Bevezetés és háttér

Az elmúlt hónapokban sokat és sokszor hallunk a mesterséges intelligenciáról, itt, a LAM Mesterséges intelligencia rovatában is. A terület fontosságát mutatja, hogy az MTA két (számunkra releváns) tudományos osztálya, akadémikus elnökeik, Ádám Vera és Lénárd László vezetésével 2023 novemberében konferenciát szervezett, ahol a hazai kutatásokról, gyakorlati eredményekről hallottunk érdekesebb beszámolókat. Az előadások összefoglalói elolvashatóak (https://mta. hu/data/dokumentumok/Magyar%20Tudomany%20Unnepe/2023/1117_5060_A_mesters%C3%A9ges_intelligencia_alkalmaz%C3%A1sa..._FZS.pdf). 
Az ülés felvétele, a teljes sok órás előadás-sorozat az MTA YouTube-oldalán is megtekinthető: https://www.youtube.com/c/MTA1825/featured). E cikkben beszámolunk az előadásokról és körüljárjuk az ott hallottakat.

Az előadások ismertetése

Az első előadás (Mesterséges intelligencia és evolúció – az igazi veszélyek, Szathmáry Eörs) tág perspektívát nyitott: az evolúciótudomány eszköztárával vizsgálta a mesterségesintelligencia-fejlesztés (és fejlődés: lásd tanuló rendszerek!) helyzetét. Már 1995-ös könyvükben (Maynard Smith és Szathmáry: Az evolúció nagy lépései), a számítógépes vírusok kapcsán figyelmeztettek: „...nehogy egyszer csak egy újfajta önreprodukáló lény váltson fel minket”. Az előadás emlékeztetett rá: ahhoz, hogy egy evolúciós folyamat beinduljon, egy adott rendszernek és a benne létező (nem feltétlenül biológiai!) entitásoknak három feltételt kell teljesítenie: léteznie kell bennük működő öröklődési mechanizmusoknak, azok variációs képességének és a szelekciós nyomásnak. Érdekes példákat láttunk arra, hogy nem biológiai rendszerek hogyan teljesítik ezeket a feltételeket, a már létező – önreprodukáló – robotoktól a tanuló algoritmusokig. Az előadó jelezte: az új evolúciós egységek megjelenésével újfajta önérdek is megjelenik. Ezenfelül az egységeknek nem kell fizikai(lag) autonóm túlélőgépeknek lenniük, ahogy a biológiai vírusok sem azok, speciális biológiai környezet hiányában csupán szerves kristályok. Ma már létező jelenség, hogy AI-programok új AI-programokat írnak, így az újabb, magasabb bonyolultságú algoritmusok viselkedése nem transzparens az ember számára.

A következő előadás (Egészségbiológiai modellek a mesterséges intelligencia eseményhorizontján, Falus András akadémikus) széles körképet rajzolt. Bemutatta, hogy az MI „környezete”, a Big Data (vagyis extrém mennyiségű és jól strukturált adatmennyiség) kezelhetővé válása, a jelentősen megnövekedett feldolgozási teljesítmény és a felhőalapú tárolás – mind az utóbbi 10 év termékei. Ráláthattunk az éppen nagyon „felkapott” eszköztárra: a mélytanulási technikára és a nagy nyelvi programok (ilyen például a ChatGPT) sajátos gépi tanulási módjára. Az MI-algoritmusok autonóm, önjavító képessége révén a teljesítményének exponenciális fejlődése következik be. Az MI az orvoslásban is segít: jellemzően ott, ahol óriási adatmennyiség képződik. Támogatja például a gyors, pontos genomikai adatfeldolgozást vagy a képértelmezést, a radiológiai, endoszkópos és szövettani diagnózisok felállítását. Ezenkívül a lefolyás előrejelzésében és a terápiás lehetőségek választásában is használható. Van olyan MI-algoritmus, amely a neoplasiák eddig nem észlelt (!) korai mutatóit azonosította. Az MI-k képesek a személyre szabott terápiákat definiálni, csökkenteni mellékhatásokat a genetikai, epigenetikai és képi adatok egyidejű kombinációja révén. Az előadó reményét fejezte ki, hogy szélsőséges futurológiákkal szemben lehet megfelelő kontrollmechanizmusokat találni és az MI „fenntartható” lesz.

