Η Τεχνητή Νοημοσύνη στην Ιατρική. Συνέντευξη με την Καθ. του ΠΚ Ελπίδα Κεραυνού

«Επί του παρόντος συντονίζω την ανάπτυξη ενός νέου αγγλόφωνου μεταπτυχιακού προγράμματος στην Τεχνητή Νοημοσύνη»

ΣΥΝΕΝΤΕΥΞΗ ΜΑΡΙΖΑ ΛΑΜΠΙΡΗ*

-Γιατί επιλέξατε να εστιάσετε ερευνητικά στην Τεχνητή Νοημοσύνη;

-Κατά τις αρχές της δεκαετίας του ᾽80, που ολοκλήρωνα τις προπτυχιακές σπουδές μου, υπήρχε μια σημαντική αναζωπύρωση του ενδιαφέροντος για την Τεχνητή Νοημοσύνη στο ΗΒ και ευρύτερα. Για διάφορους λόγους, η χρηματοδότηση της έρευνας στην τεχνητή νοημοσύνη στο ΗΒ είχε παλαιότερα παγώσει για μεγάλη χρονική περίοδο. Γι᾽ αυτό ευθύνονταν και οι υπέρμετρα φιλόδοξες προβλέψεις των τότε ερευνητών του πεδίου, που υπόσχονταν πολύ περισσότερα από ό,τι τελικά μπορούσαν να προσφέρουν.  Στην ανατροπή του αρνητικού κλίματος συνέτεινε και η ανακοίνωση της Ιαπωνίας για τη δημιουργία των υπολογιστών πέμπτης γενεάς που θα είχαν την ικανότητα σκέψης και λογικού συλλογισμού.

Συνεπώς σημαντικά χρηματοδοτικά προγράμματα για έρευνα στην τεχνητή νοημοσύνη και τα υπολογιστικά συστήματα, που βασίζονταν στη γνώση ανακοινώθηκαν εκείνη την εποχή. Προσωπικά, το ενδιαφέρον μου για την Τεχνητή Νοημοσύνη και κυρίως ως προς τη δυνατότητα δημιουργίας ευφυών υπολογιστικών συστημάτων, το είχε κεντρίσει το μάθημα της Τεχνητής Νοημοσύνης που παρακολούθησα στο προπτυχιακό μου πρόγραμμα. Με την παρότρυνση καθηγητών μου, αποφάσισα να αιτηθώ χρηματοδότηση για διδακτορικές σπουδές στην Τεχνητή Νοημοσύνη και εξασφάλισα χρηματοδότηση τόσο μέσω κρατικής υποτροφίας (Overseas Research Studentship) όσο και από την εταιρεία General Electric Company–Marconi Research.

Στο διδακτορικό μου επικεντρώθηκα στα εμπειρογνώμονα συστήματα με σημείο αναφοράς την αυτοματοποίηση διαγνωστικού συλλογισμού, κυρίως σε ιατρικά προβλήματα. Έκτοτε άρχισε το ενδιαφέρον και η ενασχόλησή μου με την Τεχνητή Νοημοσύνη στην Ιατρική. Όπως είπα, τη δεκαετία του ᾽80 το ενδιαφέρον για την Τεχνητή Νοημοσύνη ήταν μεγάλο, πανεπιστημιακά τμήματα πληροφορικής είχαν αποφασίσει να επενδύσουν στο πεδίο αυτό, δημιουργώντας νέες ακαδημαϊκές θέσεις με σχετικές ειδικότητες και πριν ακόμη ολοκληρώσω το διδακτορικό μου, μου προσφέρθηκε θέση στο Τμήμα Πληροφορικής του κορυφαίου πανεπιστημίου University College London. Εκεί είχα την ευκαιρία να συνεργαστώ με consultant radiologists από το Great Ormond Street Hospital, για τη δημιουργία διαγνωστικών συστημάτων για σκελετικές δυσπλασίες και σύνδρομα δυσμορφίας.

