Są tańsze do trenowania, szybsze w działaniu i mogą działać bez zaplecza rozbudowanej infrastruktury IT – to przewagi małych i wyspecjalizowanych modeli sztucznej inteligencji nad dużymi i ogólnymi. Jednym z takich rozwiązań jest Xlungs – polska platforma, która wspiera lekarzy w analizie obrazów płuc.
Obecną falę zainteresowania AI zawdzięczamy głównie dużym modelom językowym (Large Language Models, LLM), o których zrobiło się głośno po pojawieniu się ChatGPT w 2022 roku. Potrafi on programować, tłumaczyć teksty na dowolny język, planować podróże, generować grafiki, rozwiązywać równania matematyczne czy streszczać fabułę książek. W swojej erudycji jest jednak tylko tak mądry, jak mądre są ogólnodostępne treści w internecie, które wcześniej „przeczytał”. Przy zadaniach dla bardziej zaawansowanych zarówno ten, jak i inne LLM-y, zaczynają robić uniki albo odpływają w halucynacje.
To jeden z powodów, dla których eksperci spodziewają się, że niebawem szczyt możliwości AI wyznaczać będzie już nie funkcjonalność chatbotów do wszystkiego, a to, co potrafią wyspecjalizowane narzędzia, w których sztuczna inteligencja bazuje na pracy naukowców.
– Jako kraj próbujemy dołączyć do wyścigu AI budując własne LLM-y. To cenne inicjatywy, jednak w tej konkurencji dysponujemy ograniczonymi zasobami, które nie pozwalają na bezpośrednią rywalizację z takimi potęgami, jak USA czy Chiny. Możemy za to z powodzeniem tworzyć wyspecjalizowanych agentów AI, w oparciu o badania dziedzinowe prowadzone na naszych uczelniach i pozyskiwane w baniach dane – zauważa dr hab. inż. Marcin Luckner, kierownik prac deweloperskich w projekcie Xlungs z Politechniki Warszawskiej.
W opublikowanym na koniec ub.r. raporcie The State of Generative AI in the Enterprise stwierdzono, że tempo rozwoju generatywnej AI zbliża się do „ograniczenia prędkości” ze względu na bariery technologiczne i instytucjonalne. Jednocześnie autorzy raportu zwrócili uwagę, że szybko przybywa agentów AI, czyli małych systemów wyspecjalizowanych w autonomicznym wykonywaniu serii konkretnych zadań.
– Przykładem wyspecjalizowanego podejścia jest nasz projekt Xlungs. Narzędzie zbudowane przy współpracy radiologów i inżynierów w celu analizy obrazów tomografii komputerowej płuc wyuczone zostało tylko przy użyciu danych medycznych, więc nie może rozpoznawać twarzy czy generować dowolnych rysunków. Jednak to do czego zostało stworzone, czyli segmentację organów i rozpoznawanie występujących na nich anomalii, wykonuje lepiej niż ogólny model – ocenia dr hab. inż. Marcin Luckner.
Zdrowie kluczowym obszarem
Pod koniec 2023 r. badacze z Long Island University w USA poprosili ChatGPT o rozwiązanie 39 zagadnień medycznych opartych na prawdziwych sytuacjach, z którymi stykają się pracownicy ochrony zdrowia,. Następnie diagnozy AI zweryfikowali uniwersyteccy naukowcy. Stwierdzili, że tylko w 10 przypadkach GPT rozwiązała zadanie prawidłowo, zaś odpowiedzi na pozostałe zagadnienia były niepełne, niedokładne, lub były próbą ominięcia pytania. Wyniki mogą niepokoić w związku pojawieniem się zjawiska „autodiagnozowania się” za pomocą LLM-ów, które stało się kontynuacją „Dr Google” czyli wpisywania objawów w wyszukiwarkę, by uzyskać „poradę” czy „diagnozę”. Jednocześnie przybywa doniesień, że z pomocy AI korzystają również lekarze.
Platforma Xlungs, która należy do grona narzędzi wyspecjalizowanych w jednym wycinku wiedzy, powstała w oparciu o zupełnie inną filozofię trenowania AI. Naukowcy z zespołu Politechniki Warszawskiej nawiązali współpracę z Dziecięcym Szpitalem Klinicznym w Warszawie i Polską Grupą Raka Płuca (PGRP), w ramach której uzyskali dostęp do ok. 40 tys. płyt CD z tomografii komputerowej polskich pacjentów z lat 2010–2018, m.in. z badań przesiewowych w kierunku raka płuca. Wykorzystali je do przeprowadzenia treningu AI, tworząc model oparty na największej na świecie – 40 TB – bazie zdjęć klatki piersiowej. Zespół MI².AI pracował nad jego stworzeniem przez trzy lata, a zaangażowane do tego zadania procesory potrzebowały ponad 180 tys. godzin obliczeń. Realizacja projektu była możliwa dzięki finansowaniu przez Narodowe Centrum Badań i Rozwoju w ramach konkursu INFOSTRATEG I.
– Nie skreślałbym zupełnie możliwości wykorzystania ogólnych LLM-ów w ochronie zdrowia, ale prawdziwym wsparciem lekarzy w niedalekiej przyszłości będą małe i dedykowane rozwiązania oparte na wiedzy znacznie głębszej niż można pozyskać z internetu. Narzędzia takie jak Xlungs mają dodatkowe zalety – są na tyle małe, że można je uruchomić na istniejących serwerach szpitali lub dostawców usług. Nie wymaga to budowania nowych centrów danych za kilka miliardów dolarów ani nowych elektrowni, które je zasilą – zauważa Przemysław Biecek, kierownik projektu i lider zespołu MI².AI.
MK
Cudo maniaki co to chcą "prawdziwym wsparciem lekarzy w niedalekiej przyszłości będą małe i dedykowane rozwiązania oparte na wiedzy znacznie głębszej niż można pozyskać z internetu. No tak, do kilku przypadków z lat minionych XIX wieku z książek skopiować i wyszukać będzie można stworzyć takie cudo. Nie da się zrobić tego na laptopie, bo jak nauczyć i zdobyć dane dla AI do uczenia algorytmów bez ogromnej wiedzy zdobytej w nauce i praktyce, która jest w internecie w publikacjach i różnych forach. Ale pomarzyć można i wcisnąć kit też. A ten minimalny kit to powinien być u każdego lekarza co to skończył studia a nie w AI. Czyżby czas konowałów nadchodził w medycynie?