CNN w medycynie i granice widzenia maszynowego

🎯 Po co Ci to?

Dotąd rozpoznawaliśmy cyfry. Stawka była zerowa: pomyłka to zła etykieta na obrazku. Teraz zobaczysz to samo narzędzie tam, gdzie stawką jest zdrowie — czerniak na zdjęciu skóry, zapalenie płuc na zdjęciu rentgenowskim, retinopatia na zdjęciu dna oka — i gdzie zdanie „model osiąga dokładność porównywalną z lekarzem" bywa jednocześnie prawdziwe i mylące.

Ta jednostka ma dwie połowy, obie potrzebne. W pierwszej zobaczysz, co widzenie maszynowe naprawdę potrafi, z datami i konkretami. W drugiej — jak zawodzi: w sposób, którego człowiek by nie wymyślił, bo żaden człowiek nie rozpoznaje raka po śladzie markera.

✅ Czego się nauczysz

Po tej lekcji potrafisz:

• podać cztery obszary medycyny obrazowej z konkretnymi wynikami i datami;
• wyjaśnić różnicę między regułą ABCDE (człowiek) i wzorcami wyuczonymi z danych (sieć);
• wyjaśnić uczenie skrótów na przykładzie zaznaczeń markerem i wskazać, jak się je wykrywa;
• wyjaśnić, czym są przykłady kontradyktoryjne i dlaczego w medycynie są groźne;
• uzasadnić, dlaczego z „dokładności równej lekarzom" w badaniu nie wynika gotowość do użycia w klinice.

🔁 Przypomnij sobie

Z Jednostki 12.4 wiesz, że sieć uczy się filtrów z danych i nie wie, na co powinna patrzeć. Z Jednostki 9.4 wiesz, że trafność bywa miarą zwodniczą, zwłaszcza przy klasach rzadkich. Z Jednostki 11.5 wiesz, czym jest przeuczenie i że wykrywa się je na zbiorze walidacyjnym. Z Jednostki 10.4 wiesz, że interpretowalność modeli to osobna, trudna dziedzina, w której wnioski są rekonstrukcjami po fakcie. Ta jednostka pokazuje, co się dzieje, gdy te cztery rzeczy spotykają się na oddziale szpitalnym.

📘 Cztery obszary, cztery daty

Sieci konwolucyjne zaczęły liczyć się w widzeniu maszynowym około 2011 roku, a od 2016 zdominowały dziedzinę. Medycyna obrazowa okazała się dla nich terenem naturalnym: dane są cyfrowe, zadanie często wąskie, a oceniający je specjalista drogi i zajęty.

Dermatologia (2017). Wykrywanie czerniaka to jedno z kluczowych zadań tej dziedziny. Człowiek stosuje tu regułę ABCDE: ocenia Asymetrię zmiany, Brzegi, kolor (Color), średnicę (Diameter) i Ewolucję w czasie. Sieć wytrenowana na około 130 tysiącach zdjęć zmian skórnych osiągnęła w porównaniu z kilkudziesięcioma dermatologami wynik porównywalny — przy czym, co istotne, nie korzystała z reguły ABCDE, bo nikt jej tej reguły nie podał.

Radiologia (2017). Zdjęcie rentgenowskie klatki piersiowej to podstawowe narzędzie w rozpoznawaniu zapalenia płuc. Sieć trenowana na zbiorze ponad stu tysięcy takich zdjęć (CheXNet, Stanford) osiągnęła w wykrywaniu zapalenia płuc wynik nie gorszy — a według mierzonej w tej pracy metryki lepszy — niż grupa porównywanych radiologów. Z ważnym zastrzeżeniem, do którego wrócimy: radiolodzy oceniali w tym eksperymencie pojedyncze zdjęcie bez kontekstu klinicznego, czyli pracowali w warunkach sztucznie zawężonych do zadania sieci.

Okulistyka (2016–2019). Zdjęcie dna oka ujawnia nie tylko choroby oczu, lecz i problemy ogólnoustrojowe: nadciśnienie, cukrzycę, miażdżycę. Sieć trenowana na ponad stu tysiącach zdjęć dna oka rozpoznawała retinopatię cukrzycową z dokładnością porównywalną z opinią konsylium okulistów, a w latach 2018–2019 potwierdzono to w badaniach prospektywnych w Indiach i Tajlandii. Tu też padł kamień milowy regulacyjny: w 2018 roku IDx-DR został pierwszym systemem AI dopuszczonym przez amerykańską FDA do autonomicznej diagnozy przesiewowej — czyli do wydania wyniku bez udziału lekarza w pętli.