Τα ευφυή συστήματα υποστήριξης αποφάσεων

-Τα ευφυή συστήματα είναι προγράμματα υπολογιστών που λειτουργούν ως συστήματα υποστήριξης αποφάσεων. Τα συστήματα αυτά έχουν λάβει μεγάλη προσοχή τα τελευταία χρόνια. Σε τι στάδιο βρίσκεται η σύγχρονη τεχνολογία; Μπορούμε να βασιστούμε σε αυτά για να ληφθούν αποφάσεις στην ιατρική;

-Τα ευφυή συστήματα υποστήριξης αποφάσεων είναι μια κατηγορία ευφυών συστημάτων. Γενικώς ομιλούντες, τέτοια συστήματα μπορεί να διαχωριστούν σε αυτά που ανήκουν στην κλασική, συμβολική προσέγγιση (symbolic approach), όπως τα συστήματα βάσεων γνώσεων ή εμπειρογνώμονα συστήματα, και σε αυτά που ανήκουν στη συνδετική προσέγγιση (connectionist approach), όπως τα συστήματα νευρωνικών δικτύων και άλλα συστήματα μηχανικής μάθησης. Και οι δύο κατηγορίες έχουν υπέρ και κατά. Τα μεν συμβολικά συστήματα έχουν μεγαλύτερη διαφάνεια και μπορούν να τεκμηριώσουν/επεξηγήσουν τις εισηγήσεις τους, παραθέτοντας τους κανόνες λογικής που εφάρμοσαν σε κάθε περίπτωση, όμως η απόσπαση και αναπαράσταση της γνώσης σε συμβολική μορφή είναι κοπιώδης διεργασία, επιρρεπής σε λάθη, και με περιορισμένη ικανότητα αυτό-μάθησης.

Τα δε συνδετικά συστήματα, τα οποία ουσιαστικά παρακάμπτουν τη διεργασία απόσπασης γνώσης -αφού δουλεύουν βάσει δεδομένων (data driven)- μπορεί να πετυχαίνουν συγκρίσιμες ή ακόμη και υψηλότερες αποδόσεις από τους σχετικούς ειδικούς στην επίλυση προβλημάτων, όμως εν πολλοίς θεωρούνται «μαύρα κουτιά» καθώς δεν είναι σε θέση να αιτιολογήσουν τις εισηγήσεις τους. Επιπρόσθετα, η συλλογή και μορφοποίηση δεδομένων έτσι ώστε να μπορούν να τύχουν επεξεργασίας από τα εν λόγω συστήματα μηχανικής μάθησης, έχουν τις δικές τους προκλήσεις, όπως για παράδειγμα η απάλειψη προκαταλήψεων που μπορεί να ελλοχεύουν εντός των δεδομένων. Ένα νέο πεδίο έρευνας είναι η Εξηγήσιμη Τεχνητή Νοημοσύνη (Explainable AI) που επιδιώκει τον συγκερασμό των θετικών των δύο πιο πάνω προσεγγίσεων, της συμβολικής και της συνδετικής.

Tα συστήματα μηχανικής μάθησης και δη τα συστήματα βαθιάς μάθησης

Τα συστήματα που όντως αυτή τη στιγμή είναι στο επίκεντρο μεγάλης δημοσιότητας είναι τα συστήματα μηχανικής μάθησης και δη τα συστήματα βαθιάς μάθησης (deep learning) -τα οποία έχουν πολλαπλά συνδετικά επίπεδα για την επεξεργασία των δεδομένων. Τα συστήματα αυτά θέλουν μεγάλο όγκο δεδομένων (big data), και κατ’ επέκταση απαιτούν τεράστιες αποθηκευτικές δυνατότητες, καθώς και ηλεκτρονικούς υπολογιστές μεγάλης ισχύος. Η σύγχρονη τεχνολογία παρέχει αυτές τις δυνατότητες (High Performance Computing, cloud), έτσι ώστε να επιτευχθεί η απαιτούμενη σύζευξη δεδομένων, αλγορίθμων και υπολογιστικής ισχύος, οδηγώντας σε ευφυή συστήματα υψηλών αποδόσεων.

