. Látása homályos volt, a bal kezét pedig zsibbadtnak és gyengének érezte. Az orvosok megvizsgálták és feji CT-t készíttettek.

Pár hónappal később, januárban, három emelettel feljebb, 4 gyakorló radiológus ült egy sötét szobában a számítógép képernyője előtt. Ekkor jelent meg az intézet vezető neuroradiológusa, Angela Lignelli-Dipple és mögéjük állt egy tollal és egy jegyzettömbbel. CT leletek kiértékelésére képezte ki őket.

"Nagyon könnyű a stroke-ot diagnosztizálni, ha az agy már halott és szürke" - mondta. "Nehéz viszont azelőtt diagnosztizálni, mielőtt túl sok idegsejt hal el." A stroke oka leggyakrabban egy vérrög vagy vérzés, a neuroradiológusoknak pedig általában 45 percük van arra, hogy diagnosztizálják azt. A CT felvételek kielemzésének segítségével az orvosok meg tudják a stroke-ot akadályozni, például egy növekvő vérrög feloszlatásával. "Képzeljük magunkat a sürgősségi betegellátóba" - mondta Lignelli-Dipple, emelve ezzel a tétet. "Ahogy telik az idő, úgy hal el az agynak egyre nagyobb része. Az elvesztegetett idő elveszett agyszövetet jelent."

A stroke-ok jellemzően aszimmetrikusak. Az agyunk vérellátása balra és jobbra ágazódik el, majd apróbb erekké és mellékerekké válik szét. Egy rög vagy egy vérzés jellemzően csak az egyik ágazatra gyakorol hatást, ami egyoldalú veszteséget jelent az agyban. Amikor az idegsejtek nem kapnak megfelelő vérellátást és elkezdenek elhalni, akkor a szövet enyhén duzzadttá válik. Egy CT vizsgálaton ennek hatására az agy anatómiai részei közötti határok homályossá, ködössé válhatnak. Végső soron pedig a szövet összemegy, amely egy árnyéknyomot hagy a felvételeken. A probléma ott van, hogy ez az árnyék csak órákkal, vagy napokkal a stroke után jelenik meg, ekkor pedig már nem lehet beavatkozni. Lignelli-Dipple szerint ezelőtt csak apró nyomokat lehet látni a felvételeken.

A rezidensek hosszasan nézegették az imént említett hölgy CT felvételeit, azonosították az agynak a különböző részeit. Egy, a húszas éveinek végén járó rezidens egyszer csak megállt az egyik képnél és a ceruzájával az agy jobb felének egy részére mutatott. "Van itt valami zavaros" - mondta. "A szélek homályosnak tűnnek." Egy laikusnak természetesen az összes kép homályosnak tűnik, de kétségtelen, hogy a gyakorló orvos észrevett valami szokatlant. Lignelli-Dipple arra kérte, hogy írja le jobban. A rezidens nem nagyon tudta más szavakkal leírni a dolgot: "Nem tudom. Csak furán néz ki."

A főorvos elővette az ezután készült CT felvételeket, amelyek már a teljes történetet elmesélték. A második CT vizsgálat 24 órával az első után történt és azon már szőlő nagyságú duzzanat volt látható a rezidens által emlegetett helyen. A több nappal későbbi felvételeken pedig már egy ék alakú, szürke terület látszódott. Az orvosok megpróbálták gyógyszerekkel kinyitni a rögös véreret, de már túl késő volt, a hölgy elájult és az intenzív osztályra került. Testének bal fele lebénult és még az eset után két hónappal is az intenzíven feküdt.

Az szerző az eset után felkísérte Lignelli-Dipplet az irodájába. Azért volt ott, hogy megértse: hogyan diagnosztizálnak az orvosok? És vajon egy számítógép is megtanulhatja azt?

Hogyan diagnosztizálnak az orvosok?

