2004-ben Charles Lickel épp a vacsoráját fogyasztotta egy New York-i étteremben, amikor arra lett figyelmes, hogy körülötte az étterem kezd kiürülni. Charles kíváncsian követte a többieket, akik egy tévé köré csoportosulva a Jeopardy című vetélkedőműsort nézték. A híres Jeopardy-bajnok, Ken Jennings versengett azért, hogy rekordhosszúságú szériáját folytatni tudja.

Charles az IBM szoftverfejlesztési részlegének alelnöke volt. A Deep Blue Kaszparov fölött aratott győzelme óta főnökei folyamatosan azzal nyaggatták, hogy találjon egy izgalmas új kihívást a cég számára. Ahogy ott állt abban a New York-i étteremben, és figyelte, mennyire lenyűgözi az embereket ez a Jeopardy-bajnok, eltűnődött, vajon lehetne-e olyan gépet építeni, amely még az örökös bajnokot is legyőzi.

A feladat nem volt egyszerű. A Watson néven elhíresült gépet végül hét évbe került megépíteni. Végül azonban Ken Jennings kihívójaként fényes győzelmet aratott a bajnok fölött. A Watson megalkotása közben az IBM az első mindenre kiterjedő orvosi diagnosztikai eszköz létrejöttét is megalapozta. Erre mindjárt visszatérünk, de most lássuk, milyen alapelvekből kiindulva fogtak hozzá a vetélkedőgép megtervezéséhez – amelyekre aztán az orvosi diagnosztikai algoritmusok is épültek.

Mi mindenre van szükség a jó kérdés feltevéséhez?

A „Jeopardy” amerikai műveltségi vetélkedőben a játékosoknak visszafelé kell gondolkozniuk: kapnak egy „választ”, és ennek alapján kell megadniuk a helyes „kérdést”. Elképzelhető például az alábbi „válasz”:

Tárgy, amellyel megerősítünk vagy összekapcsolunk valamit. Lehet övön, táskán vagy hajban.

Az algoritmusnak több réteget fel kell fejtenie, míg eljut a helyes kérdésig: „Mit jelent a »csat« szó?” Először is olyan nyelvtudással kell rendelkeznie, hogy megértse: a „megerősít”, „összekapcsol”, „öv”, „táska” és „haj” a megoldás egymástól különálló elemei. Ez már önmagában óriási dolog egy algoritmus számára. Ezután le kell vadásznia azokat a lehetséges jelölteket, amelyekhez valamennyi támpont illeszkedik. Az a valami, amellyel "megerősítünk”, lehet „csomó”, „kötél”, „öltés” vagy akár „csat” is.

Watsonnak valamennyi lehetőséget mérlegelnie kell, és megvizsgálni, mennyire passzolnak az egyes válaszok a többi ponthoz. A „csomó” például nehezen illeszthető a „táska” vagy az „összekapcsol” támpontokhoz, míg a „csat” valamennyihez passzol. Ez megerősíti a meggyőződését abban, hogy a „csat” a helyes válasz. Végül, az összes lehetőség mérlegelése után le kell tennie a voksát a legvalószínűbb megoldás mellett.

Mindezt lefordítva az orvostudományra

A Jeopardy vetélkedő persze sokkal egyszerűbb, mint egy orvosi diagnózis felállítása, a válaszok megadásához azonban hasonló logikai műveletek végrehajtására van szükség.

Képzeljük el, hogy az orvosnál hirtelen súlycsökkenésre, gyomorfájásra és enyhe gyomorsavtúltengésre panaszkodunk. Az orvos feladata a Jeopardyhoz hasonló: meg kell találnia azt a lehetséges diagnózist (választ), amely valamennyi felsorolt tünethez (támponthoz) illeszkedik, majd további bizonyítékot keresni minden lehetséges kimenethez, és finomítani/alátámasztani a megoldást, ha több információ kerül a birtokába.

Watson, a vetélkedők királya régen elkészült már, amikor Watson, a zseniális orvos még komoly fejtörést okozott a programozóknak. Az IBM ennek ellenére hatalmas csinnadrattával és komoly ígéretekkel jelentette be, hogy a jövőben az egészségügyre fókuszálnak. Watson végső céljának a rák felszámolását nevezték.