 Η συνεργασία με τον άνθρωπο

Προσωπικά, ανήκω στη σχολή σκέψης που πρεσβεύει ότι ο ρόλος των ευφυών συστημάτων υποστήριξης αποφάσεων είναι η συνεργασία με τον άνθρωπο, με στόχο την επίτευξη επαυξημένης νοημοσύνης (augmented intelligence) και όχι η αντικατάσταση του ειδικού (π.χ. του ιατρού) μέσω της αυτόνομης λειτουργίας τέτοιων συστημάτων. Υπό αυτή την οπτική γωνία, μπορούμε να εμπιστευθούμε την αξιοποίηση τέτοιων συστημάτων στην ιατρική, αφού πρώτα διασφαλιστεί ότι τα συστήματα αυτά ικανοποιούν βασικούς κανόνες ηθικής ως προς τη δικαιοσύνη, την αξιοπιστία, την ασφάλεια προσωπικών δεδομένων, την περιεκτικότητα, τη διαφάνεια, και την ευθύνη. Πάντως, είναι γεγονός ότι τέτοια ευφυή συστήματα στην ιατρική έχουν εξασφαλίσει άδεια χρήσης, π.χ. τον Απρίλιο του 2018 το FDA των Ηνωμένων Πολιτειών, ενέκρινε την πρώτη ψηφιακή ιατρική μηχανή που χρησιμοποιεί τεχνητή νοημοσύνη, για τον εντοπισμό διαβητικής αμφιβληστροειδοπάθειας σε ενήλικες. Σίγουρα θα ακολουθήσουν και άλλες εγκρίσεις και σύντομα μέσω τέτοιων συστημάτων, που αξιοποιούν ιατρικά δεδομένα, πληροφορίες και γνώση. Έτσι η εξατομικευμένη φροντίδα βασισμένη σε στοιχεία (evidence-based, personalized care) θα γίνει πραγματικότητα.

Πόσο σημαντικός είναι ο ανθρώπινος παράγοντας στην ανάπτυξη αυτών των συστημάτων υποστήριξης ιατρικών αποφάσεων;

-Ο ανθρώπινος παράγοντας είναι το άλφα και το ωμέγα στην ανάπτυξη και την αποδοχή των συστημάτων υποστήριξης ιατρικών αποφάσεων. Η ανάπτυξη ενός τέτοιου συστήματος -από τεχνικής άποψης- εμπλέκει διάφορες ειδικότητες (επιστήμονες πληροφορικής, επιστήμονες δεδομένων, στατιστικούς, τεχνολόγους γνώσης, κτλ.) όμως για τη συλλογή των ιατρικών δεδομένων μπορεί να απαιτείται ευρείας κλίμακας συνεργασία, ανάμεσα σε ειδικούς ιατρούς και άλλο ιατρικό προσωπικό.  Πέραν των τελικών χρηστών των συστημάτων αυτών  -που κατά κύριο λόγο είναι οι εμπλεκόμενοι ειδικοί (ιατροί, νοσηλευτές, κτλ.)- η αποδοχή τέτοιων συστημάτων έγκειται στους ασθενείς, και σε τελική ανάλυση στον καθένα από εμάς, αφού ο καθένας ενδέχεται να είναι κάποτε ασθενής. Για την εφαρμογή συστημάτων που αφορούν υποστήριξη αποφάσεων για πρόληψη, επί της ουσίας εμπλέκεται μια κοινωνία στην ολότητά της.

Πέραν των συστημάτων υποστήριξης αποφάσεων, για την επίτευξη ενός ολοκληρωμένου ευφυούς συστήματος υγείας, είναι πολλές άλλες διαδικασίες και ιατρικά καθήκοντα, που μπορούν να επωφεληθούν από μεθόδους και τεχνικές της Τεχνητής Νοημοσύνης. Για να γίνει όμως αυτό αποδεκτό και κατ’ επέκταση εφικτό σε κάποιο ιατρικό οργανισμό, η ιδέα θα πρέπει να αγκαλιαστεί απ’ όλη την πυραμίδα του προσωπικού.  Κυρίως θα πρέπει να εμπλακούν οι κλινικοί ιατροί, και εδώ σημαίνοντα ρόλο θα πρέπει να παίξει η υπηρεσία ανθρώπινου δυναμικού του οργανισμού. Επιπρόσθετα, στις Ηνωμένες Πολιτείες γίνονται σκέψεις για την ενσωμάτωση μαθημάτων Τεχνικής Νοημοσύνης και δη μηχανικής μάθησης στα προγράμματα προϊατρικής εκπαίδευσης, με στόχο τη δημιουργία της νέας γενεάς ιατρών υψηλής τεχνολογίας.

