Άρθρο Σύνταξης

4^η Βιομηχανική Επανάσταση, Τεχνητή Νοημοσύνη και Ιατρική των Ζώων Συντροφιάς

Σύμφωνα με τον Klaus Schwab, ιδρυτή του Παγκόσμιου Οικονομικού Forum, «στεκόμαστε στο χείλος μιας τεχνολογικής επανάστασης που θα αλλάξει ριζικά τον τρόπο με τον οποίο ζούμε, εργαζόμαστε και σχετιζόμαστε μεταξύ μας. Δεν γνωρίζουμε ακόμη πώς ακριβώς θα εξελιχθεί, αλλά ένα πράγμα είναι σαφές: η αντίδραση σε αυτή πρέπει να είναι ολοκληρωμένη και ενιαία, περιλαμβάνοντας όλους τους εμπλεκόμενους φορείς της παγκόσμιας πολιτείας, από τους δημόσιους και ιδιωτικούς τομείς μέχρι την ακαδημαϊκή κοινότητα και την κοινωνία των πολιτών».

  Η 1^η Βιομηχανική Επανάσταση χρησιμοποίησε την υδροκίνηση και την ατμοκίνηση για την μηχανοποίηση της παραγωγής. Η 2^η χρησιμοποίησε την ηλεκτρική ενέργεια για τη δημιουργία μαζικής παραγωγής και η 3^η την ηλεκτρονική και την πληροφορική για την αυτοματοποίησή της. Η 4^η Βιομηχανική Επανάσταση αφορά στην τρέχουσα φάση της βιομηχανικής ανάπτυξης που χαρακτηρίζεται από την ενσωμάτωση προηγμένων τεχνολογιών στον ψηφιακό, φυσικό και βιολογικό κόσμο. Περιλαμβάνει τη συγχώνευση τεχνολογιών όπως η Τεχνητή Νοημοσύνη (ΤΝ), η Ρομποτική, το Διαδίκτυο των Πραγμάτων, η Τρισδιάστατη Εκτύπωση, η Νανοτεχνολογία. Η 4^η Βιομηχανική Επανάσταση χαρακτηρίζεται από την ταχύτητα, την έκταση και τον αντίκτυπο των αλλαγών που επιφέρει σε όλους τους τομείς της κοινωνίας, μεταβάλλοντας ριζικά τον τρόπο με τον οποίο ζούμε, εργαζόμαστε και αλληλεπιδρούμε.

  Η ΤΝ, ο κλάδος της πληροφορικής που ασχολείται με τη δημιουργία συστημάτων που μπορούν να εκτελούν εργασίες που συνήθως απαιτούν ανθρώπινη νοημοσύνη και κύρια συνιστώσα της 4^ης Βιομηχανικής Επανάστασης, δεν είναι κάτι καινούργιο. Ο όρος «τεχνητή νοημοσύνη» χρησιμοποιήθηκε για πρώτη φορά το 1955 από τον John McCarthy. Την τελευταία δεκαετία η ΤΝ αναπτύσσεται με ρυθμούς γεωμετρικής προόδου, λόγω της αύξησης της υπολογιστικής ισχύος, της ψηφιοποίησης και της διαθεσιμότητας μεγάλου όγκου δεδομένων.

  Η καθημερινότητά μας επηρεάζεται σε μεγάλο βαθμό από την ΤΝ. Οι ταινίες και τα τηλεοπτικά προγράμματα που μας προτείνονται και παρακολουθούμε, η μουσική που ακούμε, το κείμενο που πληκτρολογούμε στον υπολογιστή ή στο κινητό μας, το λογισμικό μετάφρασης, η διαχείριση του ηλεκτρονικού ταχυδρομείου μας, οι φωτογραφίες που βγάζουμε και πλήθος άλλες δραστηριότητές μας, επηρεάζονται σε μικρό η μεγάλο βαθμό από την ΤΝ. Το έξυπνο ρολόι μας, μας ενημερώνει καθημερινά για την ποιότητα του ύπνου και μας προτείνει εξατομικευμένο πρόγραμμα γυμναστικής σύμφωνα με την φυσική μας κατάσταση και τους στόχους που έχουμε θέσει, συνδυάζοντας πληροφορίες του ανθρώπινου σώματος με τον ψηφιακό κόσμο.

Λίγοι ορισμοί….
Η Ιατρική και η Κτηνιατρική δεν θα μπορούσαν να απουσιάζουν ως πεδία ανάπτυξης και χρήσης της ΤΝ Για να κατανοήσουμε πώς λειτουργεί και πώς εφαρμόζεται η ΤΝ στην κτηνιατρική πρακτική, πρέπει να γνωρίζουμε μερικές γενικές έννοιες και όρους.