Döcögős kezdetek és megoldandó problémák

hvgkonyvek.hu

Watson egyelőre nem váltotta be a hozzá fűzött reményeket. Először a Texasi Egyetem neves M. D. Anderson Rákkutató Központjával kötött szerződést bontották fel 2016-ban. A pletykák szerint hiába költöttek el 62 millió dollárt a technológiai fejlesztésekre, Watson továbbra is csak komoly felügyelet alatt és tesztkörülmények között teljesített. Egy 2017 szeptemberében megjelent STAT jelentés szerint pedig „még mindig annak elsajátításával küzd, hogy a rák különböző formáit megkülönböztesse”.

Ugyanakkor néhány jó hírről is számot adhatunk. Japánban például Watsonnak sikerült a leukémia egy ritka formáját diagnosztizálnia, amelyet az orvosok nem vettek észre. Egyik elemzése pedig ahhoz a felfedezéshez vezetett, amely kimutatta a kapcsolatot a motoneuron-betegségek (köztük az ALS) és öt gén között.

Mindent összevetve azonban elmondhatjuk, hogy az IBM programozói nem teljesítették forradalmi ígéreteiket. A betegségeket felismerő (és megfelelő kezelést ajánló) berendezés elméletileg valóban megalkotható, elkészítése pedig nemes célnak tűnik. Eközben azonban roppant nehéz feladat: jóval komolyabb, mint megnyerni egy vetélkedőt, és sokkal összetettebb, mint felismerni a képen lévő rákos sejteket.

Egy digitális doktor, aki bármilyen betegséget képes diagnosztizálni, logikus következő lépésnek tűnik a korábban látott képalapú rákfelismerő algoritmusok után. Csakhogy ezek az algoritmusok óriási előnnyel indítanak: azokra a sejtekre koncentrálhatnak, amelyek a bajt okozzák. A diagnosztikai eszköz azonban kizárólag másodlagos információkkal dolgozhat, amelyektől csak több lépésen keresztül juthat el a kiváltó okig.

Elképzelhető például, hogy annál a betegnél, aki tűszúrásszerű fájdalomra panaszkodik a karjában, a kiváltó ok egy izomgörcs, amelynek oka egy becsípődött ideg, amelynek oka valami nehéz dolog emelése volt. Vagy a másik páciensnél a véres székletet okozhatta aranyér, amelyet okozhatott székrekedés, amelynek hátterében a hibás étrend áll. Az algoritmus (illetve az orvos) feladata, hogy az egyes tüneteket lépésenként visszafejtse egészen a megfelelő diagnózisig. Watsonnak ezt kell tudnia – vagyis hihetetlenül bonyolult feladata van.

De más nehézségekkel is számolni kell. „Egy ilyen speciális képzettséget igénylő területen – magyarázza Thomas Fuchs programozó patológus az MIT Technology Review című kiadványban – a bemenő adatok felcímkézését csak olyan magasan képzett szakértőkre lehet bízni, akik évtizedeken át gyűjtötték a tudásukat.”

Mindez teljesíthető feladat, ha egy-egy apró részterületre koncentrálunk (például arra, hogy a mellrákokat a képek alapján „teljességgel jóindulatú”, illetve „egyértelműen rosszindulatú” kategóriákba soroljuk). Ha azonban egy minden betegséget felismerő gépet szeretnénk, akkor annak a világ minden létező és elképzelhető kórságát meg kell értenie.

Ehhez egy hadseregnyi elképesztően magasan képzett emberi tanítóra lenne szükség, akik hajlandóak arra, hogy hosszú évek (évtizedek) munkájával mindenféle betegségről és azok részletes tüneteiről az összes elképzelhető adatot betáplálják. Aki pedig elegendő tudást szerzett ehhez a hatalmas a feladathoz, általában egyéb apró-cseprő ügyekkel van elfoglalva: például életeket ment.

A fenti cikk Hannah Fry Emberek és gépek című könyvének szerkesztett részlete. A könyvben többek között választ kapunk arra, hogyan lopakodtak be az algoritmusok mindennapi életünk valamennyi színterére – az egészségügytől kezdve a bűnüldözésen át a politikáig. Tulajdonképpen fogalmunk sincs róla, mennyi hatalmat engedtünk át nekik eddig, és arról sincs, vajon nem mentünk-e már túl messzire. A könyvet itt rendelheti meg kedvezménnyel.