Dr. Mukherjee beszél egy keveset saját tanulmányairól is a diagnosztizálás terén, amelyek 1997-ben, Bostonban kezdődtek. Mint mindenki, ő is tankönyvekkel kezdte, amelyek közül az egyik 4 fázisról beszélt. Először az orvos a páciens kórtörténete és fizikai alapvizsgálata segítségével információt gyűjt az állapotáról és a panaszairól. A következő lépésben ezen információk összegzésével létre kell hozni egy széleskörű listát a potenciális okokról. Ezek után különböző kérdések és előzetes vizsgálatok segítségével az egyes okok kizárhatóak, más okok pedig megerősíthetőek; ezt nevezik differenciáldiagnózisnak. Figyelembe kell venni, hogy mennyire gyakori a sejtett betegség, hogy mennyire illeszthető az be a beteg kórtörténetébe, hogy van-e a betegségnek emelkedett kockázata a páciensnél. A lista egyre csak szűkül, az orvos finomítja az értékelését. A végső fázisban célzott laborvizsgálatok, CT- és röntgenfelvételek segítségével próbálják a hipotézist igazolni és lezárni a diagnózist.

Évtizedeken át reprodukálták e lépcsőszerű folyamat különböző variációit az orvosi tankönyvek. A diagnosztizáló orvos képe, aki módszeresen gürcöl a tünetekről az okokra, egész generációk fejébe égett be.

Dr. Mukherjee azonban hamar rájött, hogy a diagnosztizálás igazi művészete nem ilyen egyértelmű, az sokkal több ennél. Beszél az egyik tanárjáról az orvosi egyetemen, aki olyan apróságokat vett észre a betegei köhögésében, amire sok tapasztalt orvos is rácsodálkozna. Gyakran kérte a pácienseit, hogy köhögjenek neki, majd olyan szavakat használt a köhögések leírására, mint például 'reszelős' vagy 'sistergős', mintha egy borszakértő írna le egy jó minőségű bort. Mukherjee számára az összes köhögés hasonló hangzású volt. A professzor azonban azonnal szűkítette a potenciális diagnózisokat. "Úgy hangzik, mint egy tüdőgyulladás" - mondta. "Vagy a szívelégtelenség nedves hörgései." Majd jött egy sor kérdés. Tapasztalt a páciens testsúlynövekedést? Volt a kórtörténetben azbesztnek való kitettség? Gyakran kérte, hogy köhögjön újra. A válaszok függvényében újabb eshetőségeket vett figyelembe, majd nagy elánnal jelentette ki a diagnózist: "Szívelégtelenség!" Az ezután következő vizsgálatok rendszerint őt igazolták.

Volt egy kutatás pár éve Brazíliában, amely során profi radiológusok agyát vizsgálták, miközben ők diagnosztizáltak. 25 radiológust kértek meg arra, hogy értékeljenek ki tüdő röntgenfelvételeket, miközben egy MRI gépben ültek, amely az agyi aktivitásukat követte nyomon. A kutatás során egy sor egyéb képet is bekevertek a röntgenfelvételek közé, például állatok képeit és az ABC egyes betűit. Végső soron azt a következtetést vonták le, hogy egy károsodás azonosításakor a radiológusok fejében  hasonló folyamatok zajlottak le, mint amikor egy állatot, vagy egy hétköznapi tárgyat ismertek fel. Amikor például felismerünk egy orrszarvút, akkor nem az történik, hogy minden eshetőséget figyelembe veszünk, majd kiküszöböljük a valótlanokat. De nem is az történik, hogy mentálisan egyesítünk egy egyszarvút, egy tatut és egy kis elefántot. Nem, a teljességében ismerjük fel az orrszarvút, egy mintázatként. Ugyanez igaz a radiológusokra is. Nem kigondolnak valamit, nem visszaemlékeznek és nem megkülönböztetnek; hanem egy hétköznapi tárgyat ismernek fel.