Histopatologia (2020). Skanowanie całych preparatów tkankowych (ang. whole-slide imaging) daje obrazy gigantyczne — pojedynczy preparat to miliardy pikseli, analizowane kawałek po kawałku w pełnym powiększeniu. Modele wytrenowane na takich obrazach potrafią określać zaawansowanie raka wątrobowokomórkowego z dokładnością porównywalną z patologami.

Zauważ, co łączy wszystkie cztery zdania: „wynik porównywalny lub lepszy w wąsko zdefiniowanym zadaniu, na przygotowanym zbiorze, według wybranej metryki". To jest prawdziwa treść tych osiągnięć — i o różnicy między nią a zdaniem „AI diagnozuje lepiej niż lekarze" jest reszta tej jednostki.

📘 ABCDE a wzorce: dwa różne języki

Warto się przy tym kontraście zatrzymać, bo dobrze pokazuje, czym różni się wiedza człowieka od wiedzy modelu.

Reguła ABCDE jest nazwana, jawna i przekazywalna. Można jej nauczyć studenta w dziesięć minut, można ją zapisać w podręczniku, można się o nią pokłócić i ją poprawić. Powstała z lat obserwacji klinicznych i jest jednocześnie narzędziem diagnozy oraz elementem wspólnego języka lekarzy.

Sieć nie ma nic z tych rzeczy. Wypracowała własne cechy — wzorce układów pikseli, które statystycznie różnicowały zmiany złośliwe od łagodnych w jej zbiorze treningowym (Jednostka 12.4). Nie umie ich wypowiedzieć i nikt nie potrafi ich rzetelnie przetłumaczyć na zdania; najwyżej pokazać, gdzie sieć patrzyła.

To ma dwie konsekwencje, dokładnie symetryczne. Dobra: sieć może wychwycić coś, czego reguła nie obejmuje — subtelną fakturę, rozkład barwy, drobne asymetrie, które nie mieszczą się w pięciu literach. Zła: sieć może wychwycić coś, co z chorobą nie ma nic wspólnego, i uznać to za świetną cechę diagnostyczną. Bo nikt nie powiedział jej, co jest chorobą, a co artefaktem procedury.

📘 Uczenie skrótów: marker, dren, model aparatu

W 2019 roku zespół badaczy sprawdził, co się stanie, gdy sieci wykrywającej czerniaka pokazać zdjęcia zmian skórnych z niebieskimi lub fioletowymi zaznaczeniami, jakie lekarze rysują markerem wokół miejsc podejrzanych przed zabiegiem. Efekt: pewność rozpoznania „czerniak" istotnie rosła — dla tych samych zmian, wyłącznie z powodu obrysu.

Sieć nie zwariowała. Zrobiła dokładnie to, do czego ją namówiliśmy. W jej zbiorze treningowym obrys był świetnym predyktorem — bo lekarze obrysowywali te zmiany, które sami uznali za podejrzane. Sieć nauczyła się więc nie choroby, a śladu decyzji lekarza. Ten mechanizm nazywa się uczeniem skrótów.

📐 DEFINICJA — uczenie skrótów (ang. shortcut learning): wyuczenie się przez model cechy, która dobrze przewiduje etykietę w zbiorze treningowym, ale nie ma związku przyczynowego z rozpoznawanym zjawiskiem — i dlatego zawodzi w nowych warunkach.

Po ludzku: model znalazł łatwiejszą drogę do dobrej oceny niż nauczenie się materiału. Jak uczeń, który zauważył, że w tym teście prawidłowa odpowiedź jest zawsze najdłuższa.

Przypadków tego rodzaju jest w medycynie obrazowej wiele i są pouczające. Modele wykrywające odmę opłucnową uczyły się rozpoznawać dren — bo pacjenci z odmą mieli już zwykle założony drenaż, czyli sieć wykrywała nie chorobę, a jej leczenie. W badaniu z 2018 roku pokazano, że model wytrenowany na zdjęciach z kilku szpitali potrafi rozpoznać z samego obrazu, z którego szpitala pochodzi zdjęcie (aparat, ustawienia, sposób kadrowania) — i wykorzystać wiedzę o tym, jak częsta jest choroba w danym szpitalu, zamiast oglądać płuca.

