Nastał moment zmiany. Medycynę można spersonalizować, koszty leczenia obniżyć… Rozwiązania technologiczne mogą usprawnić i wspomóc pracę lekarzy – mówi Marcin Sieniek z Google Health w rozmowie z Moniką Redzisz
Monika Redzisz: Na początku roku w „Nature” ukazał się artykuł, którego był pan współautorem, podsumowujący rezultaty pracy badaczy z Google Health i Imperial College z Londynu nad modelem sztucznej inteligencji diagnozującym raka piersi. Tym zagadnieniem zajmuje się wiele grup naukowych, m.in. zespół Krzysztofa Gerasa z uniwersytetu w Nowym Jorku (NYU) i zespół z MIT. Trwa swego rodzaju wyścig – czyj model okaże się bardziej skuteczny. Czym wyróżnia się wasz?
Marcin Sieniek*: Dlaczego od razu wyścig? Powiedziałbym raczej: przyjazna rywalizacja. Zespoły, które pani wymieniła, napisały dwa z moich ulubionych artykułów w dziedzinie zastosowania sztucznej inteligencji w diagnostyce raka piersi. Ale rzeczywiście, my zdecydowaliśmy się na nieco inne podejście do tematu.
Praca zespołu Krzysztofa Gerasa charakteryzuje się studium odczytu obrazów o imponującej skali: mammografie 720 pacjentek interpretowało 14 radiologów. Dla porównania, my mieliśmy pięciu radiologów i 500 przypadków. Oba te zespoły poprzestają jednak na ocenie laboratoryjnej. My natomiast idziemy o krok dalej: porównujemy wyniki z tym, jak naprawdę sprawdziły się te przewidywania. Szpitale, z którymi współpracujemy, przekazały nam nie tylko zdeidentyfikowane (czyli pozbawione danych umożliwiających identyfikację pacjentek) obrazy medyczne, ale także informacje o tym, jakiego rzeczywiście odczytu dokonał radiolog, interpretując obraz pacjentki. Po upływie pewnego czasu szpital ustala, jakie są dalsze losy poszczególnych pacjentek – które zachorowały, a które nie. Jesteśmy więc w stanie przekonać się, „kto miał rację”. W warunkach klinicznych radiolodzy mają dostęp do dodatkowych informacji, których brakuje w warunkach laboratoryjnych, i w naszej ocenie analiza algorytmu jedynie w warunkach laboratoryjnych nie jest kompletna.
Sztuczna inteligencja dorównuje radiologom?
Tak, ale ostatecznie nie to jest ważne. Ważne jest to, jak model sprawdzi się w praktyce, czy będzie mógł pomóc lekarzowi. W praktyce lekarskiej radiolog ma dostęp nie tylko do tej jednej mammografii, ale także do mammografii z zeszłego roku, do USG, może mieć notatki z poprzedniej wizyty albo zadzwonić do lekarza pierwszego kontaktu i dopytać, czy pacjentka skarżyła się na jakieś bóle. Ma wiele dodatkowych, pośrednich, często bardzo subtelnych informacji. Mimo to nasz model pokazał, że w pewnych określonych przypadkach może dorównać, a czasami wręcz przewyższyć skutecznością radiologa.
Zespół MIT twierdzi, że jest w stanie zdiagnozować raka piersi pięć lat przed pierwszymi objawami. Jak długo mogłabym czuć się bezpieczna po waszej analizie?
W tak dalekiej perspektywie trudno mieć pewność. Chodzi tu raczej o informację, czy pacjentka jest w grupie podwyższonego ryzyka, czy powinna się częściej badać, bo większość badań naukowych z tej dziedziny ma dość krótki horyzont diagnozy. Zespół profesora Gerasa mówi o 120 dniach, czyli: na tę chwilę nie ma raka i nie będzie go za cztery miesiące, ale co się wydarzy potem – tego już nie wiemy. My mamy dłuższą perspektywę, dopasowaną do programu w danym kraju. W Wielkiej Brytanii to trzy lata, w Stanach Zjednoczonych rok, czasami dwa. Kiedy więc mówimy, że pacjentka nie ma raka, to mówimy, że powinna być bezpieczna do następnej wizyty (choć należy pamiętać, że niektóre nowotwory pojawiają się nagle i nie są w ogóle obecne na mammogramach z poprzedniej wizyty – takich nie przewidzimy).
Na ilu mammografiach trenowaliście model?
Do uczenia modelu użyliśmy kilkadziesiąt tysięcy obrazów. W przypadku Wielkiej Brytanii mieliśmy w zbiorze testowym mieliśmy ponad 100 tysięcy obrazów. Jeśli chodzi o Stany Zjednoczone, to pracowaliśmy na mniejszym zbiorze, ale za to wzbogaconym o przypadki trudne. Mimo że nie dysponujemy aż tak imponującym zbiorem jak NYU, który miał około miliona obrazów medycznych, udało nam się uzyskać bardzo dobre wyniki.
Mieliście odpowiednią reprezentację pacjentek z różnych grup etnicznych?
