Hamarosan szoftverek állapíthatják meg, milyen betegségtől szenvedünk, pusztán a különböző labor- és vizsgálati eredményekből.

A gépek már ma is nagy szerepet játszanak az egészségügyben. Az MRI letapogatók betekintést nyújtanak a test belsejébe, a vérminták elemzése is automatizált, az emberi tudás azonban mindig szerves része volt a folyamatnak. Ha egy felvételen árnyékot látnak, az onkológus állapítja meg a jelentőségét. Az orvosok azonban sokszor elfoglaltak és túlterheltek, ami hibázáshoz, vagy az árulkodó tünetek feletti elsikláshoz vezethet. Ha a számítógépekkel sikerül megismertetni az egészségügyi fortélyokat, talán felgyorsíthatják, sőt akár alaposabbá is tehetik a diagnózisok felállítását.

Az új megközelítés középpontjában a gépi tanulás előrelépései állnak. Azonban az áttörések ellenére is a szoftverek rengeteg virtuális kapaszkodót igényelnek, a felvételeket pontosan kell beállítani, és szükség van emberi szakértőre a szoftver betanítására, hogy az felismerje a rendelkezésére álló adatokból a valós problémákat.

Az egyik legújabb technika, a deep learning, avagy "mély tanulás" jóval nagyobb rugalmasságot ígér. A szoftver egyszerre több szinten dolgozik, egy felvétel esetében a számítógép feldolgozhatja a széleket és a vonalakat külön-külön, miközben egészében is szemléli a képet. A lényeg, hogy a mély tanulás következtetéseket is képes tenni egy különböző koncepciókat magába foglaló adathalmazról emberi segítség nélkül. Andrew Bradley, az ausztrál Queensland Egyetem szakértője szerint ez lehet az, ami átírhatja a játékszabályokat az orvoslásban. "Képes könnyedén kombinálni különböző nézetű és modalitású felvételeket" - mondta.

Vegyünk egy mellrák vizsgálatot. A diagnózis felállításához jellemzően három forrás szükséges: röntgen, MRI és ultrahang. Ezek keresztvizsgálata munka- és időigényes, de nem a mély tanulással. Bradley és munkatársai elkészítettek egy prototípus rendszert, ami automatikusan elvégzi a keresztvizsgálatokat, felfedve a különböző utalásokat, összefüggéseket. A rendszert októberben mutatják be egy Münchenben megrendezésre kerülő nemzetközi számítógépes gyógyászati konferencián.

Az izraeli Tel Aviv Egyetem kutatói is alkalmazzák a mély tanulást a mellkas röntgeneknél. Eddig rendszerük elsajátította a szív megnagyobbodás és a tüdő körüli folyadék felgyülemlés diagnosztizálását. Az Egyesült Államokban a Maryland-i Bethesda Klinikán hasonló módszerekkel észlelik a gerinc körüli rákos elváltozásokat. Mindkét csoport a legújabb észlelési algoritmusokkal egyenértékű, vagy esetenként jobb eredményeket ér el. A kérdés azonban, hogy az orvosok, vagy a betegek elfogadják-e valaha is a gépek véleményét? Bradley szerint ez a rendszer legnagyobb gyengesége.

A mély tanulás komplex hálózatai gyakorlatilag átláthatatlanok, a következtetésekhez nem társul indoklás. Például ha a Facebook valakit ismerősnek javasol, pedig számunkra ismeretlennek tűnik, még egy Facebook mérnök sem fogja tudni megmondani, miért jutott erre a következtetésre a rendszer. Ha ezt a gyógyítás amúgyis kényes és sokszor rejtélyes szintjeire emeljük, máris érthető miért nem egyszerű a megoldás. Bradley ezt a rendszert egyfajta "fekete dobozként" aposztrofálja, ami egyértelműen nem vonzó még a betegek számára sem. Éppen ezért bevetett egy második rendszert. Amint a mély neurális hálózat képzése befejeződött, az outputokkal Bradley egy másik, transzparens modellt kezd képezni, egy "fehér dobozt", aminek a válaszait már megvizsgálhatják és megérthetik az emberek, ezáltal észérvek alapján fogadhatják, vagy vethetik el a felvázolt diagnózist.

Brendan Fray, a kanadai Toronto Egyetem kutatója szerint a mély tanulás hatást fog gyakorolni a gyógyászatra, különösen a személyre szabott egészségügy és a génekre való fókuszálás fejlődésével. "A mély tanulás át fogja alakítani a személyre szabott gyógyítást, a genetikai tesztelést és a gyógyszerészeti fejlődést" - taglalta. "Egyfajta ragasztóként szolgál az adatok és az orvosi kimenet között"