Dr. Mukherjeenek sikerült végül beszélnie a bevezető példában szereplő fiatal radiológussal, aki felismerte a stroke-ot. Vajon miként sikerült neki az agykárosodást azonosítania? Válaszát e kérdésre pár tanult szabály ismertetésével kezdte. Tudta, hogy a stroke általában egyoldalú és a szövet enyhe beszürkülésével jár. Tudta, hogy a szövet ilyenkor duzzadttá válik, ami az anatómiai határok elhomályosodásához vezet. De vannak az agynak olyan területei, amelyek különösen sérülékenyek. A károsodás azonosításhoz olyan jeleket kellett keressen, amelyek csak az egyik oldalon voltak jelen. Dr. Mukherjee azonban felhívta a hallgató figyelmét egy csomó egyéb különbségre is a felvételen a két oldal között, amelyeket figyelmen kívül hagyott. A legtöbb CT felvételen, így ezen is, voltak olyan szürke krikszkrakszok a bal oldalon, amelyeket nem látni a jobb oldalon: mozgás vagy egyéb okok miatti műtermékek és normális változások az agyban. Miért pont arra a kis területre koncentrált a rezidens? "Nem tudom - részben tudatalatti volt" - hangzott végül a válasz hosszabb gondolkodás után. Lignelli-Dipple főorvos is megerősítette, hogy a gyakorlat során mindig ez történik: a radiológusok tanulnak és fejlődnek. De vajon képes lehet egy számítógép is hasonlóan tanulni és fejlődni?

Helyettesíthetőek az orvosok számítógépekkel?

Sebastian Thrun informatikust 2015-ben nyűgözték le először az orvosi diagnosztika rejtélyei. Korábban a Stanford Egyetem professzora és annak mesterséges intelligenciával foglalkozó laborjának vezetője volt, később aztán belevágott a Google X projektbe, ahol öntanuló robotokkal és önvezető autókkal kapcsolatos kutatásokat vezetett. Mostanában azonban egyre inkább az öntanuló, orvosi diagnosztikai eszközök iránt érdeklődik. Édesanyja mellrákban hunyt el; már túl késő volt, mikor tüneteivel elment orvosi vizsgálatokra, ekkor betegsége már áttétes volt. Általánosan igaz, hogy a rákos megbetegedések nem okoznak tüneteket megjelenésükkor. Thrun később megszállottjává vált a rák minél előbbi detektálásának és egyfolytában arra gondolt, hogy vajon egy tanuló algoritmus segíthet-e abban.

Különböző számítógépes algoritmusok már most segítenek az orvosoknak egyes leletek kiértékelésében: az EKG és a mammográfia a legjobb példa erre. Ezek azonban a tankönyvekből kinyerhető tudás alapján működnek. Az EKG vizsgálatok során például a szív elektromos aktivitását jelenítik meg vonalak formájában egy papíron vagy a számítógép képernyőjén. E rendszereknek már 20 éve része a számítógépes interpretáció. Az itt használt programok azonban viszonylag egyszerűek. Az egyes betegségekhez tipikus hullámformák társulnak, amelyek főbb tulajdonságainak felismerési módjai be vannak táplálva az algoritmusba. Amikor a gép felismer egy ilyen hullámformát, akkor megjelöli azt a konkrét állapottal, például pitvarfibrillációval.

A mammográfiánál is egyre inkább kezd elterjedni a számítógéppel támogatott detekció. A mintázatfelismerő programok megjelölik a gyanús területeket, majd az orvos kiértékeli azokat. E szoftverek azonban jellemzően valamilyen szabályalapú rendszert használnak a gyanús károsodások azonosítására. Nincs tehát e programokba a tanulás képessége beépítve: egy gép, amely már 3000 felvételt értékelt ki ugyanúgy fog teljesíteni, mint egy éppen üzembe helyezett társa. E korlátok nyilvánvalóvá váltak egy 2007-es tanulmányban, amely a mammográfia pontosságát értékelte ki egy számítógéppel támogatott rendszer bevezetése előtt és után. Elsőre talán azt gondolhatnánk, hogy a rendszer bevezetése drasztikusan növelte a diagnózisok pontosságát, azonban ehelyett egy sokkal bonyolultabb hatást lehetett megfigyelni. A számítógéppel támogatott detekció csoportban a szövettani vizsgálatok száma megugrott, azonban a kicsi, invazív tumorok (ezek azok, amelyekre különösen vadásznak az orvosok) detektálása csökkent. A későbbi kutatások is problémákra utalnak a hamis pozitív eredményekkel kapcsolatban.

