A mesterséges intelligencia sokak életébe a ChatGPT-vel lépett be, ám a története jóval korábban kezdődött. „Az első szakértői rendszerek már az 1950-es években megszülettek” – emlékeztetett Pukoli Dániel. Az ugrást a 2010-es évek hozták: ekkor jelent meg a számítástechnikában a mélytanulás. Ez egy olyan tanulási folyamat, amelyben a mesterséges neurális háló nemcsak előre megadott szabályokat követ, hanem a gép rengeteg példából saját maga fedezi fel, hogy mi a fontos, mi a közös az adatokban, hol vannak az összefüggések. Ahogyan például egy gyerek egyre többféle különböző macskát látva megtanulja felismerni, mi különbözteti meg a macskát a kutyától. A nagy számítási kapacitású grafikus processzorok elterjedésével egyre inkább erősödött az a felismerés is, hogy az egészségügyben keletkező óriási adatmennyiséget csak gépi segítséggel lehet átlátni, rendszerezni, azokból következtetéseket levonni. „A mesterséges neuronokat úgy kell elképzelni, mint bonyolult matematikai egyenleteket, amelyek egy hálózatba összekapcsolva felismerik a mintázatokat. Minél több valódi példát lát a rendszer, annál jobban meg tudja különböztetni például az egészséges és a kóros MR-felvételeket, vagy éppen a hatékony és a hatástalan gyógyszermolekulákat” – magyarázza Pukoli Dániel.
Az egészségtudományban az áttörést a fehérjék térbeli szerkezetének meghatározása hozta. A fehérjék működését döntően az határozza meg, hogyan tekerednek fel háromdimenziós alakzatokká – ha ezt ismerjük, könnyebb célzott gyógyszereket fejleszteni. „Képzeljünk el egy több száz kilométer hosszú nyakláncot, ami teljesen összegubancolódott, és a feladat az, hogy centiméterről centiméterre leírjuk a pontos formáját” – hozott képszerű hasonlatot Pukoli Dániel. A tudósoknak nagyjából 60 év alatt sikerült mintegy 190 ezer fehérjestruktúrát feltérképezniük. A Google AlphaFold nevű MI-rendszere 2–3 év alatt több mint 200 millió fehérje 3D-s szerkezetét modellezte, ezzel alapjaiban gyorsította fel a gyógyszerkutatást. Korábban az új gyógyszerek keresése sokkal inkább kísérletezések sorozata volt: laborok ezrei szintetizáltak vegyületeket, majd hosszú időn át vizsgálták, melyik hat valamelyik célpontra. Ma a mesterséges intelligencia először a számítógépen „játssza végig” a lehetséges kombinációk millióit. Megjósolja, mely molekulák illeszkedhetnek legjobban egy adott fehérjéhez, milyen mellékhatásokra lehet számítani vagy éppen milyen szerkezetű vegyületek lennének ígéretesek. Ez különösen fontos az olyan betegségekben, mint az SM, ahol a célzott, immunrendszert befolyásoló gyógyszerek fejlesztése bonyolult és hosszú folyamat.
dr. Pukoli Dániel
A diagnosztika területén az MI ma már kézzel fogható valóság. A radiológiában például egy szívkoszorúér-CT vizsgálat kiértékelése egy gyakorlott szakorvosnak akár 30 percet is igénybe vehet. „Ugyanerre a feladatra az MI-nek öt másodperc kell” – hangsúlyozta a szakorvos. Egy másik kutatásban egy neurális háló szelfi fotók alapján becsülte meg a koszorúér-betegség kockázatát. Igen nagy pontossággal meg tudta mondani, kinek van súlyos érszűkülete – sőt, jobb teljesítményt nyújtott, mint a hagyományosan használt kardiológiai kockázati pontrendszerek. (A modell jó eredményei ellenére nem használatos rutinszerű szűrésre, mert csak bizonyos népességi mintán hitelesítették, általános használatra nem.)
A kutatásokban az MI-t használják például SM-es agyi MR-felvételek automatikus elemzésére: a neurális hálók képesek pontosan megmérni a léziók számát és méretét, nyomon követni a változásokat, és jelezni, ha új góc jelent meg. Más fejlesztések azt vizsgálják, hogy az MR-adatok, a klinikai tünetek, a járásról készült videók és a labor- eredmények együttes elemzése alapján megjósolható-e a betegség aktivitása, a relapszus kockázata, vagy az, hogy egy adott betegnél melyik kezelés ígérkezik hatékonyabbnak. Minél több beteg minél több adata van benne a rendszerben, annál pontosabb következtetéseket lehet levonni. (Ezt szolgálja az MS Base, a világ legnagyobb nemzetközi SM-adatbázisa is, amelyben ma 47 ország 211 intézményéből már több mint 125 ezer SM-beteg adata szerepel.)
