Gdy wyścig o supremację w dziedzinie sztucznej inteligencji rozgrywa się między gigantami, którzy tworzą gigantyczne modele językowe, coraz wyraźniej wyłania się alternatywny kierunek: tworzenie wyspecjalizowanych, lekkich i precyzyjnych narzędzi AI. Jednym z najbardziej obiecujących przykładów tego podejścia jest projekt Xlungs — rozwijany w Polsce system wspierający lekarzy w analizie obrazów płucnych. Jego twórcy pokazują, że przyszłość medycznych zastosowań sztucznej inteligencji należy właśnie do takich rozwiązań.
Koniec ery „Dr. Google”?
Na fali popularności narzędzi takich jak ChatGPT, które od 2022 roku zawładnęły wyobraźnią opinii publicznej, pojawiły się również poważne obawy dotyczące ich stosowania w dziedzinach wymagających precyzji i eksperckiej wiedzy — jak medycyna. Duże modele językowe (LLM) wykazują imponujące możliwości w generowaniu tekstów, tłumaczeniach czy nawet kodowaniu, ale ich słabością pozostaje to, co stanowi ich fundament: treści pobierane z Internetu, bez krytycznej selekcji jakości źródeł. O ile wystarczy to do zaplanowania wakacji, o tyle staje się niebezpieczne, gdy w grę wchodzi zdrowie.
Na zagrożenia związane z takim zastosowaniem AI zwracają uwagę m.in. badacze z Long Island University, którzy pod koniec 2023 roku sprawdzili skuteczność ChatGPT w rozwiązywaniu rzeczywistych zagadnień medycznych. Wśród 39 przypadków, które przedłożono modelowi, jedynie 10 zostało rozwiązanych poprawnie. W pozostałych przypadkach odpowiedzi były niepełne, mylące lub próbowały omijać pytania. W kontekście rosnącej popularności autodiagnozowania się przy pomocy chatbotów, wyniki te są wyraźnym sygnałem ostrzegawczym.
Tymczasem coraz więcej lekarzy i placówek zdrowotnych sięga po wsparcie AI — ale nie tej ogólnej, lecz specjalistycznej, dostrojonej do konkretnych zastosowań. To właśnie tu pojawia się przestrzeń dla narzędzi takich jak Xlungs.
Polskie AI trenowane na naukowej wiedzy
Xlungs to system sztucznej inteligencji stworzony przez interdyscyplinarny zespół naukowców z Politechniki Warszawskiej, we współpracy z Dziecięcym Szpitalem Klinicznym w Warszawie oraz Polską Grupą Raka Płuca (PGRP). Platforma specjalizuje się w analizie tomografii komputerowej płuc i została zaprojektowana, by wspierać pracę pulmonologów oraz radiologów.
Do treningu modelu AI wykorzystano imponujący zbiór danych: ok. 40 tys. płyt CD z badaniami obrazowymi polskich pacjentów z lat 2010–2018. Była to największa na świecie baza zdjęć klatki piersiowej, ważąca aż 40 terabajtów. Budową algorytmu zajmował się zespół MI².AI — grupa badawcza skupiająca naukowców i doktorantów z MIM Uniwersytetu Warszawskiego oraz MiNI Politechniki Warszawskiej. Model rozwijano przez trzy lata, a jego stworzenie wymagało aż 180 tys. godzin obliczeniowych. Projekt zrealizowano dzięki dofinansowaniu z Narodowego Centrum Badań i Rozwoju w ramach programu INFOSTRATEG I.
– 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.
Siła eksperckiej precyzji
To, co wyróżnia Xlungs na tle ogólnych chatbotów, to nie tylko zakres działania, ale także filozofia, na jakiej został zbudowany. Model nie potrafi generować tekstów, rozpoznawać twarzy ani projektować grafik. Ale właśnie dlatego, że nie został przeciążony „wszystkim naraz”, osiąga wysoką skuteczność w tym, do czego został stworzony — segmentacji obrazów klatki piersiowej i rozpoznawaniu zmian chorobowych, w tym guzów czy nieprawidłowości strukturalnych.
– 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 — segmentacja organów i rozpoznawanie występujących na nich anomalii — wykonuje lepiej niż ogólny model – ocenia dr hab. inż. Marcin Luckner.
Xlungs to projekt naukowy zaprojektowany nie jako zamiennik lekarza, ale jako narzędzie wspierające analizę obrazów, automatyzujące proces ich opisu i skracające czas potrzebny na diagnozę. To AI, które bazuje na eksperckiej wiedzy, nie na statystycznych skojarzeniach tekstów z internetu. W efekcie nie tylko zwiększa precyzję rozpoznań, ale pozwala też odciążyć specjalistów w zatłoczonych szpitalach.
Mniej mocy, więcej sensu
W najnowszym raporcie Deloitte, „The State of Generative AI in the Enterprise”, eksperci zauważają, że rozwój generatywnej AI napotyka już pierwsze bariery technologiczne i instytucjonalne. W tej sytuacji na znaczeniu zyskują tzw. agenci AI – niewielkie, autonomiczne narzędzia o ograniczonym zakresie działania, ale wysokiej skuteczności w swoich dziedzinach. Tę samą tendencję obserwujemy również w sektorze ochrony zdrowia.
– 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.
Ten aspekt ma kluczowe znaczenie w kontekście ograniczonych zasobów placówek medycznych. Xlungs nie wymaga wyspecjalizowanej infrastruktury – może działać lokalnie, bez konieczności łączenia się z chmurą czy potężnymi centrami danych. To sprawia, że technologia staje się dostępna nawet dla mniejszych jednostek, co może w przyszłości istotnie wyrównać poziom opieki medycznej między ośrodkami centralnymi a lokalnymi.
Specjalizacja, specjalizacja i jeszcze raz specjalizacja
Twórcy Xlungs udowadniają, że w dobie boomu na sztuczną inteligencję nie trzeba konkurować z gigantami, by osiągnąć znaczący postęp. Dzięki skoncentrowaniu się na jednej, ściśle określonej dziedzinie i połączeniu kompetencji inżynierów, lekarzy oraz ekspertów od uczenia maszynowego, udało się stworzyć rozwiązanie, które może realnie wspierać diagnostykę i leczenie.
A że podobnych potrzeb będzie coraz więcej — nie tylko w onkologii czy pulmonologii, ale także w kardiologii, dermatologii, czy diagnostyce laboratoryjnej — trend tworzenia specjalistycznych narzędzi AI wydaje się dopiero nabierać rozpędu. I bardzo możliwe, że właśnie takie projekty, jak Xlungs, będą tymi, które naprawdę zmienią medycynę.
źródło: informacja prasowa
Dodaj komentarz