Όπως ακριβώς και ένας ιατρός

-Μπορούμε να πούμε ότι τα ευφυή συστήματα στην ιατρική χρησιμεύουν σε περιπτώσεις όπου η διάγνωση και η θεραπεία είναι αβέβαιες; Πώς λειτουργεί πρακτικά αυτή η διαδικασία;

-Η αβεβαιότητα, ασάφεια και ελλιπείς πληροφορίες είναι σύμφυτα στοιχεία της ιατρικής γνώσης και δεδομένων. Κατ’ επέκταση τα ευφυή συστήματα θα πρέπει να είναι σε θέση να προβαίνουν σε μοντελοποίηση και να κάνουν συλλογισμό με αυτήν την αβεβαιότητα, όπως ακριβώς και ένας ιατρός. Έχουν αναπτυχθεί πολλές μέθοδοι για το σκοπό αυτό. Συνεπώς ναι, δε σημαίνει ότι το σύστημα θα καταλήξει κατηγορηματικά σε μία διάγνωση ή σε μια θεραπεία. Το χρήσιμο είναι να κάνει μια κατάταξη ως προς τις πιθανές διαγνώσεις ή τις ενδεικνυόμενες θεραπευτικές αγωγές, δίνοντας το βαθμό πίστης για την καθεμιά. Εδώ είναι που φαίνεται ξεκάθαρα η ανάγκη του διαλογικού στοιχείου, ανάμεσα στον ιατρό και το ευφυές σύστημα και της τεκμηρίωσης των εισηγήσεων του συστήματος. Το σύστημα μπορεί να εισηγηθεί την απόσπαση περισσότερων στοιχείων για τον ασθενή (π.χ. μέσω κάποιων εργαστηριακών εξετάσεων) για να μπορέσει να προχωρήσει το συλλογισμό του, καταλήγοντας σε πιο σαφή συμπεράσματα, ή ο ιατρός μπορεί να απορρίψει τις εισηγήσεις του συστήματος ως προς τις ενδεχόμενες θεραπείες και να του ζητήσει να προβεί σε εναλλακτικές εισηγήσεις.

-Έχουν εφαρμοστεί οι τεχνικές Τεχνητής Νοημοσύνης για τον εντοπισμό και την έγκαιρη προειδοποίηση, την πρόβλεψη τάσεων και τη μοντελοποίηση και αξιολόγηση απόκρισης της δημόσιας υγείας; Από τον τοπικό εντοπισμό έως την παγκόσμια παρακολούθηση και τον έλεγχο επιδημιών.

-Η απάντηση είναι ότι έχει γίνει έρευνα και έχουν αναπτυχθεί εφαρμογές και μεθοδολογίες, για όλα τα πιο πάνω, και αποτελούν χρήσιμα εργαλεία προς αξιοποίηση, έστω και αν δεν έχουν ενταχθεί κανονικά στο χώρο της υγείας. Η τρέχουσα πανδημία προσφέρει σημαντικό υλικό, για ποικίλες έρευνες, με τη χρήση της Τεχνητής Νοημοσύνης και ήδη υπάρχουν πολλές επιστημονικές ανακοινώσεις σχετικές με τον Covid-19.  

-Η παραδοσιακή επιτήρηση της δημόσιας υγείας βασίζεται σε μεγάλο βαθμό σε στατιστικές τεχνικές. Παρατηρήσατε τα τελευταία χρόνια πρόοδο στην ανάπτυξη μεθόδων με δυνατότητα Τεχνητής Νοημοσύνης που συμπληρώνουν τις παραδοσιακές στατιστικές προσεγγίσεις;

