Model sztucznej inteligencji, który będzie wspierał lekarzy – głównie pulmonologów i radiologów – w szybszym i skuteczniejszym diagnozowaniu chorób, opracowali naukowcy z Politechniki Warszawskiej.
Zespół badawczy MI².AI z Wydziału Matematyki i Nauk Informacyjnych Politechniki Warszawskiej realizuje projekt Xlungs wykorzystujący sztuczną inteligencję do monitorowania i analizy zmian chorobowych w klatce piersiowej. Jego zadaniem jest wspieranie lekarzy – głównie pulmonologów i radiologów – przy analizie badań tomografii komputerowej. Dzięki współpracy z Polską Grupą Raka Płuca naukowcy wykorzystali 40 tys. obrazów tomografii komputerowej płuc do tworzenia modelu sztucznej inteligencji, który będzie mógł wspierać lekarzy w szybszym i skuteczniejszym diagnozowaniu chorób. Narzędzie to można zintegrować z już wykorzystywanymi w leczeniu systemami, gdyż współpracuje z powszechnie przyjętymi standardami dokumentacji medycznej.
Opracowane rozwiązanie pozwala lepiej zrozumieć, jak sztuczna inteligencja podejmuje decyzje podczas analizy obrazów. Zamiast generować ogólne sugestie dotyczące całego obrazu, jak to ma miejsce w tradycyjnych wyjaśnieniach kontrfaktycznych, narzędzie przygotowane przez naukowców z PW koncentruje się na wybranych fragmentach obrazu. Dzięki temu lekarze mogą łatwiej zrozumieć, które konkretne zmiany w analizowanym obrazie wpłynęłyby na inną decyzję modelu AI. To podejście jest szczególnie pomocne w medycynie, gdzie precyzyjna interpretacja obrazów ma kluczowe znaczenie dla postawienia diagnozy.
W praktyce podczas analizy danych pacjentów może dochodzić do sytuacji, w których to model „zobaczy” na obrazie z tomografii komputerowej klatki piersiowej potencjalnie groźną zmianę i sygnalizuje to. Wówczas osoba prowadząca badanie powinna mieć dostęp do informacji, co naprowadziło sztuczną inteligencję do takiego wniosku – wyjaśnia prof. Przemysław Biecek, kierownik projektu i lider zespołu MI2.AI.
Tego właśnie dotyczy zagadnienie wyjaśnialności (Explainable AI, XAI), które przeciwstawiane jest koncepcji modelu sztucznej inteligencji jako „czarnej skrzynki”, z której otrzymujemy gotowe rozwiązanie, ale nie wiemy, za pomocą jakiego wnioskowania AI do niego doszła i czy przypadkiem nie jest ono błędne. Coraz więcej krajów wymaga, aby narzędzia AI, które wspierają decyzje diagnostów były transparentne. W Unii Europejskiej wymóg wyjaśnialności wprowadził AI Act, który wszedł w życie na początku tego roku. Modele AI stosowane w medycynie mogą zostać uznane za systemy wysokiego ryzyka, więc wymaga się od nich wyjaśnialności.
Wyjaśnialność AI jest szczególnie ważna w medycynie, gdzie interpretacja zdjęcia z tomografii komputerowej decyduje o rodzaju zalecanej terapii. Lekarze, ale także ich pacjenci, potrzebują przekonania, że mogą polegać na narzędziach, które wykorzystują do wspierania diagnozy i rozumieją, jak one dochodzą do danych wniosków. Lekarz nie zaufa „czarnej skrzynce”. Musi mieć możliwość zweryfikowania, czy taka sugestia ma sens – zauważa dr hab. inż. Marcin Luckner, kierownik prac deweloperskich w projekcie Xlungs.
O nowatorskim podejściu do obszaru wyjaśnialnej AI, które zastosowano w narzędziu Xlungs, naukowcy z PW opowiedzą za kilka dni na International Conference on Learning Representations (ICLR). Jedno z najważniejszych na świecie spotkań naukowców i ekspertów z obszaru uczenia maszynowego, sztucznej inteligencji i uczenia głębokiego (deep learning) odbywa się w tym roku w Singapurze. To tam zaprezentują swoją pracę Rethinking Visual Counterfactual Explanations Through Region Constraint.
MI².AI to zespół badawczy zajmujący się data science i uczeniem maszynowym. Tworzą go pracownicy naukowi i doktoranci dwóch wiodących wydziałów matematyki i informatyki w Polsce: Wydziału Matematyki Informatyki i Mechaniki Uniwersytetu Warszawskiego oraz Wydziału Matematyki i Nauk Informacyjnych Politechniki Warszawskiej. Zespół zajmuje się prowadzeniem badań z dziedziny sztucznej inteligencji, jak również praktycznym zastosowaniem ich efektów oraz popularyzacją wiedzy z obszaru swojej ekspertyzy.
Projekt Xlungs jest finansowany przez Narodowe Centrum Badań i Rozwoju w ramach programu INFOSTRATEG I.
Mariusz Karwowski