Zajęcia z AI w medycynie na UMW

Zajęcia dotyczące wykorzystania sztucznej inteligencji w medycynie to nowa oferta edukacyjna Uniwersytetu Medycznego we Wrocławiu i jednocześnie pierwszy tego typu przedmiot realizowany na polskiej uczelni medycznej. Jego autorką jest dr Agnieszka Siennicka z Katedry Fizjologii i Patofizjologii Wydziału Lekarskiego, główny wykonawca zakończonego niedawno trzyletniego projektu szkoleniowego "HeartBIT_4.0 - Application of innovative Medical Data Science technologies for heart diseases".

Anna Szejda

Od nowego, letniego semestru prowadzi Pani fakultet "Wprowadzenie do praktycznego zastosowania sztucznej inteligencji w medycynie". Czy temat wzbudził zainteresowanie wśród naszych studentów? 
Trudno powiedzieć, czy wzbudził zainteresowanie, bo z zajęciami fakultatywnymi jest tak, że czasem studentom pasuje dzień i godzina, w jakich się odbywają albo liczba punktów ECTS (Europejskiego Systemu Transferu Punktów; ang. European Credit Transfer System), jakie otrzymują za udział w nich (śmiech). Jednak jeszcze przed uruchomieniem fakultetu dostawałam sporo emaili z zapytaniami i na chwilę obecną są dwie pełne grupy, czyli maksimum, które zadeklarowałam. Jedna dla studentów polskojęzycznych i druga prowadzona w języku angielskim.
Podczas pierwszych zajęć uczciwie zapytałam, kto jest zainteresowany tematem, a kto zapisał się z powodów, nazwijmy to, organizacyjnych. Cieszy mnie, że zdecydowana większość wyraziła chęć zdobycia wiedzy z zakresu AI (sztucznej inteligencji; ang. artificial intelligence) w medycynie.
Na razie zajęcia adresowane są do przyszłych lekarzy. Docelowo chcemy jednak, aby w podobnych mogły uczestniczyć również osoby studiujące na pozostałych wydziałach naszej uczelni, ponieważ sztuczna inteligencja dotyczy pracowników różnych zawodów funkcjonujących w systemie ochrony zdrowia.
W przygotowaniu i realizacji poszczególnych elementów fakultetu uczestniczą również doktoranci z Instytutu Chorób Serca realizujący doktoraty, w których wykorzystywana jest AI w medycynie (Szymon Urban i Mikołaj Błaziak), doktorantka realizująca w UMW doktorat wdrożeniowy oparty o algorytmy AI (Karolina Tądel), pracownicy UMW, którzy mieli możliwość wdrożyć algorytmy AI do swoich działań naukowych (np. dr hab. Bartłomiej Paleczny z Katedry Fizjologii i Patofizjologii UMW) oraz studenci zrzeszeni w ramach SKN Sztucznej Inteligencji w Medycynie, któremu przewodniczy student III roku Wydziału Lekarskiego Mateusz Lickindorf. 

Jaki jest program zajęć? Z jaką wiedzą studenci ukończą ten fakultet?
Zgodnie z sylabusem, który stworzyłam mniej więcej roku temu, planowałam pokazać studentom algorytmy, które sprawdziły się podczas realizacji projektu HeartBIT_4.0. Algorytmy, czyli konkretne rodzaje skomplikowanych operacji matematycznych, które wspólnie z naukowcami z obszaru data science, udało nam się z powodzeniem wdrożyć i wykorzystać do naukowej analizy danych medycznych. Jednak przez ostatni rok, kończąc projekt, zrozumiałam, że takie podejście, to znaczy opowiadanie o zaawansowanych algorytmach osobom, które nie zajmują się ich tworzeniem, może być zbyt abstrakcyjne i w konsekwencji wywołać opór, obawę oraz zniechęcenie do zagadnień sztucznej inteligencji.