-Με την άμεση διάθεση μαζικών δεδομένων (π.χ. με τη χρήση Ηλεκτρονικών Μητρώων Υγείας, φορητών συσκευών, κτλ.), υπάρχει μια συνεχής αλλαγή προσέγγισης σε κάθε γωνιά της υγειονομικής περίθαλψης, καθώς υπάρχουν άνευ προηγουμένου ευκαιρίες ανάλυσης και εξαγωγής χρήσιμων πληροφοριών από διαφορετικές, κατανεμημένες και ετερογενείς πηγές δεδομένων, για τη λήψη πιο ενημερωμένων κλινικών αποφάσεων και τη βελτίωση της αποτελεσματικότητας και απόδοσης των συστημάτων υγείας. Οι πρόσφατες εξελίξεις στη μηχανική μάθηση και την ανάλυση μπορούν να βοηθήσουν στη μείωση των διαγνωστικών και θεραπευτικών σφαλμάτων, που είναι αναπόφευκτα στην ανθρώπινη κλινική πρακτική, να επιτύχουν συνέπεια, να βελτιώσουν την κατανόηση των μηχανισμών της νόσου και να διευκολύνουν την υποστήριξη κλινικών αποφάσεων. Μεταμορφώνει επίσης τον τρόπο με τον οποίο διεξάγεται η ιατρική έρευνα και τον τρόπο διαχείρισης και παροχής της υγειονομικής περίθαλψης με οικονομικά αποδοτικό τρόπο. Η περιοχή των “medical analytics for healthcare intelligence" έχει πολλές δυνατότητες, όπως προκύπτει και από τα διαθέσιμα χρηματοδοτικά προγράμματα της Ευρώπης και των Ηνωμένων Πολιτειών.

Η οικοδόμηση εμπιστοσύνης στην ανθρωποκεντρική Τεχνητή Νοημοσύνη

-Οι εξελίξεις στην Τεχνητή Νοημοσύνη φέρνουν μαζί τους νέες ρυθμιστικές, κοινωνικές και ηθικές προκλήσεις. Ποιες είναι αυτές οι προκλήσεις και πώς μπορούν να ξεπεραστούν;

-Η μεγαλύτερη πρόκληση είναι η οικοδόμηση εμπιστοσύνης στην ανθρωποκεντρική Τεχνητή Νοημοσύνη. Όπως διατυπώνεται ρητά από την Ευρωπαϊκή Επιτροπή η Τεχνητή Νοημοσύνη δεν είναι αυτοσκοπός, αλλά ένα εργαλείο που πρέπει να εξυπηρετεί τους ανθρώπους, με απώτερο σκοπό την αύξηση της ανθρώπινης ευημερίας, προσθέτοντας ότι η Τεχνητή Νοημοσύνη φέρνει μαζί της νέες προκλήσεις για το μέλλον της εργασίας και εγείρει νομικά και ηθικά ερωτήματα.  Για να αντιμετωπίσει αυτές τις προκλήσεις και να αξιοποιήσει στο έπακρο τις ευκαιρίες που προσφέρει η Τεχνητή Νοημοσύνη, η Επιτροπή ανακοίνωσε μια Ευρωπαϊκή Στρατηγική τον Απρίλιο του 2018, όπου οι άνθρωποι τοποθετούνται στο επίκεντρο της ανάπτυξης της τεχνητής νοημοσύνης. Η ηθική διάσταση της Τεχνητής Νοημοσύνης πρέπει να αποτελεί αναπόσπαστη πτυχή της και να βασίζεται πάνω σε ευρέως κοινές ηθικές αξίες για να υπάρξει η απαιτούμενη αξιοπιστία. Παράλληλα προωθούνται Ευρωπαϊκοί Κανονισμοί, για τη διασφάλιση της αξιοπιστίας της τεχνητής νοημοσύνης, όπου γίνεται κατηγοριοποίηση τομέων εφαρμογής σε τομείς απαράδεκτου, υψηλού, περιορισμένου και ελάχιστου κινδύνου.

Η Κύπρος συμμετέχει, σε Ευρωπαϊκό επίπεδο

-Η Τεχνητή Νοημοσύνη (AI) στην ιατρική αναπτύσσεται ραγδαία και γίνεται γρήγορα αναπόσπαστο μέρος της παροχής υγειονομικής περίθαλψης. Δεδομένων των τεράστιων δυνατοτήτων που έχει να φέρει την επανάσταση στην υγειονομική περίθαλψη, ο τομέας έχει προσελκύσει περισσότερες επενδύσεις από έργα Τεχνητής Νοημοσύνης από οποιονδήποτε άλλον τομέα της παγκόσμιας οικονομίας τα τελευταία χρόνια. Ισχύει και για την Κύπρο αυτό;

-Γνωρίζω ότι η Κύπρος συμμετέχει, σε Ευρωπαϊκό επίπεδο, στις εξελίξεις που αφορούν την Τεχνητή Νοημοσύνη και ειδικότερα για την υγειονομική περίθαλψη. Με βάση αυτές τις εξελίξεις θα πρέπει να προωθηθούν οι εθνικές στρατηγικές και νομοθεσίες.  Επιπρόσθετα προωθείται η ηλεκτρονική υγεία.