A következő előadásban (Mesterséges intelligenciával támogatott felfedező gyógyszerkutatás) Ferenczy György, az MTA doktora a mesterséges intelligenciák (MI) sokszínű alkalmazását mutatta be. A felfedező kutatásban is az összegyűjtött nagy mennyiségű adat az alap. Tanulás nélkül nincs MI, de megfelelő tanítás után az MI támogatásterületei számos ágon használhatóak: magukba foglalják a betegségek megértését, a gyógyszercélpontok azonosítását és tulajdonságainak feltárását, továbbá a gyógyszerjelölt molekulák optimalizálását. Több kutatási területen már hozzáférhetőek MI-alapú eszközök, ilyenek a fehérjék térbeli szerkezetének előrejelzésére valók, vagy a kémiai kiindulópontok azonosítása. Már kutatott alkalmazási lehetőség a toxicitás előrejelzése, vagy a biologikumok kutatása. Az előadók szerint összességében az MI alkalmazása a gyógyszerkutatás három kritikus tényezőjének, a magas költségek, a hosszú időtartam és a mérsékelt eredményesség lényeges javulásához járulhat hozzá.

Horváth Péter saját kutatásait mutatta be az Élet a pixelek mögött, mesterséges intelligencia az egysejtés rákkutatásban című előadásában. Fontos, viszonylag új területről volt szó: a nagyléptékű mikroszkópos vizsgálatok egysejt-szintű feldolgozásáról és az abban alkalmazott, MI-ig terjedő számítástechnikai lépésekről. Az utóbbi húsz, de különösen a legutóbbi tíz év elvezetett a mikroszkópos képkorrekciótól (kijavítja a nem egyenletes megvilágításból származó képi hibákat) az energiaminimalizációs módszereken és mesterséges intelligencián alapuló egysejt-elemzési módszerekig. A kutatócsoport interaktív szoftvereket fejlesztett ki, melyek segítségével az orvosok hatékonyan képesek intelligens algoritmusokat sejtek automatikus fenotipizálására (!) tanítani, eljutva a módszerek kombinációival a megcélzott, megtalált egysejt-kinyerésig, melyeket egysejt-proteomika, DNSés RNS-szekvenálás és célzott elektrofiziológiai elemzés követ. Hogy mindez mire jó? Utánaolvasva az előadó munkásságának, például a Nature-ben megjelent cikk szerint a kutatók számos egysejtes adatkészlet integrálásával kezelték az egyes vizsgálatok korlátait, és megragadták a populációban jelen lévő variabilitást. Elkészítették az integrált humán tüdősejtatlaszt (HLCA), amely 49, az emberi légzőrendszerre vonatkozó adathalmazt egyesít, 486 egyén több mint 2,4 millió sejtjét tartalmazva. A HLCA egy konszenzusos sejttípus-(újra)annotáció, mutatva a megfelelő markergéneket, beleértve a ritka és korábban le nem írt sejttípusok annotációját is. A HLCA-ban szereplő egyének számát és sokféleségét kihasználva azonosították a demográfiai kovariánsokhoz, például az életkorhoz, a nemhez és a testtömegindexhez társuló génmodulokat, valamint a hörgőfa proximális-distalis tengelye mentén változó expressziót mutató génmodulokat. A HLCA-leképezés lehetővé teszi az adatok gyors értelmezését. Ez elvezet több tüdőbetegségben közös sejtállapotok azonosításához, beleértve az SPP1+ profibroticus monocyta eredetű macrophagokat a Covid-19, a tüdőfibrosis és a tüdőcarcinoma esetében. Összességében a HLCA példaként szolgál a nagyméretű, adathalmazokon átívelő szervatlaszok fejlesztésére és használatára a Humán Sejtatlaszon belül.

Szócska Miklós Adatvezérelt evolúció és mesterséges intelligencia az egészségügyben című előadása a humán és anyagi erőforrások hatékonyabb felhasználásának szüksége felől vizsgálta a területet. Az MI használata paradigmaváltást indít az egészségügyben, mert lehetővé teszi „élőben” az adatvezérelt eszközök és ellátási modellek működtetését, segíti a hatékonyságot a diagnosztikában, a kezelésben, a beteg állapotának nyomon követésében és az intézménymenedzsmentben is. Az előadó szerint a maximális hozzáadott érték megteremtéséhez a sporadikus fejlesztéseket összefogó egységes hazai „ökoszisztémára” van szükség. Ebben jelenthetnek versenyelőnyt a Magyarországon – világszinten szinte egyedülálló módon – rendelkezésre álló egységes adatbázisok (EESZT, finanszírozási adatok stb.). Az elfogulatlan hallgató meg kell, hogy jegyezze a magyar egészségügyi elektronikus közhiteles nyilvántartások közismert hiányosságait, pontatlanságát, a transzparencia hiányát. Ez jelentősen leronthatja az orvoslás gyakorlatát alapvetően megváltoztató, kétségkívül fontos EESZT-szolgáltatások létéből származó előnyöket.

