Από το κύτταρο στον ασθενή: Η διπλή επανάσταση της τεχνητής νοημοσύνης
Η τεχνητή νοημοσύνη έχει περάσει από τη σφαίρα της υπόσχεσης στο πεδίο της εφαρμογής
Η τεχνητή νοημοσύνη έχει περάσει από τη σφαίρα της υπόσχεσης στο πεδίο της εφαρμογής. Στην ιατρική έρευνα αυτό αποτυπώνεται σε συγκεκριμένες μεταβολές: στον χρόνο της έρευνας, στην ανάλυση βιολογικών δεδομένων, στη διαδικασία της διάγνωσης, στην ανάπτυξη φαρμάκων και, εν τέλει, στις πιθανότητες επιβίωσης των ασθενών.
Η μεταβολή αυτή δεν γίνεται με τον ίδιο τρόπο σε όλα τα επίπεδα της ιατρικής. Άλλοτε εμφανίζεται στο πεδίο της βασικής έρευνας, εκεί όπου αναλύονται τα βιολογικά δεδομένα και χαρτογραφούνται οι μηχανισμοί του κυττάρου, και άλλοτε στο πεδίο της εφαρμογής, εκεί όπου τίθενται ερωτήματα για την πρόσβαση στις νέες θεραπείες, την ανισότητα, τη ρύθμιση και την ευθύνη.
Τα μυστικά του κυττάρου
Ο Σίμος Συμεωνίδης είναι ο CEO and CIO της Kos Biotechnology Partners – βρίσκεται στον χώρο για περισσότερες από τρεις δεκαετίες. «Ξεκίνησα ως ακαδημαϊκός, ήμουν μοριακός βιολόγος και έκανα βασική έρευνα». Στις ΗΠΑ ξετυλίχθηκε η καριέρα του με προπτυχιακές σπουδές, μεταπτυχιακό, διδακτορικό, μεταδιδακτορική έρευνα και θέση καθηγητή. Αυτή η βιογραφική διαδρομή έχει σημασία, γιατί εξηγεί από πού βλέπει ο ίδιος την παρέμβαση της τεχνητής νοημοσύνης: Από το εσωτερικό της έρευνας και όχι από μια εξωτερική τεχνολογική αφήγηση.
«Το κύτταρο είναι το πιο πολύπλοκο πράγμα που υπάρχει στο σύμπαν. Δηλαδή για το κύτταρο ξέρουμε το 20%, ίσως και πιο λίγο». Περιγράφει το θεμελιώδες πρόβλημα της σύγχρονης βιοϊατρικής: δεν μας λείπουν μόνο απαντήσεις, αλλά η πλήρης χαρτογράφηση του πεδίου. «Υπάρχουν χιλιάδες πρωτεΐνες μέσα, που αλληλεπιδρούν η μία με την άλλη, σε ένα σύστημα το οποίο ο ανθρώπινος νους δεν μπορεί να το συλλάβει».
Η τεχνητή νοημοσύνη, σε αυτή τη συνθήκη, έρχεται ως σύστημα ανάγνωσης μοτίβων. «Η AI έχει πολύ μεγάλη επιρροή, γιατί μπορεί να μας δείξει πράγματα τα οποία εμείς δεν τα σκεφτόμαστε, δεν μπορούμε να τα δούμε». Σημειώνει ότι αυτό έχει ήδη περάσει στην πράξη - «κάθε μέρα ανακαλύπτουμε καινούργιες αντιδράσεις, επιδράσεις και σήματα».
Αυτός ο αυτοματισμός δεν συνεπάγεται ότι η επιστήμη γίνεται μαγικά απλή, αλλά ότι η σύνθεση δεδομένων γίνεται πολύ ταχύτερη και, σε ορισμένα πεδία, ριζικά διαφορετική. Επ’ αυτού, δίνει το παράδειγμα του προγράμματος AlphaFold, «ένα πρόγραμμα AI, το οποίο κάνει πρόβλεψη για την κρυσταλλική δομή της πρωτεΐνης: πώς είναι μία πρωτεΐνη μέσα στο χώρο».
