uredi› krajšaj› T:93 M:410 Z: [×]

Zakaj IBMov Watson (še?) ni nadomestil zdravnikov?

IBM je sicer pretirano poveličeval svoj sistem za strojno učenje Watson, a ima podjetje kljub temu morda na voljo še največ podatkov, ki so potrebni, da bi medicina postala pametnejša.

Paul Tang je obiskal ženo v bolnišnici tik po tem, ko so ji operirali koleno. V Združenih državah Amerike opravijo približno 700.000 takih operacij na leto. Oglasil se je tudi kirurg in Tang, ki je splošni zdravnik, ga je vprašal, kdaj bo žena po njegovih izkušnjah spet zmogla vsakdanja opravila. Kirurg mu je postregel zgolj z bledimi polodgovori. »Naposled se mi je posvetilo,« je dejal Tang. »Ni imel pojma.« Kmalu je ugotovil, da večina zdravnikov ne ve, kako bolniki okrevajo, ko se vrnejo domov in na delo – čeprav sta to za paciente najpomembnejša vidika življenja.

Tang še vedno zdravi bolnike, a je tudi vodja preobrazbe zdravstva v Watson Healthu. To je poslovna skupina, ki razvija zdravstvene aplikacije za Watson, sistem za strojno učenje, na katerem IBM tako rekoč gradi svojo prihodnost. Watson bi lahko ponudil podatke, ki jih zdravniki zdaj ne dobivajo, je povedal Tang. Zdravniku bi na primer lahko povedal, kako dolgo traja, da bolniki, kot je bila Tangova žena, z umetnim kolenom spet hodijo brez bolečin in po stopnicah. Lahko bi celo pomagal analizirati posnetke, vzorce tkiva in predlagal najboljše metode zdravljenja za posameznega pacienta.

Zaradi takih možnosti je zdravstvo med najzanimivejšimi segmenti trga za tehnologije strojnega učenja. Raziskovalno podjetje CB Insights je naštelo vsaj 106 zagonskih podjetij, ki so vzniknila po letu 2013 in še vedno delujejo.

Toda nobeno od njih ni bilo deležno niti približno takšne pozornosti kot Watson, ki je zaslovel po zmagi v televizijskem kvizu Jeopardy! leta 2011, sledilo pa je živahno trženje IBM. A v zadnjem času je medijsko poročanje Watsonu dokaj nenaklonjeno. Glasno oglaševano sodelovanje s centrom za rakave bolezni M. D. Anderson Cancer Center iz Houstona je letos propadlo. Ker IBM usihajo prihodki, vrednost delnic pa niha, se analitiki sprašujejo, kdaj bo Watson začel prinašati rezultate. »Watson je burleska,« je za postajo CNBC izjavil Chamath Palihapitiya, vpliven tehnološki vlagatelj, ki je ustanovil podjetje Social Capital.

Kakorkoli, kritike na Watsonov račun, in to velja celo za M. D. Anderson, niso posledica napake v tehnologiji, temveč predvsem odziv na pretirano optimistične trditve IBM, kaj vse naj bi Watson že zmogel. Kljub vsemu je še vedno verjetno, da bo Watson Health pionir pri uporabi umetne inteligence za reševanje zdravstvenih težav. Med pomembnimi razlogi, zakaj se ne more pohvaliti z velikim napredkom v tej smeri, je preprosto to, da za »usposabljanje« potrebuje določeno vrsto podatkov. V številnih primerih so ti podatki skopi oziroma težko dostopni. A to ni zgolj Watsonova težava, gre za kleč, s katero se poprijema celotno področje strojnega učenja na področju zdravja.

Čeprav pomanjkljivi in nedostopni podatki zavirajo Watsona, to nemara še bolj škodi tekmecem IBM. Dostopnost podatkov bo namreč najlaže doseči s partnerstvom z velikimi zdravstvenimi organizacijami, ki pa so tehnološko konservativne. In tisto, kar IBM v primerjavi z zagonskimi podjetji in celo velikimi tekmeci, kot sta Apple in Google, še vedno počne zelo dobro, je pridobivanje zaupanja direktorjev in vodij informacijskih oddelkov v velikih organizacijah. Kljub težavam s projektom M. D. Anderson ima IBM ključno prednost. Watson prodira v različne zdravstvene centre, do vodstev zdravstvenih ustanov in družb na področju znanosti, kjer bi lahko zagotavljali ključne podatke, ki bodo vplivali na prihodnost umetne inteligence in medicino.