  Υπάρχουν διάφοροι τύποι ΤΝ. Τα συστήματα ΤΝ που σχεδιάζονται για μια πολύ συγκεκριμένη λειτουργία (περπάτημα, ομιλία, μετάφραση, η απάντηση σε ένα συγκεκριμένο κλινικό ερώτημα), είναι συστήματα «στενής» ή «αδύναμης» ΤΝ. Η ΤΝ που έχει νοημοσύνη παρόμοια με το ανθρώπου είναι γνωστή ως «γενική» ή «ισχυρή» ΤΝ, ενώ εκείνη με νοημοσύνη μεγαλύτερη της ανθρώπινης είναι γνωστή ως «υπερνοημοσύνη». Παρά την αυξανόμενη πολυπλοκότητα και ικανότητα των υπολογιστών, δεν υπάρχουν συστήματα υπολογιστών που να πλησιάζουν είτε τη γενική είτε την υπερνοημοσύνη και σύμφωνα με ορισμένους ερευνητές ίσως να μην υπάρξουν ποτέ.

  Η «Μηχανική Μάθηση» (ΜΜ) είναι ο υποτομέας της ΤΝ όπου οι αλγόριθμοι εκπαιδεύονται να εκτελούν εργασίες μαθαίνοντας μοτίβα από δεδομένα και όχι μέσω προγραμματισμού. Η ΜΜ αναπτύσσεται και βελτιώνεται χρησιμοποιώντας ένα σύστημα που περιλαμβάνει διαδικασίες εκπαίδευσης, δοκιμής και επικύρωσης. Σύμφωνα με τους τύπους μάθησης αυτή μπορεί να είναι επιβλεπόμενη, μη επιβλεπόμενη και ημιεπιβλεπόμενη. Στην επιβλεπόμενη μάθηση, χρησιμοποιούνται επισημασμένα σύνολα δεδομένων για την εκπαίδευση αλγορίθμων να ταξινομούν δεδομένα ή να προβλέπουν αριθμούς. Η πιο κοινή και συχνότερα χρησιμοποιούμενη μέθοδος ΜΜ στην διαγνωστική απεικόνιση είναι η επιβλεπόμενη, η οποία προϋποθέτει τα αποτελέσματα των ιατρικών δεδομένων να είναι γνωστά (επισημασμένα) πριν την εκπαίδευση του μοντέλου ΜΜ. Στη μη επιβλεπόμενη μάθηση, ο αλγόριθμος ΜΜ δημιουργεί το δικό του σύνολο κριτηρίων με τα οποία ταξινομεί μη επισημασμένα δεδομένα ή προβλέπει αποτελέσματα, βοηθώντας την κατανόησή τους και εξετάζοντας αν υπάρχουν πιθανοί κλινικοί συσχετισμοί. Η ημιεπιβλεπόμενη μάθηση χρησιμοποιεί μια συνδυαστική προσέγγιση και μπορεί να είναι πολύτιμη για την ανάπτυξη αλγορίθμων όταν κάποια από τα δεδομένα λείπουν από το αποτέλεσμα. Αυτές οι μέθοδοι ΜΜ, θεωρούνται ως «κλασική ΜΜ». Η σύγχρονη ΜΜ περιλαμβάνει τα «τεχνητά νευρωνικά δίκτυα» (ΤΝΔ) και τη «βαθιά μάθηση» (ΒΜ). Τα ΤΝΔ, όπως υποδηλώνει το όνομά τους, είναι τεχνητά δικτυακά συστήματα υπολογιστών που προσομοιώνουν την έννοια των ανθρώπινων νευρώνων και, όπως αυτοί, έχουν πολλές εισόδους και εξόδους και συνδέονται με άλλους κόμβους, με πολλές εισόδους και εξόδους. Τα δεδομένα εισόδου για τα ΤΝΔ μπορεί να είναι για παράδειγμα η ιατρική εικόνα. Η εικόνα επεξεργάζεται και φιλτράρεται μέσω μιας σειράς «στρωμάτων» που βοηθούν στην πρόβλεψη του αποτελέσματος. Εδώ εισέρχεται η «βαθιά μάθηση», που βασίζεται σε πολλαπλά επίπεδα επεξεργασίας (συνήθως περισσότερα από 10) τεχνητών νευρωνικών δικτύων και επιτρέπει τον χειρισμό και την επεξεργασία από τον αλγόριθμο εξαιρετικά σύνθετων δεδομένων, όπως για παράδειγμα οι ιατρικές απεικονίσεις.