Czego więc Pani uczy?
Doświadczenia z projektu HeartBIT_4.0, które obejmowały również wiele spotkań z osobami stojącymi – trochę tak jak ja – na pograniczu medycyny i szeroko rozumianych nauk dotyczących danych, doprowadziły mnie do kluczowej refleksji: zanim zaczniemy realnie myśleć o sztucznej inteligencji i algorytmach "w służbie" medycyny, musimy zrozumieć, rozpoznać i odpowiednio potraktować to, co warunkuje wartość tych algorytmów, czyli dane medyczne. Warto zauważyć, że jeśli student medycyny, a później lekarz, nie chce być jednocześnie naukowcem (wielu przecież wybiera ten zawód, chcąc po prostu leczyć ludzi), dostrzeganie wokół siebie źródeł danych medycznych i zastanawianie się nad ich formą jest procesem w zasadzie zbędnym.
Lekarz nie musi zastanawiać się nad tym, czy dane, na podstawie których wykonuje swoją pracę, a więc np. diagnozuje, są archiwizowane w formie, która będzie odpowiednia dla algorytmu AI. Dlatego postanowiłam zacząć od momentu sprowokowania studentów do próby dostrzeżenia, co w procesie leczniczym generuje dane i jaka jest ich forma czy też jakość. Jakość nie w sensie wartości diagnostycznej, ale w sensie cyfrowym, co jest oczywistym priorytetem. Obecnie, jak wiadomo, nie dysponujemy jeszcze rozwiązaniami czy procedurami, które pozwalają na łatwe przetwarzanie danych medycznych przy pomocy algorytmów. Medycyna, a konkretnie każda czynność diagnostyczna czy terapeutyczna, generuje mnóstwo ważnych informacji. Niestety, w kontekście sztucznej inteligencji, nie mają one większej wartości, ponieważ często nie są ani zdigitalizowane, ani zintegrowane ze sobą. W projekcie mieliśmy łatwiej, bo używaliśmy danych gromadzonych do celów naukowych (najczęściej były to arkusze kalkulacyjne). Ale przecież wychodząc od lekarza, nadal często dostajemy kartkę z opisem rozpoznania i zaleceniami. Dane w dokumentacji szpitalnej, a przynajmniej ich część, mogą wyglądać podobnie. Pewne informacje są wprowadzane do szpitalnych systemów informatycznych, jednak informacje, których te systemy wymagają, nie mają formy, która jest konieczna, aby w ogóle myśleć o analizach o charakterze algorytmów sztucznej inteligencji. I to nie jest wynik czyjejś złej woli, po prostu przed rozwojem nowoczesnych technologii dane nie byłe zbierane ani porządkowane w taki sposób. Mało kto miał świadomość, jak wielka może być ich wartość. To, co istnieje, powstało w odpowiedzi na podstawową rolę medycyny, jaką jest leczenie ludzi.

Czyli naukę, co w sumie jest zrozumiałe, trzeba zacząć od podstaw…
Tak. Zresztą na podobnym modelu chcemy oprzeć program studiów podyplomowych lub kursu adresowanego zarówno do lekarzy, jak i przedstawicieli firm technologicznych, którzy chcą wejść w szeroko rozumianą branżę e-health. Podstawą musi być pokazanie, gdzie są i jak wyglądają dane medyczne, ponieważ obecnie, co uświadomiliśmy sobie na zakończenie realizacji projektu, programiści zajmujący się data science, oczekują zupełnie innych informacji niż te, którymi dysponują pracownicy ochrony zdrowia.

To znaczy, że pytanie o korzyści, jakie może przynieść sztuczna inteligencja i lekarzom, i pacjentom, jest zbyt wczesne…?
O korzyściach teoretycznie można mówić długo, jednak obszary, w których obecnie obserwuje się najbardziej dynamiczny rozwój AI, to te, które są po prostu dobrze zdigitalizowane. Nie chodzi tu o potencjał naukowy, ale o kwestie czysto techniczne. Idealnym przykładem jest obszar diagnostyki obrazowej, w której algorytmy sprawdzają się doskonale, bo w przeciwieństwie do ludzkiego oka, które ma ograniczone możliwości (tj. zwykłe zmęczenie czy liczba informacji z przeszłości, które jesteśmy w stanie przetwarzać, patrząc na nowy zestaw danych), mogą "zobaczyć" więcej. Ale po pierwsze, musimy pamiętać, że algorytmy nigdy nie "zobaczą" czegoś, czego ktoś (lekarz – ekspert) im kiedyś nie pokazał (algorytm musi się nauczyć, co oznacza obraz, czyli musimy zacząć od tzw. labelowania: oznaczenia obrazów jako – mówiąc najprościej – "zdrowe" vs "chore"). Po drugie, jeśli dane obrazowe nie są zintegrowane z pozostałymi informacjami zawartymi w innym miejscu dokumentacji (dane z laboratorium, informacje o lekach, przeszłość pacjenta i wiele innych), to wciąż jeszcze nie jest ta pełnia możliwości, jakie potencjalnie istnieją pod hasłem "AI w medycynie".

