Czy AI potrafiwięcej niż lekarz?

Sztuczna inteligencja coraz śmielej wkracza do medycyny weterynaryjnej. Czy AI potrafi wyczytać z raportów więcej niż doświadczony lekarz weterynarii? Czy dostrzeże coś, co umyka człowiekowi?

autor: Mira Wieczorek

Temat podjęła podczas XXVIII Międzynarodowej Konferencji Naukowej – „Mleko – jego ilość i jakość zależne od zdrowia i rozrodu bydła” w Polanicy-Zdroju prof. Paulina Jawor z UP we Wrocławiu, która sprawdziła to w praktyce, porównując możliwości dwóch popularnych modeli AI – ChatGPT i Gemini.

AI nie myśli jak człowiek

Choć o sztucznej inteligencji mówi się dziś niemal wszędzie, warto pamiętać, czym naprawdę są współczesne modele językowe (LLM). Nie rozumieją świata w taki sposób jak człowiek i nie posiadają świadomości. Analizują ogromne ilości tekstu, a następnie przewidują najbardziej prawdopodobną odpowiedź na zadane pytanie.
– To nie jest wiedza w naszym rozumieniu. Model nie rozumie problemu, lecz przewiduje najbardziej prawdopodobną sekwencję słów – podkreślała prof. Jawor. Dlatego jakość odpowiedzi zależy nie tylko od możliwości modelu, ale również od sposobu zadawania pytań, czyli tzw. promptów.

Jak AI analizuje przypadek kliniczny?

Prelegentka porównała działanie modelu językowego do pracy lekarza weterynarii podczas wizyty na fermie. Jeżeli hodowca informuje, że krowa tydzień po wycieleniu nie pobiera paszy, stoi osowiała i z pyska wyczuwalny jest charakterystyczny zapach acetonu, lekarz natychmiast zwraca uwagę na najważniejsze informacje i podejrzewa ketozę. Model AI działa podobnie – spośród wielu danych wybiera te, które uznaje za najistotniejsze, a następnie wskazuje najbardziej prawdopodobną diagnozę i proponuje dalsze postępowanie. Różnica polega jednak na tym, że opiera się wyłącznie na statystycznym prawdopodobieństwie.

Praktyczny test na raportach PFHBiPM

Aby sprawdzić przydatność AI w codziennej pracy, prof. Paulina Jawor wykorzystała zanonimizowane raporty z oceny użytkowości mlecznej (RW-1 i RW-11). Już pobieżna analiza raportów wskazywała na kilka istotnych problemów:

• wysoki poziom mocznika we wszystkich grupach krów,
• spadek wydajności mlecznej,
• wzrost zawartości tłuszczu,
• podwyższoną liczbę komórek somatycznych,
• około 30% krów z LKS powyżej 200 tys./ml.

Jednocześnie raporty nie wskazywały na poważniejsze problemy rozrodcze ani na wyraźne objawy nasilonej ketozy. Przejrzenie całego tabulogramu obejmującego kilkaset krów zajęło około pięciu minut.

ChatGPT – szybkie i trafne podsumowanie

Do ChataGPT wgrano raport i wydano bardzo proste polecenie: „Przeanalizuj te dane”. Model poprawnie wskazał najważniejsze problemy stada:

• wysoką liczbę komórek somatycznych,
• pogarszającą się wydajność,
• podwyższony poziom mocznika,
• konieczność zwrócenia uwagi na żywienie.

W ciągu kilku sekund przygotował również krótkie podsumowanie, które mogłoby stanowić gotową notatkę po wizycie w gospodarstwie.

– To właśnie tutaj widać największą zaletę AI. Potrafi błyskawicznie uporządkować dużą liczbę informacji i przygotować ich czytelne podsumowanie – oceniła prelegentka, dodając jednak, że korzystanie z AI wymaga dużej dozy krytycyzmu – po zadaniu kolejnych pytań model zaproponował analizę struktury dawki pokarmowej, jednak odwołał się do starszych zaleceń dotyczących sit Penn State Separator. Dla osoby posiadającej odpowiednią wiedzę nie stanowiło to problemu, jednak mniej doświadczony użytkownik mógłby uznać odpowiedź za w pełni aktualną. To pokazuje, że nawet poprawnie brzmiące informacje wymagają weryfikacji.

Zapytany o możliwość występowania ketozy model odpowiedział ostrożnie. Uznał, że subkliniczna ketoza może dotyczyć części świeżo wycielonych krów, jednak nie stanowi głównego problemu stada. Po zwróceniu uwagi na raport RW-11 podtrzymał swoją ocenę. W tym przypadku analiza była zgodna z interpretacją specjalisty.

Gemini – bardziej szczegółowo, ale nie zawsze trafnie

Drugim testowanym narzędziem był Gemini. Model otrzymał dodatkowe instrukcje oraz materiały dotyczące interpretacji raportów PFHBiPM. W odpowiedzi wskazał:

• wysokie ryzyko subklinicznej ketozy,
• bardzo wysoki poziom mocznika,
• zaburzenia bilansu białkowo-energetycznego,
• przewlekły problem mastitis,
• pogorszenie przebiegu laktacji.

Jednocześnie zaproponował konkretne działania naprawcze. Problem pojawił się natomiast wtedy, gdy model nadmiernie skoncentrował się na ketozie. Nawet po zwróceniu uwagi na raport RW-11 nadal uznawał ją za jeden z głównych problemów stada. Co więcej, w pewnym momencie stwierdził, że nie ma dostępu do raportu, mimo że wcześniej korzystał z danych zawartych w tym samym pliku.

Halucynacje AI

Prelegentka zwróciła uwagę na zjawisko tzw. halucynacji modeli językowych. To zjawisko, w którym sztuczna inteligencja generuje fałszywe, zmyślone lub niepoprawne merytorycznie informacje, przedstawiając je jako pewne fakty. Dzieje się tak, ponieważ modele LLM przewidują najbardziej prawdopodobne słowa na podstawie wzorców językowych, zamiast weryfikować ich rzeczywistą prawdziwość. Odpowiedzi AI, choć brzmią bardzo przekonująco, nie zawsze są zgodne z faktami. Nie oznacza to błędu programu – wynika z samej zasady działania modeli, które przewidują najbardziej prawdopodobną odpowiedź, a nie odpowiedź prawdziwą. Dlatego sztucznej inteligencji nie należy traktować jako źródła wiedzy, lecz jako narzędzie wspomagające analizę.

AI nie zastąpi specjalisty

Zdaniem prelegentki wyniki eksperymentu prowadzą do jednoznacznego wniosku: sztuczna inteligencja nie potrafi wyczytać z raportów więcej niż doświadczony lekarz weterynarii, który zna zasady interpretacji danych i potrafi je właściwie ocenić. Może jednak znacząco usprawnić codzienną pracę. Bardzo dobrze radzi sobie z szybkim podsumowaniem raportów, porządkowaniem dużych ilości informacji, wskazywaniem kierunków dalszej analizy, przygotowywaniem notatek po wizytach w gospodarstwie.
– AI nie zastąpi specjalisty. Jest narzędziem, które może przyspieszyć jego pracę, ale nadal wymaga wiedzy, doświadczenia i zdrowego rozsądku człowieka – podsumowała Paulina Jawor.