Արհեստական բանականություն և ճառագայթաբան. Պատերազմ, թե՞ համագործակցություն

Դժվար է պատկերացնել, որ ընդամենը 60 տարի առաջ Ջեկ Կիլբին մշակեց մի միկրոչիպ, առանց որի արհեստական բանականության ստեղծումն անհավատալի կլիներ։ Եվ ընդամենը 3 տասնամյակ անց՝ 1993 թվականին, ՆԱՍԱ-ի ամենամյա զեկույցի մեջ արձանագրվեց այն փաստը, որ հնարավոր է մարդկային դարաշրջանին հաջորդի «մեքենաների դարաշրջանը»։

20-րդ դարի 90-ական թվականներից սկսած ավելի շատ են քննարկումները այն հարցի վերաբերյալ, թե ի վերջո ով կհաղթի մարդ - մեքենա «հակամարտության» մեջ։ Սակայն, տեխնոլոգիաների այսչափ արագ զարգացման արդյունքում հարց է առաջանում՝ արդյո՞ք անհրաժեշտ է, որ մարդը մրցակցի մեքենայի հետ։

Մարդը համակարգչից 8 անգամ ավելի վատ է տեսնում

Բժշկության ոլորտում արհեստական բանականությունը (ԱԲ) ամենաշատ տարածումը  ստացավ հատկապես ճառագայթաբանության մեջ։ Պատճառն այն է, որ այսօր բժշկական տվյալների 90%-ը կազմում են ախտորոշիչ պատկերները։ Ստենֆորդի համալսարանի (ԱՄՆ) հետազոտողները կանխատեսում են հետազոտության տվյալների ծավալների աճ։ 2017 թվականին այն կազմել է 153 հեքսաբայթ (միլիոն տերաբայթ), իսկ արդեն 2020 թվականին կանխատեսվում է, որ կհասնի մինչև 2314 հեքսաբայթ: Աճը կլինի ավելի քան 15 անգամ։

Արդյո՞ք ժամանակակից մարդը բավարար ֆիզիկական և ֆիզիոլոգիական ունակություններ ունի այդպիսի մեծ քանակությամբ տեղեկատվություն մշակելու համար։

Եկեք դիտարկենք այս ամենը համակարգչային տոմոգրաֆիկ հետազոտության օրինակով: Հաունսֆիլդի սանդղակը (օդի և ոսկորի խտության տարբերությունը) պարունակում է ընդամենը 4 հազար միավոր, ընդ որում՝ մոնիտորի էկրանը վերարտադրում է մոխրագույնի 256 երանգ: Մարդու աչքը դրանցից միայն 30-ն է կարողանում տեսնել։ Որպեսզի բժիշկը կարողանա «կարդալ» պատկերը, ընտրվում է դիտանցքի բացվածքի մակարդակը և լայնությունը, որոնք սահմանափակում են ստացվող և բժիշկի կողմից վերլուծվող տվյալների քանակը:

Այսպիսով, մարդու տեսողության սահմանափակ հնարավորությունների պատճառով նվազում է կլինիկական պատկերների ինֆորմացիոն ծավալը, ինչն էլ կարող է հանգեցնել ախտորոշման փուլում որոշ սխալների։  

Կարո՞ղ է արդյոք ժամանակակից բժիշկը հաղթահարել այս սահմանափակումները։ Միանշանակ՝ այո։ Այս ուղղությամբ լուրջ քայլ հանդիսացավ 2018 թվականի հոկտեմբերին Եվրոպայում հաստատված առաջին ճառագայթային արհեստական բանականության համակարգը: Արտադրող ընկերությունը ապացուցել է, որ համակարգչային ծրագրի կիրառման շնորհիվ մամոգրաֆիայի արդյունքների գնահատման որակը զգալիորեն աճել է այն եզրակացությունների համեմատ, որոնք իրականացվել են միայն ախտորոշման բժիշկների ջանքերով:

Մեկ այլ նմանատիպ օրինակ է Մաքգիլ համալսարանական կլինիկայում (Կանադա) իրականացված հետազոտությունը։ ԱԲ-ն հնարավորություն է տվել կանխատեսել դեմենցիան 84% ճշգրտությամբ՝ նախքան հիվանդի մոտ այդ ախտանիշի զարգացումը։ Հետազոտության արդյունքները հաստատվել են հետագա դիտարկումներով․ 2-3 տարի անց համակարգչի կողմից ընտրված հետազոտվողների մոտ իսկապես առաջացել են փոփոխություններ:

