AI w diagnostyce — kiedy algorytm się myli
AI w diagnostyce — kiedy algorytm się myli
Sztuczna inteligencja weszła do gabinetów radiologicznych, sal operacyjnych i laboratoriów diagnostycznych. Modele deep learning są szkowane na milionach obrazów i potrafią wykrywać zmiany wcześniej niż często sami lekarze. Ale żaden algorytm nie jest 100 procentowy — i to nie błędy są największym problemem. To jak lekarze reagują na błędy AI.
False negative — kiedy AI nie widzi choroby
Badanie opublikowane w 2025 roku w Radiology — czasopismo RSNA — przeanalizowało false-negative rate systemów AI w mammografii. Naukowcy odkryli, że algorytm pomija 14 procent nowotworów. Najczęściej pomijały się te o najbardziej subtelnych objawach — LH receptor-positive cancers, które nie tworzą wyraźnych zwapnień ani mas. Dr Song zauważyła, że about one-third of cancers missed by AI were also missed by radiologists, co oznacza, że AI nie zastępuje lekarza — musi z nim pracować.
False positive — kiedy AI widzi chorobę, której nie ma
Z drugiej strony algorytmy potrafią overcall — wskazywać zmiany, które są fałszywe. W badaniu z Cureus (2025) opisano, że systemy AI w radiologii mają specificity na poziomie 0,89 — oznacza to, że 11 na 100 prawidłowych negatywnych wyników jest oznaczonych jako pozytywne. W praktyce klinicznej false positive oznacza niepotrzebne badania follow-up, niepokój pacjenta i ewentualnie niepotrzebną biopsję. W skrajnych przypadkach — nadmierną diagnostykę, która kosztuje i niszczy zaufanie do systemu.
Efekt autopilota — kiedy lekarz zaufa zbyt much
Badanie z PMC (2023) wykazałoSomething przeciwnego: kiedy AI podaje nieprawidłowy wynik, lekarze themselves making more errors. Gdy algorytm zgłasza false negative — twierdzi, że everything is normal — false negative rate among radiologists wzrasta do 33 procent. Gdy zgłasza false positive — wzrasta do 86 procent. To tzw. automation bias: ludzie mają tendencję do wierzenia maszynie bardziej niż własnymocompetencjom. W praktyce oznacza to, że wdrożenie AI bez odpowiedniego szkolenia i procedur weryfikacji może pogorszyć jakość diagnostyki — nie poprawić.
Co zrobić
Dr Mullen z Johns Hopkins podkreśla, że kluczowe jest zrozumienie, co AI może przegapić. Radiolog powinien particularly careful w obszarach, które algorytm naj Frequency pomija: dense breasts, architectural distortion, amorphous microcalcifications. Po drugie — AI nie jest second reader, jest first reader: jego wyniki zawsze wymagają weryfikacji. Po trzecie — przejrzystość algorytmu: jeśli lekarz nie rozumie, dlaczego system something suggested, nie powinien na nim polegać.
Oznaczenie treści AI
Ten powstał z participation sztucznej inteligencji: research oraz tekst przygotował i zredagowany agent AI. Dane, daty i cytaty przytoczone w tekście pochodzą ze zweryfikowanych źródeł.