Γυρνάμε τον χρόνο πίσω και θυμάται το διδακτορικό του στο Κολούμπια, από το 1995 έως το 1999, όταν μια συνεργάτιδά του προσπαθούσε να βρει την κρυσταλλική μορφή μιας πρωτεΐνης. «Αυτό συνήθως έπαιρνε 5 με 8 χρόνια για να το κάνεις. Και ήταν PhD project». Η παλιά μέθοδος, η κρυσταλλογραφία ακτινών Χ, ήταν πολυετής υπόθεση. Σήμερα, λέει, «μετά από 30 χρόνια, έχει βγει μία μέθοδος AI, με την οποία το κάνεις σε 20 λεπτά! Βάζεις τα δεδομένα και γίνεται». Και η φράση που ακολουθεί αποτυπώνει το μέγεθος της αλλαγής: «Αυτό για μένα είναι από τα μεγαλύτερα παραδείγματα της δύναμης της AI…».
Η επιτάχυνση αυτή δεν είναι απλώς τεχνική βελτίωση, αλλά μεταβολή στον ίδιο τον χρόνο της επιστήμης. Εκεί όπου η γνώση προέκυπτε από τη σταδιακή σύγκλιση δεκάδων ερευνητικών ομάδων σε διαφορετικά σημεία του κόσμου, η τεχνητή νοημοσύνη λειτουργεί πλέον ως μηχανισμός άμεσης σύνθεσης. «100 ερευνητικά groups στον κόσμο έκαναν παρατηρήσεις για το ίδιο θέμα για να καταλήξουν μετά από χρόνια σε μια πιθανή σύνδεση. Τώρα η AI αυτό το κάνει αυτόματα».
Η σύνδεση με το φάρμακο
«Όταν ψάχνουμε να βρούμε ένα φάρμακο, τι σημαίνει αυτό ακριβώς; Σημαίνει ότι προσπαθούμε. Έχουμε καταλάβει μία βιολογική διαδικασία, κάτι που συμβαίνει μέσα στο κύτταρο. Και θέλουμε να επέμβουμε, για να τη σταματήσουμε. Γιατί συνήθως -σχεδόν πάντα- κάτι συμβαίνει λάθος στη βιολογία ενός ανθρώπου για να είναι άρρωστος. Κάτι έχει πάει στραβά», λέει ο Σίμος Συμεωνίδης. Γι’ αυτό και τα φάρμακα «βασικά είναι κάπως, σαν μία σφήνα που μπαίνει πάνω στην πρωτεΐνη». Είτε την εμποδίζουν είτε αλλάζουν τη μορφή της είτε μπλοκάρουν μια βιολογική διαδικασία που έχει παρεκκλίνει. «Τα φάρμακα είναι ένα μπλοκάρισμα σε κάποια βιολογική διαδικασία που δεν πάει καλά».
Η επιτάχυνση στην κατανόηση της πρωτεϊνικής δομής μειώνει τον χρόνο ανάπτυξης των φαρμάκων. «Εάν εμάς μας παίρνει τώρα μία μέρα, αντί 5 χρόνια, να ανακαλύψουμε πώς είναι η πρωτεΐνη, τόσο πιο γρήγορα μπορούμε να φτιάξουμε το φάρμακο και να το βάλουμε στη σωστή θέση».
Ωστόσο, βάζει φρένο σε κάθε υπερβολική προσδοκία. Στο κρίσιμο ερώτημα αν όλα αυτά μας φέρνουν πιο κοντά στη λύση απέναντι σε μία σειρά από καρκίνους, η απάντησή του είναι προσεκτική. «Όλοι οι καρκίνοι για να λυθούν, θέλει 10ετίες. Ακόμα και με την τεχνητή νοημοσύνη. Αυτό είναι μόνο ένα κομματάκι του παζλ. Δηλαδή, να διαβάσουμε την πρωτεΐνη».
Το βασικό πρόβλημα του καρκίνου είναι ο βιολογικός του χαρακτήρας. «Ο καρκίνος, δυστυχώς, είναι μια αρρώστια η οποία αλλάζει συνέχεια μορφή. Έχεις έναν καρκίνο. Σου δίνει ο γιατρός το φάρμακο. Πολλά φάρμακα που δουλεύουν, που έχουν γίνει αποδεκτά, δουλεύουν για ένα διάστημα, σταματάνε την πρωτεΐνη. Δυστυχώς, ο καρκίνος είναι σαν ένας οργανισμός που εξελίσσεται και δημιουργεί αντίσταση σε αυτό». Το περιγράφει σαν βιολογικό μονόλογο του ίδιου του όγκου: «Α, με μπλόκαρες εδώ; Εγώ θα αλλάξω». Έτσι εξηγεί γιατί μετά από έναν χρόνο ή δύο χρόνια ο καρκίνος επανέρχεται. «Μεταλλάχθηκε - και μεγαλώνει με άλλον τρόπο».
