– Sztuczna inteligencja musi być kontrolowalna i wyjaśnialna, jeśli ma zrobić rewolucję w medycynie. Lekarz wspierający się jej sugestiami, powinien rozumieć, skąd się one wzięły – uważają naukowcy z Politechniki Warszawskiej, którzy wybierają się na prestiżową konferencję naukową w Singapurze. Opowiedzą na niej o podejściu do obszaru wyjaśnialnej AI, które zastosowali w narzędziu Xlungs pomagającym diagnozować płuca.
Pod koniec kwietnia grupa polskich badaczy wystąpi na konferencji naukowej International Conference on Learning Representations (ICLR), która w tym roku odbywa się w Singapurze. To jedno z najważniejszych na świecie spotkań naukowców i ekspertów z obszaru uczenia maszynowego, sztucznej inteligencji i uczenia głębokiego (deep learning).
Xlungs – polska AI, która wspiera analizę badań tomografii komputerowej klatki piersiowej
Zagadnienia, których dotyczy praca polskich naukowców, nie są wyłącznie przedmiotem akademickiej dyskusji. Zespół badawczy MI².AI, z Wydziału Matematyki i Nauk Informacyjnych Politechniki Warszawskiej, przedstawiane rozwiązanie stosuje już we własnym projekcie Xlungs. 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.
W swojej pracy, zatytułowanej „Rethinking Visual Counterfactual Explanations Through Region Constraint” (Przedefiniowanie wizualnych wyjaśnień kontrfaktycznych poprzez regionalne ograniczenie), która zostanie zaprezentowana w Singapurze, zespół badaczy z Politechniki Warszawskiej wprowadza nowatorską metodę, która 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, ich metoda 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 może być szczególnie pomocne w medycynie, gdzie precyzyjna interpretacja obrazów ma kluczowe znaczenie dla postawienia diagnozy.
Dlaczego wyjaśnialna AI jest potrzebna w medycynie?
– 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 oraz współautor pracy zakwalifikowanej n konfernecję ICLR.
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.