A következő előadás A mélytanulás lehetséges természetvédelmi alkalmazásai, Barta Zoltán, az MTA doktora és munkatársai előadásában foglalkozott az MI egyik specifikus, ma legszélesebb körben használt formája adta lehetőségekkel:

Szinte közhellyé vált, hogy élőlények (fajai) eddig soha nem látott ütemben tűnnek el. A folyamat lassításához hatékony monitorozásra van szükség. Innen csak egy logikai ugrás a létező hatékony eszközökig, mint például a kameracsapdák, digitális hangrögzítők, műholdképek, szociális média. Ezek használata emberi erővel feldolgozhatatlan adatmennyiséget eredményez  (összességében akár petabyte-ok sokaságáról beszélünk). Az MI megoldást kínál az adatok gyors feldolgozásában. Az előadás áttekintette az adatgyűjtés új technikai eszközeit. Megmutatta a sokszor fel nem ismert, adatokban rejtőző hibákat, a feldolgozást hátráltató problémákat. Konkrét mélytanulást használó alkalmazások néhány természetvédelmi esetébe is beleláthattunk, mint például az előadó saját kutatásait, a bálványfa elterjedésének modellezését.

Az előadásokat kerekasztal-beszélgetés követte. A szerteágazó beszélgetés egészét nem tudjuk visszaadni, de néhány gondolatot kiemelünk: Falus professzor MI-vel kapcsolatos fogalmakat vetett fel. A kulcskérdés a címkézettség (metaadatokkal való ellátottsága). Szócska Miklós beszámolt a nehézségekről, amikor gyártócégek „birtokolják” a szenzorok adatait. Fontos, hogy ezek hozzáférhetők legyenek a tudomány számára. Szathmáry Eörs az emberi megismeréstudomány által megmutatott korai hipotézisgyártásra hívta fel a figyelmet, ami már az adatgyűjtést is befolyásolja. Mára ez is MI-képességgé vált, a híres példa a GO bajnok MI esete. De az MI sem „lát a jövőbe”. Falus professzor felvetette emberi intelligenciasajátosságok lehetségességét MI-nél, mint például a humorérzék, vagy az empátia. Szóba került a szingularitás fogalma, az élet 3.0 fogalmai. Fontos látnunk, hogy a mai sikeres MI-k mind gépi tanulásos, mély tanulást használó neurális hálók, melyektől nem várható sem az általános mesterséges intelligencia, sem más, a szuperintelligenciákra jellemző tulajdonság. Többen jelezték, hogy az MI-k jelenleg sem „emberi” módon oldják meg a problémákat. Nem tévednek a tevékenységükben, de számunkra téves lehet az interpretáció. A beszélgetés érintette az intelligencia fogalmát is. Nagyjából egyetértés volt, hogy az MI-k az emberi intelligencia mellett „külön pályán” mozognak, de létezik konvergencia is. Lénárd professzor felvetette az érzelem szerepét az intelligenciában. A vita hallgatójában felvetődött Damasio idevonatkozó munkája, akinek kiváló TED előadását itt lehet meghallgatni: https://www.ted.com/talks/antonio_damasio_the_quest_to_understand_consciousness.

A délutáni előadásokban konkrét hazai alkalmazásokat mutattak be az előadók, a napi gyakorlatból.

Kemény Lajos professzor, az MTA levelező tagja (Szegedi Tudományegyetem, Bőrgyógyászati és Allergológiai Klinika) Mesterséges intelligencia a bőrgyógyászatban című előadásában áttekintette a világszerte és hazánkban is felgyorsult alkalmazásokat. Megtudtuk, hogy az MI-algoritmusok használatának a bőrgyógyászatban több évtizedes (!) múltja van. A hatalmas mennyiségű betegadat és képelemzés vezet el a gyors és nagy pontosságú diagnózisokhoz. Az algoritmusok korai stádiumban már biztonsággal különbséget tesznek a benignus és malignus elváltozások között. De nem csak diagnosztikus képességekről van szó: a megfelelő algoritmusok a betegek egyedi jellemzői és kórtörténete alapján perszonalizált kezelési javaslatokat is adnak. Az MI a bőrgyógyászatban növeli a hatékonyságot, ugyanakkor bizonyos esetekben túldiagnosztizáláshoz és felesleges kezelésekhez vezethet. A bemutatott példák szerint egyes klinikákon már napi használatban van a kereskedelmi termékként vásárolható bőrgyógyászati MI-alkalmazás. A klinikai, lege artis vizsgálat szerint az algoritmus a tapasztalt szakorvos szintjén pontos. Tekintettel arra, hogy a diagnosztikához szükséges képek telemedicina eszközeivel továbbíthatóak, ez a módszer nagyban segíthet az ellátás területi és minőségi egyenetlenségeinek leküzdésében! A legutóbbi időben pedig a nagy generatív nyelvi modellek (konkrétan a ChatGPT) alkalmazása a szakmai szövegek kezelésében a munkát segítő eszközzé váltak, például szakmai közlemények megírásához. Az előadó kitért a legtöbb orvosi folyóiratban megjelenő szabályozásokra is az MI alkalmazásának feltételeit illetően.