Παρόλα αυτά, η πρόοδος υπάρχει και είναι χειροπιαστή. Φέρνει ένα παράδειγμα από φάρμακο της Pfizer, σε καρκίνο όπου ο μέσος όρος επιβίωσης ήταν 15 μήνες. «Η Pfizer έβγαλε ένα φάρμακο που από 15 μήνες πήγε στους 30! Διπλασίασε την επιβίωση».
Μεταφέρουμε τη συζήτηση στις νευροεκφυλιστικές νόσους. Για το Αλτσχάιμερ και το Πάρκινσον εξηγεί ότι το πρόβλημα παραμένει εξαιρετικά δύσκολο «λόγω του βιολογικού χαρακτήρα του εγκεφάλου». Και το αναλύει σε δύο επίπεδα. Πρώτον, δεν γνωρίζουμε ακόμη αρκετά καλά τη βιολογία του εγκεφάλου. «Έχουμε κάνει τρομερά άλματα σε σχέση με το παρελθόν. Αλλά δεν καταλαβαίνουμε ακόμα». Δεύτερον, υπάρχει ένα πρακτικό και υλικό εμπόδιο: «Υπάρχει το λεγόμενο Blood-Brain Barrier. Ο αιματοεγκεφαλικός φραγμός». Πρόκειται για έναν προστατευτικό μηχανισμό που δεν αφήνει ιούς, βακτήρια και τοξίνες να περάσουν στον εγκέφαλο. Το πρόβλημα είναι ότι «δεν αφήνει να μπουν και τα φάρμακα μέσα». Αυτό σημαίνει ότι ακόμη κι αν βρεθεί ο σωστός στόχος, το φάρμακο δυσκολεύεται να φτάσει εκεί όπου πρέπει. «Όταν πάρεις ένα φάρμακο για να πάει στον εγκέφαλο, αυτό πάει σε όλο το σώμα - και όταν είναι να πάει να μπει στον εγκέφαλο, δεν μπορεί να μπει! Γιατί υπάρχει αυτός ο φράχτης που δεν τον αφήνει».
Παρά τις δυσκολίες, η γενική του στάση παραμένει αισιόδοξη. «Η AI θα συνεχίσει να έχει πάρα πολύ μεγάλο ρόλο. Και σε 10 χρόνια και σε 20. Και θα αυτοματοποιηθούν πολλά πράγματα, όπως το πώς διαλέγουμε ασθενείς, πώς αναλύουμε τα data των κλινικών δοκιμών, κλπ». Δεν θεωρεί, πάντως, ότι η ζωή στην έρευνα θα γίνει αγνώριστη, αλλά καλύτερη - κυρίως από την πλευρά των φαρμάκων.
Οι ανισότητες και τα όρια
Ο εκτελεστικός διευθυντής στο Κέντρο Βιώσιμης Ανάπτυξης του Πανεπιστημίου Κολούμπια, Γιάνης Μπεν Αμόρ, μεταφέρει τη συζήτηση από το εργαστήριο στην κοινωνία. Η δική του διαδρομή ξεκινά επίσης από τη μοριακή βιολογία, αλλά περνά γρήγορα στη δημόσια υγεία. «Ξεκίνησα από το Ινστιτούτο Παστέρ στο Παρίσι, μετά ήρθα για διδακτορικό εδώ στη Νέα Υόρκη και κατέληξα να προσληφθώ πριν από πάνω από 22 χρόνια από τον σημερινό μου προϊστάμενο, τον οικονομολόγο Τζέφρι Σακς».
Δούλεψε στο πεδίο της φυματίωσης, ήταν ειδικός στις λοιμώδεις νόσους, αλλά το καθοριστικό βήμα έγινε όταν βρέθηκε στη Ρουάντα. «Ανέπτυξα την ικανότητα να κατανοώ τους περιορισμούς των χωρών χαμηλού και μεσαίου εισοδήματος, των περιβαλλόντων χαμηλών πόρων, και το πώς μεγάλες ιδέες από τον παγκόσμιο Βορρά συνήθως δεν αποδίδουν πολύ καλά στον παγκόσμιο Νότο».
Η πρώτη του ουσιαστική επαφή με την τεχνητή νοημοσύνη έγινε το 2017, όταν μια Νοτιοκορεατική εταιρεία ήθελε να αναπτύξει διάγνωση ελονοσίας με AI στην Γκάνα. Έκτοτε, άρχισε να βλέπει πιο συστηματικά τις εφαρμογές της τεχνητής νοημοσύνης στην υγεία, ιδίως στις λοιμώδεις νόσους.
