Ha az AI tényleg „orvosi műszer” akar lenni, akkor nem elég okosnak lennie: mérhetően, megismételhetően és klinikailag igazolhatóan kell működnie. Egy friss agy-AI projekt pont ezt ígéri — és közben ugyanazt a receptet követi, ami a FaceID-hez is kellett: rengeteg adatot.

Mi történt

Gidi Littwin, az Apple FaceID-jának és a Vision Pro egyes technológiáinak társfeltalálója 2020-ban kilépett, és társalapítóként csatlakozott a Hemispheric nevű startuphoz. A cég most 52 millió dollárnyi friss finanszírozást jelentett be, és azt állítja, hogy már 100 000 ember agyi aktivitásából gyűjtött adatot deep learning (mélytanulás) modellek tanításához.

A Hemispheric megközelítése nem agyműtétre vagy beültetett eszközökre épít, hanem EEG-re (elektroenkefalográfiára) — ez egy olyan, kívülről felhelyezett szenzoros „sapka”, ami a koponyán keresztül mérhető elektromos jeleket rögzíti. A terv szerint a páciens nagyjából 15 percig visel egy könnyű EEG headsetet, miközben egy tabletes alkalmazásban egyszerű, játék-szerű feladatokat végez. Az AI ezután a jelek „mintázataiból” segítene a klinikusoknak következtetni a kognitív állapotra, javasolni beavatkozást, és nyomon követni a változást.

A csapat negyedmillió órányi agyi adatot említ, amelyet fizetett önkéntesektől gyűjtöttek Ázsiában, valamint Tel-Avivban és Bostonban. A modellt többek között PTSD-vel, skizofréniával és depresszióval diagnosztizált csoportokon is kipróbálták, és azt állítják, hogy a rendszer pontos következtetéseket tudott levonni. Következő lépésként klinikai vizsgálatban tesztelnék, hogy képes-e diagnosztizálni, sőt előre jelezni az Alzheimer-kórt. Az első terméket — PTSD vizsgálatára — a tervek szerint jövő év elején nyújtják be FDA-engedélyezésre, a szélesebb elérhetőséget pedig 2027-re időzítik.

Miért fontos

Az agyi állapotok diagnosztikájának egyik nagy gondja, hogy az „alapjel” emberenként eltér: ami az egyik embernél normális EEG-minta, az a másiknál lehet szokatlan. Emiatt sok kórképben ma is erősen támaszkodnak kérdőívekre és viselkedéses megfigyelésre — gondolj rá úgy, mint amikor egy autó hibáját nem a motorból kiolvasott kódok alapján, hanem a sofőr beszámolója alapján próbálod behatárolni. Egy jól validált, objektív mérés (még ha nem is tökéletes) gyorsíthatja a kivizsgálást, segíthet a terápiaválasztásban, és egységesebbé teheti a követést.

Közben ez egy versenypálya is: egyes AI-alapú diagnosztikai eszközök már klinikai használatban vannak (például képalkotásnál), és a nagy AI-laborok is egyre aktívabbak az egészségügyben. A Hemispheric tétje az, hogy a „frontier model” logikáját — vagyis a nagy, általánosító képességű modellt — át tudja-e ültetni egy olyan területre, ahol a zajos jelek, az egyéni különbségek és a klinikai bizonyítási kényszer egyszerre nehezít.

Mire figyelj

  1. Klinikai bizonyítás és FDA: a pontosság nem elég; az számít, hogy különböző populációkban, valós klinikai környezetben mennyire megbízható, és hogyan illeszkedik az orvosi döntéshozatalba.
  2. Mit jelent a „pontos következtetés”: érzékenység/specificitás, téves pozitív/negatív arány, és hogy mire használható (szűrésre, diagnózisra, vagy inkább követésre).
  3. Adatminőség és eszközök: a cég saját „agyszkennereket” is fejleszt, mert az EEG-ket eredetileg nem gépi tanulásra tervezték — ez egyszerre lehet előny (jobb jel) és kockázat (új hardver validálása).
  4. Skálázás milliós adatmennyiségre: a terv további, akár milliós nagyságrendű agyi adatgyűjtés. Itt a standardizálás (azonos protokollok, összehasonlítható mérések) lesz a döntő, nem csak a darabszám.

A Wired AI értékelése alapján a Hemispheric története főleg arról szól, hogy a „sok adat + jó modell” receptje működhet-e ott is, ahol a jel sokkal változékonyabb, és a tét közvetlenül a diagnózis minősége.