Νέο αγγλόφωνο μεταπτυχιακό πρόγραμμα στην Τεχνητή Νοημοσύνη

-Ποια είναι η έρευνα με την οποία ασχολείστε προσωπικά αυτήν την περίοδο;

-Το ενδιαφέρον μου τα τελευταία χρόνια εστιάζεται στα χρονικά πληροφοριακά συστήματα στην ιατρική, και πιο συγκεκριμένα στην ανάλυση διαχρονικών ιατρικών δεδομένων με ευρετικές μεθόδους, την αναπαράσταση του χρόνου και το συλλογισμό με χρονικές έννοιες, με αναφορά στις διαγνωστικές διεργασίες. Ο χρονικός συλλογισμός εν πολλοίς, ανήκει στην κοινή λογική, και η μοντελοποίηση κοινής λογικής δεν έχει ακόμη επιτευχθεί επαρκώς σε συστήματα τεχνητής νοημοσύνης. Επιπρόσθετα, λόγω της παλαιότερης ενασχόλησής μου με το διαλογικό στοιχείο και την παροχή επεξηγήσεων σε συστήματα βάσεων γνώσης, καθώς και την ενοποίηση διαφορετικών μοντέλων επίλυσης προβλημάτων στο πλαίσιο υβριδικών αρχιτεκτονικών (βαθιά εμπειρογνώμονα συστήματα), θα ήθελα να διερευνήσω την ενοποίηση συμβολικών και συνδετικών προσεγγίσεων προς επίτευξη του Explainable AI.

Επιπρόσθετα, επί του παρόντος συντονίζω την ανάπτυξη ενός νέου αγγλόφωνου μεταπτυχιακού προγράμματος στην Τεχνητή Νοημοσύνη. Η ανάπτυξή του χρηματοδοτείται από την Ευρωπαϊκή Επιτροπή στο πλαίσιο του έργου MAI4CAREU (Master Programmes in AI for Careers in Europe). Στο δίκτυο συνεργασίας μας, συμμετέχουν τρία άλλα Ευρωπαϊκά Πανεπιστήμια (University of Bologna, Technical University of Dresden, University of Ruse Angel Kanchev), το ερευνητικό κέντρο CYENS και τέσσερα ΜΜΕ υψηλής τεχνολογίας. Η ηθική και επιχειρηματικότητα της Τεχνητής Νοημοσύνης και η διασύνδεση με τη βιομηχανία θα είναι κάποια από τα στοιχεία του μεταπτυχιακού αυτού προγράμματος.

-Η χρηματοδότηση της έρευνας

Όλα αυτά τα χρόνια έχετε εξασφαλίσει χρηματοδότηση από διάφορες πηγές για την έρευνά σας. Πιστεύετε ότι η χρηματοδότηση της έρευνας στην Κύπρο είναι επαρκής;

-Η χρηματοδότηση της έρευνας ποτέ δεν είναι επαρκής. Λόγω της οικονομικής κρίσης για μεγάλη χρονική περίοδο είχε παγοποιηθεί η εθνική χρηματοδότηση, για την έρευνα. Τώρα τα πράγματα είναι καλύτερα. Εξίσου σημαντική με τη χρηματοδότηση της έρευνας είναι και η στήριξη νέων ερευνητών, σε σχέση με την επαγγελματική τους σταδιοδρομία. Στο δικό μου Τμήμα, έχουμε μεγάλες δυσκολίες προσέλκυσης διδακτορικών φοιτητών, ακριβώς επειδή δεν βλέπουν ευκαιρίες αξιοποίησης ενός διδακτορικού, και αντί να το βλέπουν ως επένδυση, το βλέπουν ως τροχοπέδη στην επαγγελματική τους πορεία.

Ανταγωνιστικό πλεονέκτημα

-Τι πιστεύετε ότι πρέπει να γίνει για να γίνει η χώρα μας ακόμα πιο ανταγωνιστική διεθνώς;