Nerealni časovni načrti

Ob prenehanju sodelovanja z M. D. Anderson se zdi, kot bi se IBM zaletelo od lastnega navdušenja nad Watsonom. S centrom za zdravljenje raka sta začela sodelovati leta 2012. Cilj je bil, da bi Watson prebral podatke o vseh bolnikovih simptomih, o zaporedju genov in patološka poročila, vse to povezal z zdravnikovimi zapiski o bolniku in pomembnimi strokovnimi članki, nato pa zdravnikom pomagal postaviti diagnozo in določiti zdravljenje. Vendar so bila pričakovanja tako IBM kot M. D. Anderson v zvezi s tehnologijo prevelika. IBM je leta 2013 trdil, da se je »začelo novo obdobje računalništva«, in to je pri Forbesu zbudilo vtis, da Watson »klinično preizkušajo« in naj bi bil v nekaj mesecih nared za uporabo. Leta 2015 so v Washington Postu navedli vodjo Watsona, češ da vzpostavljajo združeni inteligentni model med strojem in človekom. V časopisu so napisali, da se računalniški sistem usposablja skupaj z zdravniki in postori tisto, česar oni ne zmorejo.

Februarja letos so na teksaški univerzi, v okviru katere deluje M. D. Anderson, napovedali, da bodo ustavili projekt. Ob tem se je pokazalo, da bi center IBM moral plačati 39 milijonov dolarjev – čeprav je bila prvotna pogodbena vrednost projekta 2,4 milijona dolarjev. Ko projekt po štirih letih ni prinesel orodja za uporabo pri bolnikih, ki ne bi delovalo samo poskusno, M. D. Anderson sicer ni želel konkretno komentirati Watsona, a kot kaže, je bistvo težav predvsem v notranjih sporih glede vodenja in financiranja projekta.

To pa ne pomeni, da IBM nima dejanskih težav z Watsonom – te so pravzaprav večje, kot jih je razkril katerikoli način rabe.

Če hočemo razumeti, kaj zavira napredek, moramo najprej razumeti, kako se sistemi za strojno učenje, kot je Watson, sploh urijo. Watson »se uči« tako, da nenehno ponavlja postopke interne obdelave, da bi dosegel kar največji možni odstotek pravilnih odgovorov na izbrani niz vprašanj, na primer, kakšni radiološki posnetki razkrivajo raka. Pravilni odgovori morajo biti že znani, da je sistem mogoče obvestiti, kdaj je ocenil pravilno in kdaj se je zmotil. Čim več težav med urjenjem se reši, tem večji je delež pravilnih odgovorov.

To je razmeroma preprosto, ko se sistem uri za prepoznavanje tvorb na rentgenskih posnetkih. A da bi zmogel potencialno prelomne dileme, ki daleč presegajo tisto, kar ljudje že zmorejo, na primer odkrivanje razmerja med genskimi variacijami in boleznijo, bi moral Watson razrešiti klasično vprašanje o kokoši in jajcu: kako naj se uri s podatki, ki jih še ni presejal in primerno uredil strokovnjak? »Ko učijo samovozeče avtomobile, lahko drevo ali prometni znak vnese kdorkoli, da se ga sistem nauči prepoznavati,« je pojasnil Thomas Fuchs, računalniški patolog v newyorškem centru za rakave bolezni Memorial Sloan Kettering. »A na ozkem medicinskem področju bi potrebovali strokovnjake, ki bi se desetletja usposabljali samo za primerno označevanje podatkov za računalnik.«

Takšna ali drugačna oblika te ovire se kaže na vseh področjih, na katerih bi IBM rad sodeloval s svojim Watsonom – enako velja za vsa podjetja, ki ponujajo rešitve na področju strojnega učenja. Nekdo mora najprej ročno pregledati velikanske nabore podatkov in iz njih izluščiti tiste, ki so pomembni za posameznega bolnika, in to storiti za tisoče in tisoče primerov, šele nato bi lahko začeli učiti Watsona, da bi to zmogel tudi sam. Za prepoznavanje genov, ki so povezani z boleznijo, bi Watson potreboval na tisoče kartotek bolnikov, ki imajo določeno bolezen in katerih DNK je bila analizirana. A do teh kombiniranih kartotek je včasih težko priti. V številnih primerih podatki niso pravega formata – oziroma jih ni. Ali pa so razpršeni po nekaj deset različnih sistemih in jih je težko obdelovati.

