L’intelligenza artificiale (AI) sta diventando sempre più rilevante nel settore medico. Tuttavia, esistono molti miti e malintesi riguardo al suo utilizzo e al suo impatto. A seguito dell’implementazione di un modello AI per il rilevamento della malattia oculare diabetica in cliniche reali, un team di Google Health condivide le lezioni apprese e sfata alcuni di questi miti comuni.
Un Viaggio verso l’AI Medica: Dal Brainstorming all’Implementazione
Nel 2015, un piccolo team di ricerca di Google ha iniziato a riflettere su come l’AI potesse contribuire a migliorare la salute delle persone. Hanno collaborato con medici come il dott. Kim Ramasamy dell’Aravind Eye Hospital, con una visione di vita mirata a migliorare l’accesso alle cure salvavita per la vista. Di fronte alla mancanza di specialisti in molte parti del mondo, un sistema di screening alimentato da AI avrebbe potuto aiutare i medici a raggiungere più pazienti. Il team ha quindi esplorato la possibilità di addestrare l’AI a identificare la retinopatia diabetica (DR), una delle principali e crescenti cause di cecità prevenibile. Nel 2016, hanno sviluppato un modello AI che si è dimostrato all’altezza dei medici oculisti.
Dal Mito alla Realtà: Lezioni Apprese dal Lavoro sul Campo
Ecco le cinque lezioni chiave apprese dal loro lavoro, ognuna sfatando un mito comune sull’AI nel settore medico:
- Mito: Più dati, meglio è. Realtà: Anche se il volume dei dati è importante nello sviluppo di un modello AI accurato, la qualità dei dati è più importante. I dati di addestramento dovrebbero rappresentare la diversità dei dati nel mondo reale.
- Mito: Gli esperti di AI sono tutto ciò di cui hai bisogno. Realtà: Costruire un sistema medico AI funzionante richiede un team multidisciplinare che includa clinici, designer, ricercatori di interazione uomo-computer, esperti di regolamentazione, etica e diritto.
- Mito: Elevate prestazioni dell’AI equivalgono a fiducia clinica. Realtà: La validazione delle prestazioni dell’AI in un ambiente controllato non garantisce lo stesso livello di performance quando viene implementata in cliniche reali.
- Mito: È facile inserire l’AI nei flussi di lavoro esistenti. Realtà: Dobbiamo progettare l’AI attorno agli esseri umani, non il contrario.
- Mito: Il lancio significa successo. Realtà: La popolazione di pazienti o i fattori ambientali possono cambiare dopo il lancio iniziale. Questi fattori possono influenzare le prestazioni dell’AI in modi inaspettati.