Czyli nie wiemy też, w jakich dziedzinach medycyny AI sprawdzi się najlepiej?
Wiemy o tych dziedzinach, które były przygotowane technicznie do kontaktu ze sztuczną inteligencją. Przykładem są badania obrazowe albo nasz projekt, w którym wykorzystywaliśmy data science w kardiologii, mając do dyspozycji dane zdigitalizowane w przeszłości do celów naukowych. W mojej ocenie AI może wesprzeć praktycznie każdą dziedzinę medycyny, jednak najpierw musi zostać odrobione zadanie domowe, które polega na całkowitej zmianie podejścia do danych medycznych. Musimy gromadzić je tak, aby można było je integrować oraz weryfikować, a w razie konieczności poprawiać ich jakość. Taki proces mógłby być zadaniem dla centrum medycyny cyfrowej, które może niedługo powstać w Uniwersytecie Medycznym we Wrocławiu. Tylko wówczas będziemy w stanie pozyskać i zgromadzić dane, które będą atrakcyjne, czy też w ogóle akceptowalne, dla algorytmów. Pamiętajmy, że te informacje muszą w 100 proc. oddawać rzeczywistość, a nie być jej kawałkiem czy interpretacją. Musimy też być wrażliwi na to, że nierzadko informacje medyczne są zdublowane, co na co dzień absolutnie nikomu nie przeszkadza. Przykładowo: wyniki badań laboratoryjnych krwi są liczbami. W dokumentacji mogą pojawić się jako liczba, a czasem, dodatkowo, jako diagnoza (wynik poza normą, np. anemia). Czyli mamy do czynienia z tą samą informacją niejako w dwóch wersjach. A gdyby w dokumentacji czy bazie danych była tylko diagnoza, a nie liczba (wynik surowy), mamy do czynienia jedynie z interpretacją i tracimy szczegółowe dane. Pod kątem AI najcenniejsze są te najbardziej pierwotne, surowe dane, zapisy z urządzeń medycznych czy analizatorów, pojedyncze piksele z badań obrazowych, najlepiej zintegrowane tak, żeby było wiadomo, że pięciokrotnie powtórzona morfologia, plik z badania USG, zdigitalizowany wypis ze szpitala, seria odczytów z monitora, do którego pacjent był podpięty w czasie hosptalizacji, a najlepiej jeszcze dane z zegarka mierzącego puls po wyjściu pacjenta do domu, to są dane tej samej osoby. Na razie brzmi to jak science fiction…

Jak więc Pani ocenia, w jakiej perspektywie czasowej AI na dobre wkroczy do polskiej medycyny?
Myślę, że to nie dotyczy tylko Polski. To nie jest tak, że odstajemy od innych krajów w obszarze digitalizacji w medycynie. Medycyna miała zawsze inne cele niż analizowanie dużych zbiorów danych. Trzeba stopniowo przygotowywać grunt pod coraz szersze wykorzystanie AI, mając pełną świadomość wszystkich cech danych, które mogą wpłynąć na jakość tworzonych algorytmów. To może trwać latami.

Wyjaśnijmy jeszcze na koniec, jak to jest z tą sztuczną inteligencją. Ma szasnę zastąpić pracowników ochrony zdrowia?
Rozmawiałam o tym ze studentami podczas zajęć i byliśmy zgodni, że przede wszystkim sztuczna inteligencja nie będzie funkcjonowała bez lekarzy, bo przecież ktoś musi te algorytmy "nakarmić" informacjami, dostarczyć danych do analizy i dokonać wspomnianego już "labelingu". Co więcej, od kilku lat na wszelkich spotkaniach czy konferencjach poświęconych sztucznej inteligencji pada takie stwierdzenie, że AI nie zastąpi lekarza, ale lekarz, który ją rozumie, może zastąpić tego, który jej nie zna i nie chce poznać. Zanim jednak zaczniemy się bać sztucznej inteligencji lub być wobec niej zbyt entuzjastyczni, pamiętajmy, że przed nami jeszcze bardzo dużo pracy. Nie jesteśmy już może w średniowieczu, ale powiedzmy we wczesnym oświeceniu, jeśli chodzi o traktowanie danych medycznych.

Fot. Tomasz Walów