Ընդհանուր առմամբ, բժշկության մեջ արհեստական բանականության դինամիկ զարգացումը պայմանավորված է բժշկական հաստատությունների գործունեության արդյունավետության բարձրացմամբ: Երկրորդ՝ ռադիոլոգիայի բնագավառում էվոլյուցիան. բնագավառի նկարագրական բնույթից անցումը քանակական գնահատականներին: Երրորդ՝ հետազոտության ճշգրտությունը մեծացնելու և ախտորոշիչ սխալների քանակը նվազեցնելու անհրաժեշտությունը։

Չափաբաժինը՝ ցածր, ճշգրտությունը՝ բարձր

Ճառագայթաբանների քանակի սակավությունը և միաժամանակ ՄՌՏ, ՀՏ, ՊԷՏ/ՀՏ (ПЭТ) ու այլ հետազոտությունների սենյակներում հիվանդների հոսքի աճը փաստում են այն մասին, որ ախտորոշման ճշգրտության մակարդակը վտանգի տակ է։ Այսօր ճառագայթաբանների և ռենտգենաբանների եզրակացություններում սխալների մակարդակը կազմում է 4%։ Սակայն, եթե ուսումնասիրության նկարագրության համար բժշկին հատկացված ժամանակը երկու անգամ կրճատվի՝ նրա համար առաջացնելով սթրեսային իրավիճակ, ապա սխալների տոկոսը կմեծանա 4 անգամ։

Այսօր արհեստական բանականությունն օգնում է ճառագայթաբաններին: Միջուկային բժշկության մեջ նշված տեխնոլոգիաները կարող են ավելի ճշգրիտ որոշել պաթոլոգիաների տեղակայումը, ինչպիսին է, օրինակ, թոքերի քաղցկեղը: Դա իրականացվում է թոքերի ավտոմատ սեգմենտավորման միջոցով հետագա հաշվարկման համար: Ավտոմատ սեգմենտավորման ալգորիթմը կարող է նաև զգալիորեն արագացնել երիկամների գործառույթի ռադիոնուկլիդային ուսումնասիրության դեպքում եզրակացություն ստանալու գործընթացը:

ՊԷՏ/ՀՏ (ПЭТ) և այլ հիբրիդային հետազոտություններում արհեստական բանականության տեխնոլոգիաների կիրառումը օգնում է լուծել ժամանակակից միջուկային բժշկության համար մի շարք հրատապ խնդիրներ.

  • մեծացնել հետազոտությունների կատարման արագությունը,
  • նվազեցնել իրականացվող հետազոտության ճառագայթային չափաբաժինը և բարձրացնել ախտորոշման ճշգրտությունը:

Օրինակ՝ Memorial Hospital-ի հետազոտական կենտրոնը (ԱՄՆ) մշակում է համակարգ, որը կարող է 10 անգամ արագ մշակել ՊԷՏ-ի համար անհրաժեշտ տվյալները: Իսկ Սթենֆորդի համալսարանի (ԱՄՆ) մասնագետները ԱԲ-ի օգնությամբ կարողացան նվազեցնել ճառագայթային դոզաչափի ազդեցությունը մինչև 80%, և հետևաբար՝ նաև հիվանդին տրվող չափաբաժինը:  

Ճառագայթման ցածր չափաբաժնի պայմաններում պատկերի բարձր որակի պահպանումը կարևոր դեր է կատարում ՀՏ հետազոտությունների ժամանակ: Հետագայում նշված տեխնոլոգիան կարող է նպաստել պացիենտների լայն շրջանի համար ՀՏ ախտորոշման մեթոդների անվտանգության և մատչելիության բարձրացմանը: Կիրառման առավել հեռանկարային ոլորտների թվին է պատկանում մանկաբուժությունը, սկրինինգային և կրկնվող դինամիկ ուսումնասիրությունները, ինչպես նաև՝ հիբրիդային ախտորոշման մեթոդները:

Արդեն այսօր, կարող ենք նկատել, որ ճառագայթային ախտորոշման ապագան կապված է բարձր և «խելացի» տեխնոլոգիաների հետ: Ապագայի ախտորոշման բժշիկը մասնագետ է, ով պետք է կարողանա տիրապետել թե՛ բժշկական գիտելիքների, և թե՛ բարձր տեխնոլոգիաներով ախտորոշման մեթոդների, այդ թվում այն տեխնոլոգիաներին, որոնք ստեղծված են ԱԲ-ի հիման վրա։

Բժիշկը չպետք է մրցակցի մեքենայի հետ, այլ պետք է համագործակցի՝ լավագույն արդյունք ստանալու համար։