Vzemimo za primer cilj, da bi izboljšali zdravstveno oskrbo na primarni ravni tako, da bi zdravniki imeli na dosegu roke temeljitejše podatke. Če zdravniki zamudijo priložnost, da bi razmeroma blage težave zdravili med rutinskim obiskom na primarni ravni, še preden mora bolnik zaradi resnejše težave na urgenco oziroma k specialistu, se ne stopnjujejo le zdravstveni zapleti, temveč tudi stroški. »Približno tretjina stroškov za zdravljenje je verjetno nepotrebnih,« ocenjuje Anil Jain, vodja informatike za zdravstveno področje pri IBM Watson Health, ki je po izobrazbi zdravnik. Strojno učenje na splošno velja kot priložnost za rešitev te težave.

Watson bo v veliko pomoč pri hitrejši ozdravitvi bolnikov, če bo našel povezave med podatki, ki jih bo prebral v kartotekah, in tem, kar Tang imenuje »družbene determinante zdravja«. K tem dejavnikom sodi tudi to, ali bolniki uživajo mamila, se izogibajo nezdravi hrani, dihajo čist zrak in tako naprej. Tang priznava, da danes skoraj ni bolnišnice in ordinacije, ki bi zanesljivo zbirala takšne podatke za relevanten delež bolnikov. Del težave je, da bolnišnice le počasi uvajajo sodobne prakse dela na podlagi podatkov. »Zdravstvena oskrba je pri uvajanju tehnologije prav neprijetno počasna,« priznava Manish Kohli, zdravnik in strokovnjak za zdravstveno informatiko na kliniki Cleveland Clinic.

Če kje podatke vendarle imajo, jih IBM pogosto preprosto kupi. Tako je kupil podjetja, kot so Truven Health Analytics, Explorys in Phytel, vsa tri so bila dejavna pri urejanju velikih zbirk podatkov v bolnišnicah in za bolnike. In celo po propadu pogodbe z M. D. Anderson je IBM ohranil nekaj ključnih partnerstev, ki mu omogočajo vse lažjo dostopnost podatkov o bolnikih.

Med njimi je tudi mreža Atrius Health, ki zajema skoraj 900 večinoma splošnih zdravnikov z območja Bostona. V okviru tega partnerstva naj bi razvili in preizkusili sistem, ki bi temeljil na Watsonu, s katerim bi iz morja zapiskov, kartotek in člankov izločili drobce podatkov, ključne za posameznega bolnika. »Iskanje vseh pomembnih podatkov je v sedanjih razmerah za zdravnike zelo zahtevno opravilo,« je povedal Joe Kimura, šef področja za medicino v mreži Atrius. Zaradi elektronskih zdravstvenih kartotek je težava morda postala še bolj pereča, je dodal, saj je vzpon takšnih sistemov povzročil nepregledno povečanje količine zbranih podatkov na vsakem obisku pri zdravniku, ne da bi se pri tem opirali na standarden format, s katerim bi jih bilo mogoče preprosto urejati.

Ključno je tudi to, da so številne zelo pomembne pripombe v kartotekah v obliki stavkov, ki jih običajni informacijski sistem ne more razumeti. Watson pa svoje sposobnosti obdelovanja naravnega jezika, ki so jih razvili za kviz Jeopardy!, lahko izkoristi za njihovo razlaganje. V idealnem primeru bi potem lahko predlagal metode, s katerimi bi zdravniki pomagali bolnikom in jim s tem prihranili zahtevno zdravljenje. »Zakaj bi se posvetili le temu, da bi čim bolje opravili svoje delo pri bolniku, ki si je na primer zlomil kolk,« se sprašuje Kimura, »ko pa bi lahko skušali tudi napovedati, pri katerih pacientih je tveganje za padec, in jim pomagali, da si kolka sploh ne bi zlomili? Oskrbo je treba povzdigniti na drugačno raven.«

Watson Health sodeluje tudi z državno agencijo Central New York Care Collaborative, ki sodeluje s približno dva tisoč zdravstvenimi ustanovami v šestih državah. Namen partnerstva je podpreti cilj, da bi sprejeme na urgentni oddelek in vnovične sprejeme v bolnišnico zaradi istega ali sorodnega problema zmanjšali za četrtino. Obenem omogoča potencialen dostop do velikanskih količin podatkov o bolnikih.

