Technologická i laická média dnes často skloňují různá využití umělé inteligence v medicíně. Ta prý buď zcela nahradí lékaře, nebo jako kouzelná skříňka vyřeší přeplněné čekárny a nedostatek kapacit v našem systému zdravotní péče. Skutečnost v ambulancích je ale mnohem prostší. Zapomeňte na autonomní agenty, kteří sami rozhodují o léčbě.
Co se dozvíte v článku
V praxi mluvíme o takzvané rozšířené inteligenci (augmented intelligence). Strojové učení v ordinacích slouží jako digitální asistent pro analýzu obrazu, zvuku a textu. Pomáhá lékařům odhalovat patologie, čistit signál, strukturovat dokumentaci a chránit pacienty před lidským selháním.
Jak tyto technologie fungují pod kapotou? V čem spočívají jejich největší úskalí a kde už dnes reálně jistí lékařům záda?
Když model vidí pravítko místo rakoviny
Každý medicínský model stojí na trénovacích datech. Právě v nich ale vězí největší past: statistické zkreslení neboli bias. Pokud trénovací sadu zatížíte systematickou chybou, model ji pouze matematicky zopakuje a často ještě zvýrazní.
Ukázat si to můžeme na banálním příkladu. Běžné jazykové překladače (myšleno např. mezi angličtinou a češtinou, ne kompilátory programů) bez kontextu automaticky generují genderové stereotypy. Vedoucím pozicím přiřazují mužský rod, úklidovému personálu nebo péči o nemocné dítě zase rod ženský.
V medicíně ale nekvalitní dataset napáchá mnohem větší škody než nepřesný překlad. Učebnicovým příkladem selhání počítačového vidění je model pro rozpoznávání melanomu. Výzkumníci jím byli zpočátku nadšeni, protože na testovacích datech vykazoval skvělé výsledky.
V reálné ordinaci ale zcela selhal. Proč? Narazil na takzvaný únik informací (leakage). Snímky zhoubných nádorů totiž v trénovací sadě často obsahovaly kalibrační pravítko (nebo jeho stín), které tam lékaři přiložili při focení. Model se tak nenaučil poznat rakovinu kůže, ale pouhou přítomnost pixelů pravítka.
Stejně vážný problém představuje demografické zkreslení. Když model vycvičíte na snímcích pacientů kavkazského typu, u lidí s jiným fototypem pleti bude chybovat. Bez důsledného testování a kalibrace pak hrozí naddiagnostikování (overdiagnosis) a zbytečná léčba (overtreatment).
Vývojáři proto v medicíně stále častěji nasazují metody pro vysvětlitelnou umělou inteligenci (Explainable AI), jako jsou frameworky Grad-CAM, SHAP, LIME a další. Tyto matematické nástroje pomáhají rozbalit „černou skříňku“ modelu. Lékař pak přesně vidí, které konkrétní pixely či příznaky vedly k danému doporučení.
Jak technika rozšiřuje smysly
Strojové učení vyniká v analýze nestrukturovaných dat v reálném čase, zejména obrazu a zvuku. V lékařské praxi tak funguje jako digitální šestý smysl.
Počítačové vidění
K analýze rentgenů, magnetické rezonance či CT lékaři používají hluboké konvoluční sítě. V Česku už pomáhají projekty jako Carebot, který na rentgenových snímcích hledá patologické léze, nebo Aireen, která z očního pozadí odhaluje poškození sítnice u chronických onemocnění.
Tyto programy slouží jako pomocný nástroj – snižují riziko, že lékař v záplavě diagnostických informací něco přehlédne. Podobné sítě navíc analyzují histologické vzorky tkání nebo jednorozměrný signál z EKG, kde automaticky detekují poruchy srdečního rytmu nebo jiné patologie.
Chytré zpracování zvuku v audiologii
Moderní naslouchátka už dávno nejsou jen hloupé zesilovače. Výrobci do nich montují specializované mikročipy pro digitální zpracování signálu. Ty v reálném čase odfiltrovávají hluk okolí a vytahují lidskou řeč. Systém reaguje dynamicky: potlačí rachot kavárny a cinkání lžiček, ale podobně znějící důležitý zvuk – třeba padesátikorunu spadlou na dlažbu – do ucha propustí.