Uwaga na to, jak to zjawisko wygląda „z zewnątrz": model ma znakomite wyniki na zbiorze walidacyjnym. To nie jest przeuczenie w sensie z Jednostki 11.5, którego szuka się przez rozjazd krzywych uczenia — bo skrót działa równie dobrze w zbiorze treningowym i walidacyjnym, jeśli oba pochodzą z tego samego źródła. Skrót ujawnia się dopiero przy zmianie warunków.

Stąd cztery narzędzia obrony, wszystkie potrzebne:

1. Walidacja zewnętrzna — sprawdzenie modelu na danych z innego szpitala, innego aparatu, innej populacji. To jedyny naprawdę mocny test.
2. Mapy istotności (np. Grad-CAM) — nakładki pokazujące, które obszary obrazu wpłynęły na decyzję. Jeśli model „patrzy" na marker albo na dren, widać to od razu. Z zastrzeżeniem z Jednostki 10.4: mapa istotności jest pomocą diagnostyczną, nie dowodem — to rekonstrukcja po fakcie.
3. Usuwanie artefaktów i augmentacja — zamazywanie znaczników, losowe zmiany jasności, kadru i kontrastu, żeby cechy „proceduralne" przestały być predykcyjne.
4. Badania prospektywne — sprawdzenie na pacjentach zgłaszających się po wdrożeniu, nie na archiwum.

💭 Pomyśl

Model wykrywa czerniaka z czułością 95% na danych ze szpitala A. Uruchamiamy go w szpitalu B, gdzie te same zmiany fotografuje się innym aparatem, przy innym oświetleniu i bez obrysów markerem. Czułość spada do 70%. Co się stało — i który z tych dwóch wyników jest „prawdziwy"?

Sprawdź odpowiedź

Oba są prawdziwe: to dwa pomiary w różnych warunkach, nie pomiar i pomyłka. Model wyuczył się cech, z których część była specyficzna dla sposobu powstawania danych w szpitalu A — aparatu, oświetlenia, zwyczajów kadrowania, obrysów, a także populacji pacjentów i wynikającej z niej częstości choroby. Gdy warunki się zmieniają, część tych cech przestaje działać. Nazywamy to przesunięciem dziedziny (ang. dataset shift) i jest to bliski kuzyn uczenia skrótów: skrót jest przyczyną, przesunięcie dziedziny — okolicznością, w której koszt się ujawnia.

Który wynik jest istotny? Zależy od pytania. 95% opisuje model na danych podobnych do A. Jeśli pytamy „jak zadziała w szpitalu B", uczciwą liczbą jest 70% — i właśnie po to robi się walidację zewnętrzną. Praktyczny wniosek jest twardy: medyczny system AI jest dopuszczany do użytku dla określonej procedury i sprzętu, a zmiana aparatu czy protokołu zdjęcia jest zmianą warunków, która wymaga ponownej weryfikacji. Nie dlatego, że model jest zły — dlatego, że nauczył się świata, w którym go trenowano.

📘 Przykłady kontradyktoryjne: zmiana, której nie widać

Druga granica jest jeszcze bardziej niepokojąca, bo nie da się jej wytłumaczyć niestarannym zbiorem danych.

W 2013 roku zauważono, że do obrazu, który sieć klasyfikuje poprawnie z pewnością 99%, można dodać starannie policzony szum o bardzo małej amplitudzie — dla człowieka całkowicie niewidoczny — i sieć zmieni odpowiedź na zupełnie inną, znów z wysoką pewnością. Rok później pokazano, jak takie zaburzenie policzyć szybko i systematycznie. Obrazek zmieniony w ten sposób nazywa się przykładem kontradyktoryjnym.

📐 DEFINICJA — przykład kontradyktoryjny (ang. adversarial example): dane wejściowe zmodyfikowane celowo, minimalnie i zwykle niedostrzegalnie dla człowieka, tak by model podjął błędną decyzję — często z wysoką pewnością.

Dlaczego to się dzieje? Nie z powodu „błędu w programie". Sieć opiera decyzję na cechach, które w jej danych są realnie predykcyjne, ale bardzo wrażliwe na drobne, skoordynowane zmiany wielu pikseli naraz. Człowiek na takich cechach nie polega, więc nie widzi problemu. To własność wyuczonej funkcji, nie usterka implementacji — i po kilkunastu latach badań nie mamy na to ogólnego rozwiązania, tylko częściowe zabezpieczenia.