Na szczęście i Stany, i Wielka Brytania to kraje o znacznej różnorodności. Niestety z niektórych grup etnicznych mieliśmy zbyt mało pacjentek, żeby stwierdzić jednoznacznie, że nasz model jest w ich przypadku lepszy od lekarzy. Ale nasza wewnętrzna analiza nie wykazała, żeby model działał gorzej na którejś z mniejszościowych grup. To dla nas ważny temat, więc przed przystąpieniem do badań upewniliśmy się, że postępujemy zgodnie ze standardami etycznego rozwijania sztucznej inteligencji.
Kiedy pacjentki będą mogły korzystać z tej techniki?
Takie wdrożenia zazwyczaj zajmują około trzech lat. W typowym przypadku uzyskanie zgód na pojedynczym rynku medycznym trwa na ogół rok, półtora. Później trzeba przeprowadzić próby kliniczne: podzielić losowo pacjentki na dwie grupy, pierwszą diagnozować tradycyjnie, a drugą testowaną metodą. Potem trzeba będzie jeszcze odczekać jakieś dwa lata, by sprawdzić, czy prognozy się zgadzają. I dopiero wtedy zyskamy dowód do uznania, że nowa technika jest lepsza od dotychczas stosowanej.
Oczywiście wcześniej będą badania testowe, do których mogą się zgłaszać pacjentki. Powinny jednak zdawać sobie sprawę z tego, że to nie jest jeszcze standard ochrony zdrowia.
Opieka zdrowotna niespecjalnie skorzystała na rewolucji internetowej, choć wpłynęła ona niemal na każdą dziedzinę naszego życia
Jak pan trafił do Google Health?
Ukończyłem studia w Krakowie, zrobiłem doktorat z informatyki, a także biznesowy licencjat. W trakcie studiów założyłem również start-up technologiczny MailGrupowy.pl. Gdy ten nasz biznes nie wypalił, zaaplikowałem do Google’a. Na kolejnym etapie mogłem przenieść się do innego oddziału firmy. Miałem ciekawy wybór: Warszawę, Zurych i Irvine w Kalifornii. Kalifornia wydała mi się przyjemnym miejscem do życia, nie ukrywam. Piękna pogoda, ocean, góry. Czego chcieć więcej? Zdecydowałem się na emigrację. Po trzech latach pracy w Irvine przeniosłem się jednak do centrali, na północ Kalifornii, i zacząłem pracę nad projektem medycznym.
Dlaczego?
Wiedziałem, jakie są możliwości sztucznej inteligencji, i zadałem sobie pytanie: gdzie to narzędzie może być najlepiej zastosowane? Badania przesiewowe dlatego są atrakcyjnym zagadnieniem dla sztucznej inteligencji, gdyż mamy w nich do czynienia z dużym wolumenem stosunkowo zestandardyzowanych obrazów.
W medycynie w ogóle jest dziś dużo miejsca na innowacje. Opieka zdrowotna niespecjalnie skorzystała na rewolucji internetowej, choć wpłynęła ona niemal na każdą dziedzinę naszego życia. W medycynie powstało trochę nowych udogodnień, ale ostatecznie sposób świadczenia usług jest wciąż taki sam. Teraz nastał moment zmiany. Medycynę można spersonalizować, koszty leczenia obniżyć, niektóre procesy usprawnić. Rozwiązania technologiczne mogą usprawnić i wspomóc pracę lekarzy.
W tak zwanym międzyczasie pracował pan jeszcze w Tesli.
Tak, ale to był krótki epizod. Pracowałem w zespole Autopilota nad sztuczną inteligencją dla pojazdów autonomicznych. Jednak szybko przekonałem się, że bardziej odpowiada mi Google, mam na myśli przede wszystkim kulturę pracy. Tu struktura jest oddolna, a inżynier ma duży wpływ na rozwój projektu.
Zawsze starałem się robić rzeczy znaczące. Może to zabrzmi górnolotnie, ale szukam zastosowań sztucznej inteligencji, które odmienią świat na lepsze. Zarówno medycyna, jak i autonomiczny transport są według mnie dziedzinami, w których sztuczna inteligencja może bardzo pomóc.
Wielu Amerykanom ich służba zdrowia kojarzy się z nierównością. Czy innowacje technologiczne zaowocują bardziej sprawiedliwym dostępem do leczenia?
Jest taka nadzieja. Innowacje mogą obniżyć koszty i spersonalizować leczenie. To może być szczególnie ważne dla tych grup, które były historycznie traktowane gorzej, ponieważ do tej pory standardy były tworzone na podstawie grup uprzywilejowanych. Ale oczywiście to się samo nie zrobi.
*Marcin Sieniek otrzymał tytuł doktora inżyniera informatyki na Akademii Górniczo-Hutniczej w Krakowie, równocześnie uzyskując licencjat z zarządzania na Uniwersytecie Ekonomicznym w Krakowie. W trakcie studiów założył start-up, który przy wsparciu kapitału zagranicznego prowadził serwis social-learningowy MailGrupowy.pl. Po przeprowadzce do Kalifornii pracował w zespole Autopilota w Tesli, a później w Google’u, gdzie zajmuje się zastosowaniem sztucznej inteligencji – najpierw w reklamach, a następnie w zastosowaniach medycznych.
Read the English version of this text HERE