ΤΝ στην ιατρική των ζώων συντροφιάς
Οι πιθανές εφαρμογές της ΤΝ στην ιατρική των ζώων συντροφιάς είναι πάρα πολλές και αφορούν σχεδόν κάθε πτυχή της κτηνιατρικής επιστήμης. Εφόσον υπάρχουν διαθέσιμα και διαχειρίσιμα ψηφιακά δεδομένα, οι τεχνολογίες ΤΝ μπορούν να αξιοποιηθούν. Για παράδειγμα στην κτηνιατρική διαγνωστική απεικόνιση εφαρμογές της ΤΝ επικεντρώνονται στην ανίχνευση παθολογικών ευρημάτων, στην περιγραφή τους και στην κατηγοριοποίησή τους. Η ραδιομική (radiomics) έχει ως αντικείμενο την εξαγωγή μεγάλων αριθμών ποσοτικών χαρακτηριστικών από ιατρικές εικόνες με την χρήση αλγορίθμων χαρακτηρισμού δεδομένων. Τα δεδομένα που συλλέγονται αξιολογούνται και χρησιμοποιούνται για την δημιουργία μοντέλων TN, για τη βελτίωση των κλινικών αποφάσεων. Η ραδιομική εφαρμόζεται στις περισσότερες απεικονιστικές μεθόδους. Επίσης μπορεί να χρησιμοποιηθεί σε συνδυασμό με κλινικά, βιοχημικά και γενετικά δεδομένα για μεγαλύτερη διαγνωστική ακρίβεια, την εκτίμηση της πρόγνωσης και την πρόβλεψη της ανταπόκρισης στην θεραπεία. Παρόμοιοι αλγόριθμοι μπορούν να εφαρμοστούν από τους εντατικολόγους στις μονάδες εντατικής θεραπείας, μειώνοντας τον απαιτούμενο χρόνο διάγνωσης. Βιοχημικοί και αιματολογικοί αναλυτές περιλαμβάνουν συστήματα ΤΝ και με τη χρήση εξειδικευμένων αλγορίθμων παρέχουν κλινική ερμηνεία των αποτελεσμάτων. Εφαρμογές ΤΝ αναλύουν την κίνηση και την συμπεριφορά των ζώων, διευκολύνοντας την κλινική και ορθοπεδική τους εξέταση. Η χρήση εφαρμογών ΤΝ μπορεί να φανεί χρήσιμη ακόμη και στη διαχείριση του κοινωνικού προβλήματος των αδέσποτων ζώων.

  Οι Bouchemla et al δημοσίευσαν το 2023 τα αποτελέσματα της συστηματικής ανασκόπησης όλων των σχετικών με την ΤΝ διεθνών δημοσιεύσεων και επιστημονικών ανακοινώσεων. Έως την 22^η Μαρτίου 2023, δημοσιεύτηκαν/ανακοινώθηκαν 812 εργασίες. Συνολικά, 192 μελέτες αφορούσαν την διαγνωστική απεικόνιση, 93 την εκπαίδευση των κτηνιάτρων, 91 τη ζωική παραγωγή, 86 την επιδημιολογία, 63 την υγεία και ευζωία, 55 την παθολογία και 33 τη μικροβιολογία. Λιγότερες εργασίες αφορούσαν τη χρήση της ΤΝ στην τοξικολογία, τη φαρμακολογία, την ογκολογία, την αιματολογία, την ανατομία, τη διατροφή, την αναισθησιολογία, την στατιστική, το περιβάλλον και την οικολογία, την βιοχημεία, την ιστολογία και την εμβρυολογία. Είναι προφανές ότι η χρήση της ΤΝ αφορά σχεδόν όλο το φάσμα της κτηνιατρικής επιστήμης.

Προβληματισμοί για το σήμερα και για το μέλλον…
Έχουν ήδη εκφραστεί ανησυχίες σχετικά με ζητήματα που αφορούν την υιοθέτηση τεχνολογιών ΤΝ στην κτηνιατρική και τα οποία περιλαμβάνουν τη δικαιοδοσία, τη διαφάνεια, τη ρύθμιση, τη δικαιοσύνη και την προκατάληψη, την ιδιωτικότητα, την ιδιοκτησία, την ευθύνη και την εποπτεία.