W 2019 roku zespół badaczy pokazał, że działa to również na obrazach medycznych — i zwrócił uwagę na motyw, który zwykle umyka. Zagrożeniem nie jest tu głównie „haker włamujący się do szpitala", ale pieniądze: jeśli refundacja procedury zależy od rozpoznania postawionego przez system automatyczny, pojawia się ekonomiczna zachęta, by obraz „lekko poprawić". Ta sama klasa problemu ma zresztą wersję fizyczną: naklejka w odpowiednim miejscu znaku drogowego potrafi sprawić, że system rozpoznawania znaków przeczyta go jako inny — co przenosi całą sprawę z ekranu na jezdnię.

📘 Co z tego wynika dla praktyki

Zbierzmy to w cztery wnioski, bo każdy jest osobną lekcją poza medycyną.

Pierwszy: badania retrospektywne systematycznie zawyżają. Wynik osiągnięty na archiwum zdjęć, z ustaloną proporcją przypadków i idealną jakością, jest górnym oszacowaniem. Realną wartość pokazują badania prospektywne, wieloośrodkowe — takie jak te, które w latach 2018–2019 potwierdziły przesiew retinopatii w Indiach i Tajlandii.

Drugi: dominującym modelem użycia jest wsparcie, nie zastąpienie. AI jako drugi czytelnik (model ocenia równolegle z człowiekiem, rozbieżności idą do weryfikacji) albo jako narzędzie priorytetyzacji kolejki: przypadki podejrzane trafiają na początek listy radiologa. Autonomiczne rozpoznanie bez człowieka jest wyjątkiem — i nieprzypadkowo pierwszym takim wyjątkiem (IDx-DR, 2018) było zadanie skrajnie wąskie: przesiew jednej choroby na jednym rodzaju obrazu, z jasną ścieżką „wynik dodatni → do okulisty".

Trzeci: lekarz robi coś innego niż model. Model dostaje jedno zdjęcie i zwraca jedną liczbę. Lekarz zbiera wywiad, oglądać pacjenta, zna wyniki innych badań, wie o lekach i chorobach współistniejących, decyduje o dalszym postępowaniu — i odpowiada za skutki. Porównanie „model kontra radiolog" na pojedynczych zdjęciach jest uczciwe jako pomiar wąskiej umiejętności, a nieuczciwe jako pomiar pracy lekarza.

Czwarty: bez wyjaśnialności nie ma odpowiedzialności. Skoro model nie umie powiedzieć, dlaczego, to pytanie „kto odpowiada za błąd" trzeba rozstrzygnąć instytucjonalnie: kto dopuszcza system do użytku, w jakich warunkach, kto monitoruje jego działanie po wdrożeniu, kiedy trzeba go zweryfikować ponownie. Tym zajmuje się dziś prawo — europejski AI Act zalicza medyczne systemy AI do kategorii wysokiego ryzyka i nakłada obowiązki dokumentacji, nadzoru człowieka i monitorowania (Jednostka 20.3). Uprzedzeniami modeli wynikającymi z niereprezentatywnych danych — na przykład zbiorów zdjęć skóry, w których dominuje jasna karnacja — zajmiemy się w Jednostce 20.2.

⚠️ Uwaga, pułapka

Zdanie „AI wykrywa raka lepiej niż lekarze" jest jednym z najczęściej powtarzanych nadużyć w opisach tej dziedziny. Precyzyjnie brzmi ono tak: w wąsko zdefiniowanym zadaniu (jedno zdjęcie, jedno rozpoznanie, przygotowany zbiór, wybrana metryka) niektóre modele osiągają wynik porównywalny z porównywanymi specjalistami albo lepszy.

Każde z tych zastrzeżeń wykonuje pracę. „Wąsko zdefiniowane zadanie" — bo model nie rozpoznaje raka, tylko klasyfikuje obrazy. „Przygotowany zbiór" — bo w praktyce dochodzi przesunięcie dziedziny. „Wybrana metryka" — bo przy chorobach rzadkich sama trafność jest bezużyteczna (Jednostka 9.4). „Porównywani specjaliści" — bo porównanie zwykle odbywa się na pojedynczych zdjęciach bez kontekstu klinicznego, czyli w warunkach dla człowieka nienaturalnych.

Test praktyczny, gdy następnym razem zobaczysz taki nagłówek: zapytaj o cztery rzeczy — jakie dokładnie było zadanie, na jakich danych mierzono, czy była walidacja zewnętrzna, i czy badanie było retrospektywne czy prospektywne. Jeśli tekst na żadne z tych pytań nie odpowiada, nie wiesz jeszcze nic.