Όταν βγήκε το ChatGPT, η πρώτη του αντίδραση ήταν αρνητική: «Αυτό πρέπει να απαγορευτεί, δεν μπορεί να χρησιμοποιείται στο πανεπιστήμιο γιατί όλοι οι φοιτητές θα “κλέβουν”». Μέσα σε τρεις εβδομάδες, όμως, έκανε στροφή 180 μοιρών και συνειδητοποίησε ότι θα ήταν λάθος να αντιμετωπιστεί η τεχνητή νοημοσύνη όπως αντιμετωπίστηκε κάποτε το διαδίκτυο από καθηγητές που έλεγαν ότι «δεν μπορείτε να χρησιμοποιείτε το ίντερνετ για έρευνα, πρέπει να πηγαίνετε στη βιβλιοθήκη».
Η ανησυχία του δεν αφορά μόνο το τι μπορεί να κάνει η τεχνητή νοημοσύνη, αλλά ποιοι θα μπορέσουν να την αξιοποιήσουν. «Οι φοιτητές του Κολούμπια θα τα πάνε καλά», σημειώνει, αλλά θέτει το ερώτημα: «τι γίνεται με τους νέους από εκεί που προέρχομαι;». Από αυτή τη διαπίστωση προκύπτει και η πρωτοβουλία του για το «AI and the Future of Work», ακριβώς για να αποφευχθεί ένα νέο χάσμα δεξιοτήτων. Η τεχνητή νοημοσύνη δεν αναδιατάσσει μόνο την παραγωγή γνώσης, αλλά και τους όρους συμμετοχής σε αυτήν. Όποιος δεν κατανοεί τα εργαλεία, κινδυνεύει να βρεθεί εκτός ενός συστήματος που μεταβάλλεται ταχύτερα από τα εκπαιδευτικά του αντανακλαστικά.
Εκεί όπου δεν φτάνει ο άνθρωπος
Στην ουσία της ιατρικής εφαρμογής, η θέση του είναι ξεκάθαρη. «Η τεχνητή νοημοσύνη μπορεί να κοιτάξει δεδομένα και να βρει τάσεις που το ανθρώπινο μάτι δεν μπορεί». Το δείχνει με δύο παραδείγματα. Πρώτον, «μπόρεσε να προβλέψει με ακρίβεια το φύλο από το ηλεκτροκαρδιογράφημα, κάτι που κανένας άνθρωπος δεν είχε καταφέρει».
Δεύτερον, στο πρόβλημα της μικροβιακής αντοχής: «Έχουμε δεκαετίες και δεκαετίες κακής χρήσης αντιβιοτικών». Περιγράφει ένα ερευνητικό παράδειγμα όπου δόθηκαν στην τεχνητή νοημοσύνη δεδομένα για ένα βακτήριο και μια βιβλιοθήκη 4.500 μορίων. Η AI «σε λιγότερο από μιάμιση ώρα, έδωσε εννέα και ένα από αυτά είναι τόσο καλό που σκοτώνει αμέσως το βακτήριο χωρίς αρνητική επίδραση στον άνθρωπο». Η σύγκριση με τον ανθρώπινο χρόνο είναι συντριπτική: «Αν άνθρωποι έπρεπε να αναλύσουν 4.500 μόρια, θα χρειαζόταν δέκα με δεκαπέντε χρόνια».
Θέτω το ζήτημα των ανισοτήτων – τον κίνδυνο για μια δημιουργία ενός κόσμου δύο ή πολλών ταχυτήτων. Ο Μπεν Αμόρ τονίζει ότι «αν δεν λύσεις πρώτα τα προβλήματα πρόσβασης, τότε η τεχνητή νοημοσύνη δεν θα είναι απαραίτητα τόσο χρήσιμη. Τι σημασία έχει αν στη χώρα σου υπάρχει μια θεραπεία για το Αλτσχάιμερ που κοστίζει 85.000 δολάρια και ανακαλύφθηκε από ΑΙ, αν δεν έχεις ασφάλιση και δεν θα καλυφθεί; Καμία».