Thrun úgy gondolta, hogy képes lesz túlhaladni az első generációs, szabályalapú algoritmusokon és helyettük a tanulásalapúakra koncentrált. A Thrun által fejlesztett tanulóalgoritmusok az úgynevezett 'neurális hálózatok' informatikai stratégiát alkalmazzák, amelyeket az emberi agy egy működési modellje inspirált. Az agyunkban az idegi szinapszisok az újbóli aktiválások függvényében megerősödnek vagy meggyengülnek; e digitális rendszerek valami hasonlót próbálnak elérni matematikai úton, az egyes kapcsolatok súlyozásával a kívánt kimenet elérésének érdekében. Az erősebb algoritmusok abban hasonlítanak az agyra, hogy különböző szinteken működnek és minden szint feldolgozás után továbbküldi az adatokat egy magasabb szintre. Ezt nevezik gépi mély tanulásnak (deep learning).

Thrun a bőrrákok vizsgálatával kezdte. Vajon meg lehet egy gépet tanítani arra, hogy felismerje e betegségeket és megkülönböztesse azokat a kevésbé súlyos bőrproblémáktól, mint például a pattanások, anyajegyek és kiütések? Ha a bőrgyógyászok képesek erre, akkor képes lehet erre egy gép is? Thrun szerint igen, sőt, talán egy gép ügyesebben is csinálhatja.

A legveszélyesebb bőrrák, a melanoma felismerésének oktatása viszonylag egyszerű szabályokkal kezdődik. Tankönyvekben írnak például az ABCD módszerről, amely négy szabályt foglal magába. A melanomák gyakran ("A") aszimmetrikusak, ("B") széleik gyakran egyenletlenek, ("C") lehetnek foltosak és színesek és ("D") az átmérőjük általában 6 milliméternél nagyobb. Thrun azonban sok olyan példát talált orvosi tankönyvekben, amelyekre egyik feltétel sem volt igaz. Ezért aztán csapatával a számítógépes rendszerüket nem szabályalapú módon programozták, hanem képeket tápláltak bele, párosítva azokat a hozzájuk tartozó diagnózissal.

Egy régimódi program, amelynek feladata például kutyák azonosítása lenne nem így működne. Egy programozó írhatna egy szinte végtelen if ciklust erre: ha fülei vannak és egy orra és szőre, de nem patkány stb. Egy gyerek azonban nem így tanulja meg azonosítani a kutyákat. Először lát pár kutyát, amelyekről szülei elárulják, hogy azok kutyák. Aztán hibázik párszor és tanul belőle: kutyának néz egy farkast, de szülei elmagyarázzák neki, hogy az nem kutya, hanem egy teljesen új fogalom. Ezáltal megváltozik a gyerek felfogása. Thrun rendszere hasonlóan működik: a betáplált kép-diagnózis párokból nyeri ki az információt. Megtanulja, hogy mi a kutya és mi nem az. Ezután kivonja az egyes halmazok jellegzetességeit, majd több ezer kategorizált kép segítségével teszteli saját magát. Ezekből létrehozza saját módszereit a kutya felismerésére, akárcsak egy gyerek.

2015 júniusában elkezdték tesztelni a rendszert. Az első éles tesztek során a rendszernek három kategóriába kellett besorolnia különböző felvételeket: jó indulatú károsodások, rosszindulatú károsodások és nem rákos kinövések. A rendszer az esetek 72 %-ában adott jó választ. (A kimenet nem egyszerű igen/nem volt, hanem az egyes csoportokba való tartozás valószínűsége.) Két bőrgyógyász is részt vett a vizsgálaton, ők azonban csak az esetek 66 %-ában adtak jó választ. A tesztek második fázisában már 25 bőrgyógyászt vontak be és kb. 2000 szövettan által igazolt felvételt elemeztek ki. A számítógépes rendszer szinte minden esetben érzékenyebb volt, kisebb eséllyel tévesztett el valós melanomát. Mindemellett kisebb eséllyel mondott valamit melanomának, mikor az valójában nem volt az. Az eredményeket végül a Nature szaklapban publikálták és azt állapították meg, hogy a rendszer minden tesztben jobban teljesített a bőrgyógyászoknál.