– Az MI olyan összefüggéseket és apró mintázatokat is felismerhet, amelyek felett az ember átsiklik. Például finom textúrákat egy képen, alig érzékelhető ritmusokat az adatokban vagy több száz változó bonyolult kapcsolatát. A gond ott kezdődik, hogy nem mindig értjük, mit „látott” a rendszer, és miért azt a következtetést adja, amit. Ezt hívják „fekete doboz problémának”: az algoritmus belső működése átláthatatlan, nem tudjuk lépésről lépésre visszafejteni a döntést, csak azt tapasztaljuk, hogy a legtöbbször működik. Viszont azt is tudnunk kell, hogy ilyen környezetben a hibákat, főként pedig azok okát is nehéz azonosítani – magyarázza Pukoli Dániel.
Hogyan kapcsolódnak ezekhez a fejlesztésekhez a mindenki által szabadon elérhető ChatGPT, a Gemini, a Perplexity és a többi szövegértő MI? Ezek nagy nyelvi modellek: rengeteg szöveg feldolgozásával tanulják meg, hogyan fogalmaz az ember, mik a nyelv mintázatai. Ha ezeket a modelleket orvosi szövegeken is finomhangolják, akkor képesek leleteket magyarázni, tüneteket rendszerbe foglalni, betegfelvilágosító anya- gokat érthetően összefoglalni.
A lehetőségek mellett ugyanakkor nagyon fontos a józanság és az óvatosság. Felhasználók napi tapasztalata, hogy a ChatGPT teljes magabiztosággal kijelent és logikusan megindokol útmutatásokat, legyen szó orvosi, jogi, pénzügyi vagy egy egyszerű helyesírási témáról, majd egy kontrollkérdés után ugyanolyan teljes magabiztossággal kijelenti az első állításának az ellenkezőjét, aminek indoklását ugyanúgy képes logikusan felépíteni. Ez a magabiztos tévedés különösen veszélyes lehet, ha valaki orvosi kérdésben pusztán az MI-től vár döntést, és nem kontrollálja az információt orvossal vagy hiteles szakmai forrással. Ezt a problémát érzékelve hozta létre Pukoli Dániel a miapanasz.hu weboldalt. Itt a mesterséges intelligencia csak orvosi szakirodalomból dolgozik: több mint 500 orvosi protokollal, közel 100 ezer egészségügyi dokumentummal tanították be, hogy kiküszöböljék a félreértelmezéseket. Elemzi a tüneteket, értelmezi a szövegesen leírt röntgen-, CT-, MR- és ultrahangleleteket. Ugyanakkor itt is hangsúlyozzák: az ilyen rendszerek célja nem az orvos kiváltása, hanem a döntések előkészítése, az információk közérthetővé és átláthatóvá tétele, hogy a beteg felkészültebben vehessen részt a soron következő orvos-beteg találkozáson.
A mindennapi gyakorlatban várható, hogy az MI segíteni fog az SM-betegek MR-leleteinek gyorsabb, egységesebb kiértékelésében, a leletek időbeli összehasonlításában, illetve abban, hogy a neurológus jobban átlássa a betegség lefutását. Orvosok számára fejlesztett döntéstámogató rendszerek segíthetnek abban is, hogy a legfrissebb terápiás ajánlások alapján válasszanak a különböző betegségmódosító kezelések közül. A betegek pedig profitálhatnak a jól beállított, szakmailag felügyelt chatbotokból és információs platformokból, amelyek érthetően magyaráznak el szakkifejezéseket, leleteket, vizsgálatokat, és segítenek felkészülni az orvosi konzultációra.
Fontos ugyanakkor a határok kijelölése. A mesterséges intelligencia nem alkalmas arra, hogy önállóan SM-diagnózist állítson fel, kezelést írjon elő vagy módosítson. Ezek továbbra is orvosi feladatok. Amint Pukoli Dániel összefoglalta, az MI akkor szolgálja igazán az SM-betegeket, ha úgy tekintenek rá, mint eszközre, amely nem helyettesíti, hanem támogatja az orvost a gondolatmenet ellenőrzésében, segít a diagnózis pontosításában, a tévedések csökkentésében, és lerövidítheti az utat a megfelelő ellátásig.
A cikk a Multiplex Magazin 2025/2. lapszámában jelent meg. A hirdetéseket nem tartalmazó, ingyenes betegtájékoztató és életmód magazin nyomtatásban eljut az ország minden SM centrumként működő neurológiai osztályára, valamint a betegszervezetekhez. A lapot kiadóként a Békés Megyei Sclerosis Multiplexes Emberek Közhasznú Szervezete (Bekesmegyeiscleroris.hu) jegyzi. A lapszámok IDE KATTINTVA teljes terjedelmükben PDF formátumban letölthetők az internetről is.