A délutáni második prezentáció – A mesterséges intelligencia és a strukturált hálózatfejlesztés eredményei a regionális stroke-ellátásban címmel – Bogner Péter PhD és Dóczi Tamás, az MTA rendes tagja (Transzlációs Idegtudományi Nemzeti Laboratórium; Pécsi Tudományegyetem) előadásában a stroke kezelésében a mechanikus thrombectomia bevezetésének fontos lehetővé tételi lépését láthattuk. A képalkotó diagnosztikai igények alapvetően változtak, ahogy a natív CTvizsgálat kiegészült többfázisú CT-angiográfiás és szükség szerint CT-perfúziós vizsgálatokkal. Vagyis megsokszorozódott a képi információ. A thrombectomia indikációjának támogatására, illetve a CT-képek értékelésére standard, objektivizálható módszer alakult ki, az ASPECT score. Azaz egzakt képi paraméterek mérése lett szükséges. Itt az a sok adat, számítás és adatmintázatfelismerési feladat, ami szintén MI-ért kiált. Az elmúlt években bevezetésre kerültek olyan mesterségesintelligencia-alapú szoftverek, melyek a fenti képanyag kiértékelésére alkalmasak. Ráadásul – mint azt a bőrgyógyászati példán is láttuk – a szoftver teleradiológiai integrációja lehetővé tesz és tett is (!) egy olyan hálózatot, mely a CT-vizsgálat helyétől függetlenül biztosítja a vizsgálatok egységes, gyors, minőségbiztosított értékelését. Pályázati forrás segítségével, a PTE és OMIII szervezésében hazánk összes stroke-centrumában működik a fenti döntéstámogató rendszer. Óriási eredmény, hogy néhány perccel a képek feltöltése után rendelkezésre áll a diagnosztikus eredmény.

A harmadik előadásban (Mit adhat a mesterséges intelligencia az onkológiai képalkotó diagnosztikához?) Gődény Mária, az MTA doktora (Országos Onkológiai Intézet) áttekintést adott arról, ahogy a képalkotó technika rohamos fejlődése lehetővé tette a daganatok kvalitatív elemzésén túl szöveti, sejtszintű és molekuláris folyamatok kvantitatív mérését is. A „hagyományos”, szabályalapú intelligens algoritmusok mellett beváltak a gépi tanulási módszerek. Hatalmas, több tíz – százezres képi adatbankokon történt betanítást követően az MI-algoritmusok a képfeldolgozás és értékelés legkülönbözőbb területein váltak használhatóvá. Főleg a nagy digitális rétegképalkotó eljárások, elsősorban az MR, PET/MR területén gyorsult fel a fejlesztés. A javult képminőség, a csökkenő vizsgálati idő mind a diagnosztika minőségét javítja. Az MI – melyet eleinte a képminőség javítására „treníroztak” – a képek feldolgozásánál a szegmentációval, a szövetek karakterizálásával, különböző diagnosztikus modalitások adatfúziójával is hozzájárult a pontos diagnosztikai munkához.