Minden innovációnak vannak azonban hátrányai, így ez sem kivétel. Thrun beszél a fekete doboz ('black box') problémáról, amely egy sajátossága a deep learning témakörnek. A rendszer ugyanis nem előre meghatározott orvosi szabályok vagy diagnosztikai kritériumok alapján működik, hanem önmagát tanította meg a melanomák megkülönböztetésére az egyéb károsodásoktól, mégpedig sok belső önmódosítás által. Ha adunk a rendszernek egy konkrét felvételt, akkor pontosan mi alapján mondja meg, hogy az melanoma vagy sem? Nem tudhatjuk és a rendszer sem képes megmondani.

Thrun egy olyan világot képzel a jövőben, amelyben állandó diagnosztikai megfigyelés alatt állnak az emberek. A telefonjaink folyamatosan analizálnák a beszédünket az Alzheimer kór diagnosztizálása érdekében. Kocsink kormánya detektálná az apró rángásokat és felfigyelne a Parkinson kór jeleire. A kád, amiben fürdünk pedig ártalmatlan ultrahang és MRI technológia segítségével figyelné a kialakuló daganatokat. Vajon egy ilyen rendszer, amely a rákos megbetegedéseket szinte a megjelenésük pillanatában felismerné tényleg óriási előrelépés lenne?

Bármilyen csábító is legyen ez a világkép komoly gondok vannak vele. Sok daganat sosem válik ugyanis veszélyessé. Velük halunk meg és nem miattuk. Mi van, ha egy ilyen világ több millió szükségtelen biopsziához és ezáltal felesleges kezelésekhez is vezet? A rák korai felismerése sok esetben életet ment, sok esetben viszont nem. Nehéz megmondani, hogy pontosan mennyit akarjunk tudni előre. (Ezzel a valós problémával részletesebben ebben a bejegyzésben foglalkoztam.)

Thrun azonban bizakodó, ő csak az emberi képességeket szeretné felerősíteni. A modern mezőgazdasági gépek sem szüntették meg az összes gazdálkodási módot, csak felerősítették a termelőképességünket. Más gépek az emberi erőt növelték meg. Ilyen értelemben a mobiltelefonok is csupán 'felerősítik' a beszédünket, hiszen amúgy nem tudnánk Budapestről Debrecenig elkiabálni. A mobiltelefonok megjelenése nem jelentette azt, hogy a beszédünk feleslegessé vált. Hasonlóan, a kognitív számítógépes forradalom is csak az emberi elme képességeit fogja felerősíteni. Thrun szerint a deep learning rendszerek sosem fogják felváltani a radiológusokat és bőrgyógyászokat, csupán fel fogják erősíteni a képességeiket. Szakértelmet és támogatást nyújtanak majd nekik.

A legelső, számítógéppel támogatott mammográfiás rendszerek olyan csalódásokat okoztak, amelyekre sok kutató nem szívesen emlékszik vissza. Bármely új rendszernek szigorúan ellenőrzött klinikai vizsgálatokon kell majd átesnie. Mukherjee készített egy interjút egy másik informatikai szakértővel, Geoffrey Hintonnal, a Torontoi Egyetemről. Ő elmondta, hogy az új, intelligens rendszerek eleve úgy vannak tervezve, hogy képesek legyenek tanulni a hibáikból és idővel fejlődni. Egy ilyen rendszerbe bele lehet például táplálni az összes, általa elhibázott diagnózist, majd rá lehet kérdezni: "Mit hibáztál itt pontosan?" és "Tudnád pontosítani ezt a diagnózist?". Hinton szerint ehhez hasonló rendszer nem létezik jelenleg radiológusoknál.