Do takih podatkov je mogoče priti še drugače. Eno od Googlovih sestrskih podjetij si skuša zagotoviti dostop neposredno pri bolnikih. Verily Life Sciences, zdravstveni oddelek Alphabeta, sodeluje z univerzama Duke in Stanford, da bi razvili dobro strukturirano zdravstveno banko podatkov o približno 10.000 prostovoljcih. Banka podatkov bo poleg podatkov o obiskih pri zdravniku zajemala tudi podatke iz naprav za spremljanje zdravstvenega stanja, ki jih bodo nosili. To bi lahko bil obetaven skok v dostopnosti podatkov, a bo na zelo uporabne rezultate verjetno treba počakati desetletje ali še več.

Fuchsova skupina v bolnišnici Memorial Sloan-Kettering upa, da bo sistem umetne inteligence izurila za branje kontrastnega slikanja. Za to bodo potrebovali obsežno knjižnico digitalno razloženih posnetkov s potrjenimi diagnozami in drugimi ključnimi podatki. Skupina se pripravlja, da bi sama na mesec izdelala 40.000 takih posnetkov. »To je daleč več od vseh drugih,« je povedal Fuchs. »Naloga je izjemno zahtevna zaradi biološke raznolikosti.«

Celo v M. D. Andersonu kljub zli usodi projekta z Watsonom nadaljujejo obsežen program, ki so ga začeli v približno istem obdobju, posvečen pa je zbiranju 1700 vrst kliničnih podatkov za vsakega pacienta, ki stopi skozi njihova vrata. Andy Futreal, znanstvenik, ki vodi ta program, pravi, da bo združevanje podatkov o pacientih s podatki iz raziskav ključno za zmogljivost sistemov, kot bi jo lahko dosegel na primer Watson. »Ko bodo ti podatki zbrani in urejeni, se lahko začne strojno učenje umetne inteligence, ki bo razkrivala dejavnike, od katerih je odvisno, kako se bolniki odzivajo na posamezne metode zdravljenja,« je pojasnil.

IBM pa nadaljuje zbiranje podatkov od partnerskih podjetij. Družba se je samo za postavljanje onkoloških diagnoz in določanje zdravljenja povezovala z Memorial Sloan-Kettering, kliniko Mayo in institutom Broad Institute, ki dela za Harvard in MIT. Sodelovanje z bolnišnico Memorial Sloan-Kettering je že prineslo sistem, ki v strokovni literaturi išče odločitve o zdravljenju in so ga že uvedli v središču Jupiter Medical Center na Floridi in v verigi bolnišnic v Indiji. Na področju odkrivanja zdravil pa Watson Health sodeluje z nevrološkim institutom Barrow, kjer je pomagal odkriti pet genov, povezanih z ALS, ki jih doslej še niso omenjali v zvezi s to boleznijo, in institutom za raziskovanje možganov Ontario Brain Institute, kjer je odkril 21 obetavnih kandidatov za zdravila.

Bo Watson v prihodnosti res pripomogel k izboljšanju rezultatov zdravljenja in k nižjim stroškom? O tem je bolj ali manj prepričan Stephen Kraus, partner v podjetju Bessemer Venture Partners, ki se udejstvuje predvsem na zdravstvenem področju in vlaga v podjetja za razvijanje umetne inteligence na področju zdravja. »Vse je resnično in otipljivo, to ni samo prazna napoved, ki se nikoli ne uresniči in je namenjena zgolj zviševanju vrednosti delnic.« Kljub temu se Kraus strinja z večino strokovnjakov in svari pred nerealističnimi časovnimi okviri in obljubami – in nekaj tega je prispeval kar sam IBM. »Naloga je težka. Ne bo končana danes in morda niti v petih letih ne. In z njo ne bomo nadomestili zdravnikov.«

Copyright 2017 Technology Review, distribucija Tribune Content Agency