Analýza a syntéza hlasu
Spektrální analýza hlasu slouží jako neinvazivní diagnostická pomůcka. Klasifikační algoritmy zachytí mikroskopický třes, změny frekvence a časování slabik, které lidské ucho nepostřehne. Díky tomu dokážou včas varovat před Alzheimerovou chorobou.
Skvělým pomocníkem je také takzvaný voice banking. Pokud pacienta čeká operace hrtanu, při které přijde o hlasivky, software si dopředu nahraje jeho mluvený projev. Z něj pak vytrénuje model pro syntézu řeči. Pacient po zákroku mluví s okolím pomocí tabletu, ale ze syntetizátoru zní jeho vlastní, původní hlas.
Velké jazykové modely a analýza dat v roli asistentů
S rozvojem velkých jazykových modelů (LLM) a zpracování přirozeného jazyka (NLP) se zásadně mění práce s textem a daty.
Redukce invazivních metod
Díky multimodální analýze dat a modernímu zobrazování nebo prolínání obrazů z různých modalit (například MRI + PET) už lékaři nemusejí posílat pacienty na bolestivou biopsii. Potřebné informace získají neinvazivně.
Detekce anomálií a vzácných onemocnění
Vzácná genetická onemocnění, jako je Williamsův syndrom, doprovázejí specifické rysy v obličeji. Běžný lékař se s nimi za celou kariéru setká třeba jen jednou. Klasifikační modely vytrénované na milionech snímků z celého světa ale tyto jemné detaily okamžitě odhalí a nasměrují lékaře k rychlé diagnóze.
Klinické vyhledávací systémy bez halucinací
Pokud lékař potřebuje najít správný postup, nepoužije běžný generativní model – ten by si mohl vymýšlet fakta. Místo toho sáhne po architektuře RAG (Retrieval-Augmented Generation), kterou využívají nástroje jako Glass Health či OpenEvidence.
Systém nejprve prohledá recenzované medicínské databáze (např. PubMed nebo přímo odborné časopisy). Teprve z nalezených zdrojů pak sestaví odpověď. To minimalizuje riziko chyb, když lékař řeší složitou kombinaci nemocí (např. cukrovku, vysoký tlak a selhávání ledvin zároveň).
Scribe technologie a automatická strukturalizace textu
Papírování a datlování do klávesnice požírá lékařům dost času. Nástroje jako Auris One proto využívají technologii rozpoznávání řeči přímo v ordinaci. Systém tiše poslouchá hovor s pacientem, odfiltruje běžnou řeč a pomocí specializovaného jazykového modelu vytáhne podstatné informace. Tato technologie představuje vysvobození pro vysokoprůtokové ambulance a urgentní příjmy.
Stejně tak ale pomáhá v tichém, empatickém prostředí hospicové péče při citlivých rozhovorech s pacienty a jejich rodinami. Během chvilky systém sám sestaví strukturovanou lékařskou zprávu, anamnézu i závěr, které stačí jedním kliknutím uložit do kartotéky. Lékař se tak může plně soustředit na člověka před sebou.
Ochrana dat a pacienti jako uživatelé
Propojení medicíny a IT naráží na přísná pravidla kybernetické bezpečnosti a ochrany osobních údajů. Zdravotní data chrání přísná legislativa. Vývojáři proto musí stavět architekturu tak, aby modely běžely lokálně (on-premises), nebo citlivá data před odesláním do cloudu důsledně anonymizovat přes zabezpečené datové toky (anonymizační, deidentifikační pipelines, ETL…).
Své zdraví ale pomocí volně dostupných chatbotů začínají analyzovat i samotní pacienti. Ti v nich hledají virtuální poradce nebo překladače složité lékařské mluvy.
Strojové učení v medicíně nemá nahradit lidskou blízkost, klinickou empatii a zkušenosti. Medicína totiž zůstává uměním, které vyžaduje lidský úsudek a porozumění kontextu. Cílem technologií je pouze minimalizovat chyby, odbourat papírování a dodat správná data v pravou chvíli.
Umělá inteligence lékaře nenahradí. Ti lékaři, kteří s ní ale začnou pracovat jako s parťákem, rychle utečou kolegům, kteří si tento technologický vlak nechají ujet.
ČLÁNKY DO MAILU