Léteznek aztán olyan ambiciózus rendszerek is, amelyek hosszú távú céljai között szerepel a különböző természetes nyelvek feldolgozása, ami megengedné a páciensek kórtörténetének 'elolvasását', valamint enciklopédiákban, tankönyvekben, orvosi szaklapokban és egyéb adatbázisokban található tudásanyag felhasználását. Az IBM Watson Health rendszere és a Londonban található DeepMind is erre törekszik. Mindkét projektnek voltak már bemutatói, de sok funkciójuk, különösen a deep learninget felhasználó elemek, még fejlesztés alatt áll.

Hinton lelkesen tekint a deep learning rendszerek jövője felé az orvosi diagnosztika területén. "Sok tanulnivaló van ezen a területen" - mondta nagy sóhajok közepette. "A korai és pontos diagnózis nem triviális probléma. Tudnánk jobban teljesíteni. Miért ne hagynánk, hogy gépek segítsenek rajtunk?"

További potenciális problémák

A Thrunnal és Hintonnal történt hosszas beszélgetések után Mukherjee a Kolumbiai Egyetem bőrgyógyászati klinikájára látogatott, ahol Lindsay Bordone bőrgyógyász napi munkáját figyelte meg. Aznap 49 betegnek volt időpontja hozzá. Egy főállású bőrgyógyász élete során kb. 200 000 esetet fog látni. A Thrun által fejlesztett algoritmus 3 hónap leforgása alatt közel 130 000 esetet dolgozott fel. Egy kezdő bőrgyógyásznak mindig az alapoktól kell kezdenie, egy gép viszont folyamatosan képes fejlődni és tanulni.

Bordone azon az állásponton volt, hogy ha egy ilyen gép segít neki nagyobb pontosságú döntések meghozatalában, akkor szívesen használná azt. Egyes betegei még a rendelés előtt elküldhetnék neki a fényképeiket a gyanús anyajegyekről.

Ésszerű választ hallhattunk tehát, amely összhangban volt Thrun világképével, amelyben gépek támogatják az orvosok munkáját. A gépek egyre többet és többet tudnak majd, vajon mindemellett az emberek egyre kevesebbet fognak tudni? Ha minden gyerek okostelefonján van egy helyesírás ellenőrző alkalmazás, akkor vajon lehetséges, hogy e gyerekek nem is tanulnak majd meg helyesen írni? Ezt az ismert jelenséget 'automation bias'-nak (automatizálási torzítás?) szokták nevezni. Ha az autók egyre több funkcióval segítik a sofőrt, akkor lehetséges, hogy emiatt ő egyre kevésbé fog odafigyelni? Vajon történhet hasonló az orvostudományban is? Bordone odafigyelése és koncentrációja lenyűgöző volt a rendelései során. Figyelme sosem lankadt és minden apró rendellenességet kellő komolysággal vizsgált meg. Vajon ez továbbra is így maradna, ha egy számítógép segítené a munkáját?

Figyelemre méltó továbbá Bordone együttműködése a betegeivel, akik mindig jobban érezték magukat távozáskor. Valaki hozzájuk ért, valaki alaposan megvizsgálta őket, történt egy beszélgetés. Már a vizsgálat menete bőrápoló hatású volt, e folyamatban volt valami mélyen megnyugtató a betegek számára.

Van azonban valami, ami még ennél is fontosabb, amiről mind ez idáig nem esett szó. Bordone úgy azonosította a különböző betegségeket, mintha egy hétköznapi tárgyat vagy egy orrszarvút ismerne fel. A diagnózis után azonban sosem ért véget a történet. Valamennyi esetben Bordone időt és energiát szánt az okok boncolgatására. Vajon miért jelentkeztek a tünetek? Sok stressznek volt kitéve mostanában a beteg? Vagy egy új sampon a bűnös? Esetleg klóros vizű medencében úszkált a beteg nemrég? Miért pont most jelentek meg a kiütések?