Παρόλα αυτά, βλέπει δυνατότητα μείωσης των ανισοτήτων στις απομακρυσμένες περιοχές, όπου ένας στοιχειωδώς εκπαιδευμένος εργαζόμενος υγείας σε ένα νησί χωρίς νοσοκομείο θα μπορούσε με τη βοήθεια της AI να ξεχωρίζει ποιος χρειάζεται απλή αγωγή και ποιος επείγουσα μεταφορά.
Από εκεί, η συζήτηση μεταφέρεται στη λογοδοσία και στη ρύθμιση της και δίνει ένα χαρακτηριστικό παράδειγμα με τα αυτόνομα συστήματα, το agentic AI, που μπορούν να λειτουργούν χωρίς άμεση ανθρώπινη παρουσία. Το πρόβλημα είναι δύσκολο στη νομική και θεσμική του επίλυση: «Αν κάνει κάτι λάθος, ποιος έχει την ευθύνη; Η τεχνολογική εταιρεία που το ανέπτυξε; Το νοσοκομείο; Ο άνθρωπος που το επέβλεπε;».
Και περιγράφει τρεις προσεγγίσεις: Το αμερικανικό μοντέλο που αφήνει την καινοτομία να τρέξει και λύνει τα προβλήματα αργότερα, το ευρωπαϊκό που δίνει προτεραιότητα στην προστασία του ασθενούς και στα δεδομένα και ένα ενδιάμεσο «sandbox» μοντέλο που συναντάμε στο Ηνωμένο Βασίλειο, όπου οι καινοτόμοι δουλεύουν αλλά οι ρυθμιστικές αρχές παρακολουθούν στενά.
Το αεροπλάνο και το αλεξίπτωτο
Τόσο ο Σίμος Συμεωνίδης, όσο και ο Γιάνης Μπεν Αμόρ, μολονότι ξεκινούν από διαφορετικά σημεία, συγκλίνουν σε μια βασική εκτίμηση. Η τεχνητή νοημοσύνη αλλάζει βαθιά την ιατρική έρευνα και την κλινική πρακτική. Θα επιταχύνει την κατανόηση, θα βελτιώσει τη διάγνωση, θα μειώσει τον χρόνο ανάπτυξης φαρμάκων, θα βοηθήσει στην επιλογή ασθενών και στην ανάλυση δεδομένων. Όμως δεν θα ακυρώσει ούτε τη βιολογική πολυπλοκότητα ούτε τα προβλήματα πρόσβασης, κόστους και λογοδοσίας.
Ο κ. Συμεωνίδης υπογραμμίζει ότι τον απασχολεί η AI «ως γονέα, ως επαγγελματία, ως άνθρωπο», αλλά δηλώνει αισιόδοξος, γιατί νιώθει ότι είμαστε στη διαδικασία της εξέλιξης, στην αιχμή της. Κι αφού προσθέτει ότι η επόμενη δεκαετία «θα είναι συγκλονιστική από άποψη ευκαιριών», καταλήγει με μια προσωπική διατύπωση της αισιοδοξίας του: «Προτιμώ να πάθω καρκίνο σε 10 χρόνια παρά σήμερα!».
Ο Γιάνης Μπεν Αμόρ τοποθετείται ξεκάθαρα στην πλευρά των τεχνο-αισιόδοξων, χωρίς να αγνοεί τους κινδύνους. «Στην εποχή της τεχνητής νοημοσύνης, ο κόσμος συνήθως χωρίζεται στα δύο», ανάμεσα σε όσους φοβούνται ότι θα καταστρέψει θέσεις εργασίας ή θα ξεφύγει από τον έλεγχο και σε εκείνους που τη βλέπουν ως εργαλείο επίλυσης προβλημάτων που μέχρι σήμερα έμεναν αναπάντητα. Εκείνος ανήκει στη δεύτερη κατηγορία, σημειώνοντας ότι η αξία της AI βρίσκεται ακριβώς στην ικανότητα να αναγνωρίζει μοτίβα και σχέσεις που ο άνθρωπος δεν μπορεί να δει.
Ωστόσο, τονίζει ότι η πρόοδος δεν είναι μονόπλευρη. «Όταν φτιάχνεις μια ομάδα, πρέπει να βεβαιωθείς ότι συνδυάζεις μια υγιή δόση τεχνο-αισιόδοξων και τεχνο-απαισιόδοξων. Δεν μπορείς να έχεις μόνο το ένα ή το άλλο», λέει, για να καταλήξει: «Ο τεχνο-αισιόδοξος εφηύρε το αεροπλάνο, αλλά ο τεχνο-απαισιόδοξος εφηύρε το αλεξίπτωτο».