🌍 Powiązania

Ta jednostka zamyka dział, ale otwiera trzy wątki. Uczenie skrótów wróci jako ogólna właściwość modeli uczących się ze danych — również językowych (Dział 18, gdzie model „zgaduje pod egzamin" zamiast rozumieć zadanie). Przesunięcie dziedziny i uprzedzenia to temat Jednostki 20.2, a regulacja i odpowiedzialność — Jednostki 20.3. Historyczny ciąg zamknie się w Dziale 13: zobaczysz tam moment, w którym ta architektura wygrała ImageNet i zaczęła wchodzić wszędzie, w tym do szpitali.

📐 Definicje tej lekcji

• Uczenie skrótów — wyuczenie cechy predykcyjnej w zbiorze treningowym, ale niezwiązanej przyczynowo ze zjawiskiem (marker, dren, model aparatu).
• Przesunięcie dziedziny (dataset shift) — zmiana warunków między treningiem a użyciem (inny aparat, populacja, protokół), przy której skróty przestają działać.
• Walidacja zewnętrzna — ocena modelu na danych z innego źródła niż trening; jedyny mocny test na skróty.
• Mapa istotności (np. Grad-CAM) — nakładka pokazująca, które obszary obrazu wpłynęły na decyzję; pomoc, nie dowód.
• Przykład kontradyktoryjny — celowo, minimalnie zmodyfikowane wejście, przy którym model odpowiada błędnie z wysoką pewnością.
• Badanie retrospektywne / prospektywne — ocena na archiwum danych / na przypadkach zgłaszających się po wdrożeniu.

📌 Najważniejsze w pigułce

• Sieci konwolucyjne działają w medycynie obrazowej: dermatologia i radiologia (2017), okulistyka (2016–2019), histopatologia (2020).
• Wszystkie te wyniki brzmią: „porównywalnie lub lepiej w wąskim zadaniu, na przygotowanym zbiorze, wg wybranej metryki".
• W 2018 roku IDx-DR został pierwszym systemem AI dopuszczonym przez FDA do autonomicznej diagnozy przesiewowej.
• Człowiek ma regułę nazwaną (ABCDE), sieć — wzorce, których nie umie wypowiedzieć. To zarazem jej siła i jej ryzyko.
• Uczenie skrótów: obrys markerem, dren opłucnowy, rozpoznanie szpitala z obrazu. Model uczy się śladu procedury, nie choroby.
• Skrótu nie widać na zbiorze walidacyjnym z tego samego źródła — ujawnia go walidacja zewnętrzna.
• Przykłady kontradyktoryjne: niewidoczna zmiana pikseli przestawia odpowiedź modelu; to własność wyuczonej funkcji, nie usterka. W medycynie motywem bywają pieniądze (refundacja).
• Badania retrospektywne zawyżają; standardem użycia jest wsparcie (drugi czytelnik, priorytetyzacja), nie zastąpienie lekarza.
• Lekarz robi coś innego niż model: kontekst kliniczny, decyzja o postępowaniu, odpowiedzialność.
• Wobec nagłówka „AI lepsze niż lekarze" zadaj cztery pytania: jakie zadanie, jakie dane, czy walidacja zewnętrzna, retrospektywne czy prospektywne.

🎒 Zadania

Zadanie 12.5.1. Podejrzewasz, że model wykrywający czerniaka nauczył się obrysów markerem. Zaprojektuj trzy różne sprawdzenia tej hipotezy i przy każdym powiedz, jaki wynik potwierdzi podejrzenie.

Pokaż rozwiązanie

(1) Eksperyment z dodaniem/usunięciem cechy. Weź zbiór zdjęć bez obrysów i dorysuj obrys cyfrowo (nie zmieniając samej zmiany skórnej); osobno weź zdjęcia z obrysami i zamaż je. Potwierdzenie: pewność „czerniak" rośnie po dorysowaniu i spada po zamazaniu, choć zmiana skórna jest identyczna.

(2) Mapa istotności. Wygeneruj nakładki Grad-CAM dla zdjęć z obrysami. Potwierdzenie: obszary o największym wpływie leżą na obrysie albo obok zmiany, a nie na samej zmianie. (Pamiętaj o zastrzeżeniu z Jednostki 10.4: mapa jest wskazówką, nie dowodem — dlatego nie wystarcza sama.)