Mukherjee is ekkor döbbent rá, hogy a legerőteljesebb eleme e klinikai vizsgálódásoknak nem az orvosi tankönyvekből származó lexikális tudás és nem a különböző mintázatok felismerésének képessége. Nem, a legfontosabb elem az ismereteink egy újabb birodalmában keresendő: tudni miért.

A indoklások lehetnek felszínesek és nagyon mélyek is. Magyarázhatjuk a kezünkön lévő vízhólyagot azzal, hogy véletlenül a forró vasalóhoz értünk, de belekeverhetjük az immunrendszerünk működését is akár olyan részletességgel, amit még a tudomány sem ért teljesen pontosan. Tudni miért és tudni akarni, hogy miért; ez vezet el minket minden magyarázathoz, és e magyarázatok azok, amik az orvostudományt előre viszik.

Létezik egy hasonlat, amely baseball játékosokról és fizikusokról szól. A baseball játékosok óriási tapasztalatuk miatt nagyon pontosan tudnak dobni, mindezt úgy, hogy nem ismerik a labda mozgását leíró bonyolult egyenleteket. A fizikusok ezzel szemben nem tudnak ilyen pontosan dobni, de ki tudják számolni, hogy mekkora erővel és milyen irányba kell elhajítani a labdát. A diagnosztizáló személyzet (legyen az egy orvos vagy egy robot) jelen esetben a baseball játékos - tapasztalt, de tudatlan. A kutatóorvosok pedig a baseball pályától messze dolgozó fizikusok, akiknek nincs nagy gyakorlatuk, viszont tudni szeretnék a miértre a választ. Ez egy kényelmes felosztása a felelősségeknek, de vajon jár-e veszteségekkel? "Egy deep learning rendszernek nincs magyarázóképessége" - mondta Hilton határozottan. Egy fekete doboz nem tud az okok után kutakodni.

Mukherjee beszél végül a saját szakterületéről, az onkológiáról is, ahol sokszor olyan gyakorló orvosok, akik egyben kíváncsi és tisztán látó kutatók is voltak, indítottak el nagyobb előrelépéseket. Az elmúlt évtizedekben több ambiciózus orvos próbált meg egyszerre baseball játékos és fizikus is lenni: ők a diagnosztikai éleslátásuk segítségével próbálták a betegségek kórélettanát megérteni. Vajon az aszimmetrikus bőri sérülések miért jósolják meg jól a melanomát? Egyes melanomák miért gyógyulnak meg maguktól és miért maradnak ekkor fehér bőrrészek a betegség helyén? Ezek a diagnosztikával foglalkozó orvosok általi megfigyelések jó pár igen erős, ma is használatban lévő immunológiai orvosság felfedezéséhez vezettek. (A fehér bőr egy immunválasz volt, amely a melanoma ellen is fordítható.) Egy felfedezés hosszú láncolata sokszor a kórházban indul útjára. Ha egyre több kórházi gyakorlatot helyettesítünk számítógépekkel, ha a különböző tudásformák közötti bizalmasság egyre inkább elenyészik, akkor lehetséges, hogy az orvosok jobban tudják majd csinálni a napi rutinjukat, de cserébe kevésbé fogják tudni újragondolni, hogy mit kellene tenni? Vajon képesek lesznek mindemellett újszerűen gondolkodni, gondolkodásmódot váltani, ha kell?

A diagnózis görög eredetű szó és 'átfogó megismerést' jelent. A gépi tanuló algoritmusok e tudásnak csak egy részében lesznek jobbak: meg tudnak különböztetni egy anyajegyet egy melanomától. De átfogó módon megismerni, minden dimenziójában tudni valamiről, az túlmutat ezeken a feladat specifikus algoritmusokon. Az orvostudomány birodalmában a legvégsőbb jutalmakat az igazán átfogó tudás nyújtja.

Források

A.I. Versus M.D.
How Do Doctors Learn to Diagnose, and Can Machines Learn to Do It Too?