Mākslīgais intelekts arvien plašāk tiek izmantots zinātnē un veselības aprūpē — attēlu analīzē, zāļu izstrādē un dažādu nākotnes scenāriju prognozēšanā. Ķīnā pētnieki spēruši nākamo soli, izveidojot acu klīniku, kurā AI bija integrēts gandrīz visā klīniskajā darbā, vienlaikus saglabājot cilvēku ārstu uzraudzību.

Projektu īstenoja Ķīnas Pekinas Vizuālās zinātnes un translacionālo acu pētījumu institūta (BERI) vadīta komanda. Klīniku nosauca par AI-TEC jeb “AI-Agent Augmented Tsinghua Eye Clinic”. Tā netika veidota kā jau esošas sistēmas papildinājums ar dažiem AI rīkiem — tās darba procesi jau sākotnēji tika izstrādāti, lai pēc iespējas plaši izmantotu mākslīgo intelektu.

AI izmantoja visā pacientu aprūpes procesā

AI-TEC sistēmas tika izmantotas pirms konsultācijas, acu izmeklējumu un skenējumu laikā, kā arī pacientu turpmākajā novērošanā. Pētījumā īpaša uzmanība pievērsta tādām slimībām kā glaukoma un ar vecumu saistīta makulas deģenerācija.

Eye examination accuracy False positives reduced significantly when expert-reviewed images were added to the training data. (Yan et al., Nat. Med., 2026)
Foto: s were added to the training data. (Yan et al., Nat. Med., 2026) · Avots: sciencealert.com · avots ↗

Sākotnēji AI spēja šīs slimības noteikt ar samērā zemu precizitāti. Situācija būtiski uzlabojās, kad oftalmologi sistēmu papildināja ar 1426 augstas kvalitātes acu skenējumu attēliem, kuriem bija rūpīgi pievienotas pareizās diagnožu etiķetes. Šie dati izrādījās noderīgāki par gandrīz 27 000 sākotnējo attēlu, kas bija zemākas kvalitātes un mazāk visaptveroši marķēti.

Izmantojot standartizēto diagnostikas rādītāju AUROC, AI ar atjauninātajiem apmācības datiem sasniedza rezultātu virs 0,93. Tas bija aptuveni līdzvērtīgs citu mūsdienīgu acu skenēšanas sistēmu sniegumam.

Lietojamība izrādījās tikpat svarīga kā precizitāte

Pētnieki konstatēja, ka klīnikas darbinieku interese par AI rīkiem sākotnēji bija augsta, taču pēc tam samazinājās. Piecus mēnešus pēc sistēmas ieviešanas vienā mēnesī AI-TEC procesi tika izmantoti tikai 41 no 1113 izmeklējumiem jeb 3,8% gadījumu.

Retina scan The AI was partly tasked with identifying disease in retina scans. (Mikael Häggström/CC0 via Wikimedia Commons/Public Domain)
Foto avots: sciencealert.com · avots ↗

Nākamajā mēnesī šis rādītājs pieauga līdz 259 no 1126 izmeklējumiem jeb 23%. Pieaugums sekoja pēc tam, kad pētnieki padarīja sistēmu ātrāku un ērtāk lietojamu, samazinot nepieciešamo klikšķu skaitu un manuālo datu ievadi.

Pētījuma autori secināja, ka AI balstītas veselības aprūpes ieviešana ir visas ekosistēmas, nevis tikai viena algoritma uzdevums. Tās efektivitāti ietekmē datu kvalitāte, mijiedarbība ar darba plūsmu, ārstu iesaiste, pārvaldība un uzraudzība, kā arī izmērāms klīniskais ieguvums. Viņi arī uzsvēra, ka ārstu atsauksmēm jānonāk pie sistēmas izstrādātājiem ātri, nevis vairākas nedēļas pēc problēmas konstatēšanas.

Pētnieki izcēla trīs galvenās atziņas: nepieciešami kvalitatīvi dati, rūpīgi jāoptimizē ikdienas darbība un jānodrošina regulāra, ātra atgriezeniskā saite starp ārstiem un AI izstrādātājiem.

Vienlaikus eksperiments parādīja arī būtisku ierobežojumu. AI parasti sāk ar jautājumu, vai attēlā redzama konkrēta slimība, savukārt ārsts vispirms pievēršas pacienta simptomiem — piemēram, sūdzībām par miglainu redzi. Tāpēc augsta precizitāte skenējumu analīzē pati par sevi vēl negarantē labāku pacientu aprūpi.

Pētījuma autori norādīja, ka turpmāk šādu sistēmu panākumi būtu jāvērtē ne tikai pēc etalonmērījumiem un algoritma precizitātes, bet arī pēc tā, vai AI patiešām uzlabo klīnisko darba procesu un pacientu veselības rezultātus. Pētījums publicēts žurnālā Nature Medicine.