  Δεν υπάρχει διαδικασία έγκρισης ιατρικών συσκευών που χρησιμοποιούν ΤΝ για κτηνιατρική χρήση. Οι τεχνολογίες ΤΝ για κτηνιατρική χρήση θα πρέπει να εγκρίνονται από μια ρυθμιστική αρχή πριν από τη χρήση τους και στη συνέχεια να παρακολουθούνται περιοδικά για να διασφαλιστεί ότι είναι ενημερωμένες και παραμένουν έγκυρες. Τα χαρακτηριστικά των δεδομένων εκπαίδευσης και δοκιμής, ο τύπος του αλγορίθμου που χρησιμοποιήθηκε και τα δεδομένα απόδοσης του συστήματος θα πρέπει να είναι γνωστά. Εάν ο κτηνίατρος δεν γνωρίζει τα χαρακτηριστικά των δεδομένων που χρησιμοποιήθηκαν για την παραγωγή ενός προϊόντος ΤΝ, δεν θα μπορέσει να αξιολογήσει την ακρίβεια του, το εύρος της κλινικής εφαρμογής του και τους περιορισμούς του, ούτε να κρίνει τα πιθανά οφέλη ή τους πιθανούς κινδύνους από τη χρήση του. Οι αλγόριθμοι απαιτούν επίσης ένα σχέδιο διαχείρισης, το οποίο περιγράφει τις διαδικασίες εποπτείας και διασφάλισης ποιότητας που είναι απαραίτητα για να διασφαλιστεί η εγκυρότητά τους. Ορισμένα συστήματα ΜΜ είναι εξελισσόμενα και καθώς συνεχίζουν να μαθαίνουν, είναι πιθανό τα αποτελέσματά τους να αλλάζουν. Προφανώς αυτά τα συστήματα δεν μπορούν να χρησιμοποιούνται στην καθημερινή πράξη για εμπορικούς σκοπούς, είναι όμως ιδανικά για έρευνα και ανάπτυξη. Τα εμπορικά συστήματα πρέπει να είναι «κλειδωμένα» για να παρέχουν επαναλαμβανόμενα αποτελέσματα.

  Ο James Bellamy εξέφρασε το 2023 συγκεκριμένα ερωτήματα τα οποία χρήζουν άμεσης απάντησης και τα οποία συνοψίζονται παρακάτω: Γνωρίζοντας ότι τα δεδομένα στην εποχή της ΤΝ έχουν τεράστια αξία, ποιος είναι ο κάτοχος αυτών των δεδομένων; Πώς διασφαλίζεται η εμπιστευτικότητα και η ασφάλεια των πληροφοριών των ασθενών; Τα κτηνιατρικά ιατρικά αρχεία είναι εμπιστευτικά και δεν πρέπει να αποκαλύπτονται εκτός εάν υπάρχει συγκατάθεση από τον κηδεμόνα του ασθενούς. Πώς και από ποιον θα ενημερώνεται ο κηδεμόνας για την πιθανή χρήση των ιατρικών δεδομένων του ζώου του για την ανάπτυξη ενός αλγορίθμου σε ένα σύστημα ΤΝ μηχανικής μάθησης; Θα μπορούν τα μεγάλα σύνολα δεδομένων ιατρικών αρχείων να τοποθετηθούν στον δημόσιο τομέα ώστε όλοι να μπορούν να επωφεληθούν από τη χρήση τους; Πρέπει τα αποτελέσματα ενός συστήματος ΤΝ να γίνονται αποδεκτά στην κτηνιατρική χωρίς την εποπτεία κτηνιάτρου; Ποιος ευθύνεται όταν μια τεχνολογία ΤΝ αποτυγχάνει; Αν ένας κτηνίατρος χρησιμοποιήσει ένα προϊόν ΤΝ που παράγει ένα εσφαλμένο αποτέλεσμα, οδηγώντας στον θάνατο ενός ζώου, πώς θα αξιολογηθεί/επιμεριστεί η ευθύνη; Εάν το προϊόν ΤΝ αποτύχει, είναι διαφορετικές οι ευθύνες ανάλογα με το αν είναι το σύνολο δεδομένων ή ο αλγόριθμος εσφαλμένος; Πρέπει να απαιτείται η συγκατάθεση του ιδιοκτήτη του ασθενούς πριν από την εφαρμογή ενός συστήματος ΤΝ στην κτηνιατρική πρακτική; Αν ένας κτηνίατρος αγνοήσει το σωστό αποτέλεσμα ενός προϊόντος ΤΝ και λάβει μια διαφορετική απόφαση που είναι λανθασμένη, είναι υπεύθυνος ο κτηνίατρος για την αγνόηση του αποτελέσματος της ΤΝ; Όλα τα ζητήματα ιδιωτικότητας και ιδιοκτησίας πρέπει να αντιμετωπιστούν άμεσα και οι σχετικές ευθύνες και υποχρεώσεις των κατασκευαστών-χρηστών-πελατών των εφαρμογών ΤΝ πρέπει να αποσαφηνιστούν, πριν η χρήση των συστημάτων ΤΝ στην κτηνιατρική γίνει ρουτίνα.