(3) Walidacja zewnętrzna. Sprawdź model na zbiorze z ośrodka, w którym nie stosuje się obrysów przed zdjęciem. Potwierdzenie: wyraźny spadek czułości względem wyników wewnętrznych. To test najmocniejszy, bo mierzy skutek, a nie tylko mechanizm.

Warto zauważyć, że sam wysoki wynik na zbiorze walidacyjnym nie wyklucza niczego: jeśli walidacja pochodzi z tego samego szpitala, obrysy są w niej równie predykcyjne jak w treningu.

Zadanie 12.5.2. W populacji przesiewowej choroba występuje u 0,5% badanych. Model przesiewowy odpowiada „zdrowy" zawsze. Policz jego trafność na 1000 pacjentów i wyjaśnij, dlaczego jest bezużyteczny. Podaj, która miara pokazałaby problem.

Pokaż rozwiązanie

Na 1000 pacjentów chorych jest 0,5% · 1000 = 5, zdrowych 995. Model mówiący zawsze „zdrowy" trafia we wszystkich zdrowych i myli się przy wszystkich chorych: 995 / 1000 = 99,5% trafności. Liczba wygląda znakomicie, a model nie wykrył ani jednego przypadku choroby — czyli nie robi dokładnie tej jednej rzeczy, po którą go zbudowano.

Problem pokazuje czułość (jaki odsetek chorych został wykryty): tutaj 0/5 = 0%. W przesiewie czułość jest miarą pierwszorzędną, bo koszt przeoczenia choroby jest nieporównanie wyższy niż koszt fałszywego alarmu, po którym pacjent trafia na badanie potwierdzające. Dlatego systemy przesiewowe ocenia się parą czułość–swoistość albo krzywą ROC, nigdy samą trafnością (Jednostka 9.4). To także powód, dla którego progi decyzyjne w medycynie ustawia się asymetrycznie — świadomie zwiększając liczbę fałszywych alarmów, by nie przeoczyć chorego.

Zadanie 12.5.3. Oceń zdanie: „istnienie przykładów kontradyktoryjnych dowodzi, że sieć niczego nie rozumie". Wskaż, co w nim jest trafne, a co jest nadinterpretacją.

Pokaż rozwiązanie

Trafne: zjawisko pokazuje, że sieć opiera decyzję na czymś zupełnie innym niż człowiek. Nasze rozpoznawanie obrazów jest odporne na drobne, rozproszone zmiany jasności pikseli, bo korzystamy z kształtu, kontekstu i wiedzy o świecie. Sieć korzysta z cech statystycznych, które przy skoordynowanej mikrozmianie można przestawić. Jest to więc mocny argument przeciw zdaniu „sieć widzi tak jak my" (Jednostka 12.4) i przeciw traktowaniu wysokiej pewności modelu jako oznaki solidności.

Nadinterpretacja: ze zdania „nie rozumie tak jak człowiek" nie wynika „nie rozumie nic" ani „jest bezużyteczna". Ta sama sieć poprawnie klasyfikuje miliony zwykłych obrazów, w tym takich, których nigdy nie widziała — czyli wychwyciła realne, przenośne prawidłowości, a nie zapamiętała zbioru treningowego. Kruchość i użyteczność współistnieją. Poza tym „rozumienie" jest tu słowem, które trzeba osobno zdefiniować, zanim się o nie pokłócimy — i temu poświęcony jest Dział 19 (Jednostka 19.2).

Uczciwy wniosek: przykłady kontradyktoryjne dowodzą, że sieć rozwiązuje zadanie inaczej i że jej niezawodność ma inne granice niż ludzka. To wystarczający powód, by w zastosowaniach o wysokiej stawce nie zostawiać jej samej — i za mało, by ją odrzucić.

🔍 Sprawdź, czy umiesz

• [ ] Podać cztery obszary medycyny obrazowej z datami i powiedzieć, co dokładnie osiągnięto.
• [ ] Wyjaśnić różnicę między regułą ABCDE i wzorcami wyuczonymi z danych — z konsekwencjami w obie strony.
• [ ] Wyjaśnić uczenie skrótów na trzech przykładach i wskazać, dlaczego walidacja wewnętrzna go nie wykrywa.
• [ ] Wyjaśnić, czym są przykłady kontradyktoryjne i dlaczego nie są zwykłym błędem programu.
• [ ] Rozbić zdanie „AI wykrywa raka lepiej niż lekarze" na cztery zastrzeżenia.

---