Győrffy Balázs, az MTA doktora (Semmelweis Egyetem, Bioinformatika Tanszék) áttekintést adott a felügyelt és nem felügyelt gépi tanulási algoritmusokról. Izgalmas, ahogy a nem felügyelt tanulás is kivitelezhető, így az adatbázisokban rejtett tulajdonságok tárhatóak fel. A felügyelt tanulás könnyebben érthető, ott megadott osztályozási vagy lineáris regresszió módszerekkel juthatunk eredményekhez. A fenti módszerekkel akár diagnózis, de prognózis megállapítására is célozhatunk. Egy példa volt a kemoterápia kiválasztása transzkriptomaadatok alapján, több lépéses folyamatban, az úgynevezett köztes esetek egyéni elbírálására. Ez jelentős előrelépés, a protokollok mechanikus alkalmazásától a személyre szabott döntésig. Több mint 3500 beteg transzkriptomaadatait dolgozták fel, kombinált, többlépéses osztályozással. Részben saját fejlesztésű, dinamikus osztályozással, amelynek az eredményét ellenőrizték kereskedelmi forgalomban lévő osztályozó algoritmusokkal. Ez a módszer jó eredményeket adott, de igen drága, emiatt nagy számban nehezen elérhető vizsgálatot igényel. Újabb lépés egy hasonló osztályozásra a lehetőség a meglévő klinikai adatok alapján. Erre voltak korábbi próbálkozások, sőt termékként elérhető algoritmusok (mint a PREDICT, vagy a CancerMath). Ezek ismert korlátjai miatt saját MI-algoritmus kidolgozása mellett döntöttek, használva az egyesült államokbeli SEER adatbázist. Az így kialakított rendszer képes tanácsot adni, hogy a kétséges stádiumú betegeknél szükség van-e kemoterápiára.

A záró előadást Fésűs László, az MTA rendes tagja tartotta az MI és a tudományetika viszonyáról. Fésűs akadémikus a tudomány hitelessége, felelőssége felől közelítette meg a témát. A tág nézőpontból a kutatás szabadságára és határaira fókuszált. Az MI – hasonlóan más új tudományos eredményekhez – új morális dilemmákat és kihívásokat vet fel. A robbanásszerű fejlődés óriási felelősséggel jár: hogyan lehet megőrizni az MI világában is a morális felelősséget, a kutatói integritást. Tanítható-e az MI ezekre az aspektusokra? Fontos, megválaszolandó kérdés, hogy a tudomány miként tájékoztassa a társadalom egészét, különösen a döntéshozókat? A nukleáris tudományok eredményeinek használata kapcsán megtanultuk, hogy az MI képességnövekedésének is kell, hogy legyenek határai, vagyis, hogy a képességnövelés törvényekkel ellenőrzött módon történjen. A tudományetika az egyéni kutatói szempontból a tudományos közösség által kialakított szabályok követését jelenti. Mára az MI eszköztárának használata része lett a kutatómunkának. A közleményekben jelezni kell, hogy milyen MI-platformot, mihez, milyen mértékben használt fel a kutató eredményei elérésében. Ennek kapcsán problémát jelenthet a hatalmas mennyiségű, többrétegű MI-adatkezelési képesség, vagy az otthoni monitorozás kapcsán annak tömegessége, a személyhez fűződő adatvédelem megőrzése. Megjelentek az MI-generált, valós kutatással nem alátámasztott eredmények, képek és szöveg alapján gyártott áltudományos publikációk is, amelyek az egyéni karrierépítés immorális és illegális eszközévé váltak. Ez a terület sürgős, hathatós, betartható szabályozásra szorul. Ez folyamatban van több nemzetközi fórumon: a WHO közzétette ajánlásait és EU-s szabályozás is készül. Az USA-ban a nagy technológiacégek önszabályozása van folyamatban, de léteznek elnöki direktívák is. Kínában államigazgatási eszköz az MI, a lakosság profilírozása ilyen algoritmusokkal történik. Az előadó megállapította, hogy az MI fejlődése további kérdéseket vet fel, de addig is igényli a kutatói közösség önszabályozását. Az előadás pozitív hangvétellel zárult, remélve, hogy végül az MI eszközként segíti majd a tudomány haladását.

A délutáni előadásokat is kerekasztal követte, amelyben említették az engedélyezési szabályokat. A képalkotás terén egyértelmű, hogy a klinikus nem győzi a képértékelés iránti igényeket. De – miközben a humán validálásra mindig szükség van – megfelelő irányelvekkel, hazai adatbázisokkal jól működhet ez az eszköztár, hiszen objektív adatokon alapul. Felmerültek a költségek is: az MI-alkalmazásra különböző pénzügyi modellek vannak, a már kifejlesztett rendszerek használata viszonylag olcsó. Kérdés a minőségellenőrzés, a validálás módja. Szó esett a nem kontrollált generatív MI-alkalmazásról (például deep fake news), ami miatt az USA-ban elnöki utasítások is megjelentek. Visszatérve a hazai tapasztalatokra, felvetődött, hogy miközben az MI-alkalmazás elöl jár, az ellátási lánc más elemei elmaradtak, például a stroke-ellátásban. Szó volt az MI lehetséges gyakorlatairól, annak szükségességéről, hogy az orvostársadalom megismerje, helyén kezelje ezt az eszköztárat. Megemlítettem egy hozzászólásban a LAM MI rovatát is mint ennek lehetséges terepét.