  Ένα σημαντικό πρώτο βήμα έγινε πρόσφατα. Στις 13 Μαρτίου 2024 το Ευρωπαϊκό Κοινοβούλιο ενέκρινε το πρώτο ολοκληρωμένο νομοθετικό πλαίσιο για την ρύθμιση της Τεχνητής Νοημοσύνης (ΤΝ), το οποίο θα τεθεί σε ισχύ μέχρι τον Ιούλιο 2024 και σε πλήρη εφαρμογή το καλοκαίρι του 2026. Είναι όμως απαραίτητο να συνεχιστεί η προσπάθεια ανάπτυξης μιας ρυθμιστικής δομής σχετικής με τη χρήση συστημάτων ΤΝ στην κτηνιατρική αλλά και ενός ρυθμιστικού πλαισίου για τη χρήση των κτηνιατρικών ιατρικών δεδομένων. Οι κτηνίατροι ίσως θα πρέπει να τροποποιήσουμε και να περιχαρακώσουμε τις ηθικές κατευθυντήριες γραμμές που αφορούν την κτηνιατρική πρακτική ώστε να αντιμετωπίσουμε τις πολλές προκλήσεις που προκύπτουν από τη χρήση συστημάτων ΤΝ και να τα εντάξουμε με ασφάλεια στην καθημερινή μας εργασία.

  Μια συντονισμένη προσπάθεια ή οποία θα περιλαμβάνει όλους τους σχετικούς φορείς ίσως θα πρέπει άμεσα να ξεκινήσει…

Γιώργος Μαντζιάρας
Κτηνίατρος, Διδάκτορας,
ECAR resident, Ελεύθερος επαγγελματίας,

Αθήνα

 

Βιβλιογραφία

• Appleby and Basran (2022) Artificial intelligence in veterinary medicine. J Am Vet Med Assoc 30, 260(8): 819-824.
• Bellamy JEC (2023) Artificial intelligence in veterinary medicine requires regulation. Can Vet J 64(10), 968-970.
• Bouchemla F, Akchurin SV, Akchurina IV, Dyulger GP, Latynina ES, Grecheneva AV (2023) Artificial intelligence feasibility in vet- erinary medicine: A systematic review, Veterinary World, 16(10): 2143–2149.
• Candelon F, Charme di Carlo R, De Bondt M, Evgeniou T (2021) AI regulation is coming: How to prepare for the inevitable. Harvard Business Review, 99.
• Currie G. A muggles guide to deep learning wizardry. Radiography (Lond) 2022, 28(1): 240–248.
• Fjelland R (2020) Why general artificial intelligence will not be realized. Humanit Soc Sci Commun 7:10.
• Gillies RJ, Kinahan PE, Hricak H (2016) Radiomics: images are more than pictures, they are data. Radiology Radiology 278: 2, 563-577.
• Jiang F, Jiang Y, Zhi H, et al (2017) Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol 2(4): 230–243.
• Kaul V, Enslin S, Gross SA (2020) History of artificial intelligence in medicine. Gastrointest Endosc 92(4): 807–812.
• Rizzo S, Botta F, Raimondi S, Origgi D, Fanciullo C, Morganti AG, Bellomi M (2018) Radiomics: the facts and the challenges of image analysis. Eur Radiol Exp 2:36.
• Schwab K (2016) The Fourth Industrial Revolution. Geneva, Switzerland: World Economic Forum.
• Shen YT, Chen L, Yue WW, Xu HX (2021) Artificial intelligence in ultrasound. Eur J Radiol: 139:109717.
• Waljee AK, Higgins PDR (2010) Machine learning in medi¬cine: a primer for physicians. Am J Gastroenterol 105(6): 1224–1226.
• Wischmeyer T, Rademacher T (2020) Regulating Artificial Intelligence. Cham, Switzerland: Springer Nature.
• Yoon (2017) What we need to prepare for the fourth industrial revolution, Healthc. Inform. Res, 23 (2) 75–76.