Az MI forradalma a biomedicinában
Noha a mesterséges intelligencia már régóta segíti a diagnosztikát és az adatfeldolgozást, az LLM-ek megjelenése átrendezi az orvosi kutatás terepét. A Cell Reports Medicine friss publikációja szerint már egy kezdő doktorandusz vagy éppen egy középiskolás is hatalmas adatbázisokat elemezhet, és néhány hónap alatt elképesztően pontos kódot írhat MI segítségével – olyasmit, ami egy tudóscsoportnak akár évekbe kerülhet. A tanulmány során főként a koraszülés kockázatát próbálták előre jelezni különböző biológiai minták alapján.
A kutatócsoport a DREAM Challenge adatbázisait használta, amelyekben vér-, méhlepény- és hüvelykenet-minták genetikája, mikrobiomadatok és epigenetikai jelek szerepelnek. Ezekhez valós, ismert végkimenetel, például a terhesség ideje vagy a koraszülés ténye is hozzá volt rendelve, így a gépi tanulási algoritmusokat hatékonyan fel lehetett készíteni az előrejelzés feladatára.
Az emberi és MI-kódok csatája
A DREAM Challenge célja az volt, hogy kiderítse: találhatók-e új, eddig rejtett összefüggések a klinikai mintákból származó adatokban, amelyek a koraszülés kockázatát mutatják. Eddig ezt a munkát évekig tartó elemzéssel, magas szaktudást igénylő bioinformatikai eszközökkel végezték. Most azonban a kezdő kutatók mindössze egyszerű, leíró utasítást adtak nyolc különböző LLM-nek – a cél: jósolja meg a terhességi kort vagy a koraszülés valószínűségét.
Négy modell – a DeepSeekR1, a Gemini, valamint a ChatGPT 4o és az o3-mini-high – tökéletesen működő kódot adtak. A legjobb eredményt az OpenAI o3-mini-high érte el: pontossága elérte, sőt bizonyos esetekben meghaladta a korábbi, emberi csapatok által elért eredményeket. Különösen az epigenetikai adatok elemzésében verte meg az MI a szakértőket. Míg a korábbi versenyzők munkája éveket vett igénybe, a mostani fiatal kutatók három hónap alatt szállították az eredményeket, és fél év alatt publikálták azokat.
A koraszülés (a 37. hét előtt született babák esete) az USA-ban minden tizedik újszülöttet érint, és jelentősen emeli a súlyos szövődmények kockázatát. Már egy pontos előrejelzés is rengeteget segíthet: szorosabb követés és időben megkezdett kezelés révén a babák sokkal egészségesebben jöhetnek világra.
Az MI nemcsak programoz, hanem rendszerez is
Az adathalmazok, amelyeket Sirota csapata elemzett, már eleve jól strukturáltak voltak; mégis, az adattisztítás és normalizálás folyamata akár tovább is gyorsítható lenne, ha még több generatív MI-t vonnánk be. A kutatók már tesztelik is a következő hullámot: például a ChatPTB-t (Preterm Birth), amellyel publikációk százait lehet néhány másodperc alatt átvilágítani hivatkozásokkal és szintetizált válaszokkal – amit régen órákon át manuálisan kellett végezni.
Az MI olyan autonóm „ügynökké” fejlődik, amely nemcsak egy-egy feladatra válaszol, hanem egész kutatási munkafolyamatokat hajt végre egyre több önállósággal. Sőt, képes saját munkáját ellenőrizni, iterálni, vagy akár magától kereséseket indítani és kódot futtatni, nemcsak írni.
Az MI-től való félelem vagy az emberi hiba?
Az MI önállósodása hatalmas potenciált, de komoly veszélyeket is hordoz. Egy, a Nature-ben közölt vizsgálatban 293 programozási feladatot adtak LLM-eknek kutatási célból, és azt tapasztalták: ha az MI magát szervezi, az eredmények gyakran pontatlanok (40% alatti sikerarány), viszont ha az elemzési tervet először ember ellenőrzi, a pontosság 74%-ra nő.
A valódi cél nem az, hogy vakon bízzunk az MI-ben, hanem hogy olyan átlátható rendszert alakítsunk ki, amelyben az elemzés minden lépése ellenőrizhető, és az ember validálhatja az eredményeket. Az MI nem hibátlan – ahogy az ember sem az. A kutatásokat vezető professzorok is hangsúlyozzák: sokszor az MI-től jobban félünk, miközben az emberi tévedésekről hajlamosak vagyunk megfeledkezni. Egy amerikai példa szerint sokkal inkább aggodalmat keltett az MI 15%-os hibaaránya, miközben a humán dolgozók 25%-ot hibáztak.
Ki ellenőrzi az MI-t?
Az MI hatékonyságát és sikerét mérő etalonrendszerek kialakítása még gyerekcipőben jár az egészségügyben. Az ehhez szükséges mérőszámok, sztenderdek kidolgozása rendkívül időigényes és költséges, ráadásul a piacvezető modellek gyorsabban fejlődnek, mint ahogy a mérések elkészülnek. Mindezek ellenére egyértelmű: az MI marad – viszont a kontroll nélküli működés már nem fér bele. Együttműködésben, felügyelten és szigorú sztenderdek alapján lesz helye a laborokban.
Nem engedhetjük el a jól bevált tudományos alaposságot, de az MI megjelenése korábban elképzelhetetlen lehetőségeket tár fel előttünk: ember és gép együtt most már tényleg legyőzheti a tudomány határait.
