Radiolodzy nie znikają przez AI, mimo prognozy Hintona sprzed dekady

W 2016 roku Geoffrey Hinton, jeden z twórców głębokiego uczenia, powiedział wprost: ludzie powinni przestać szkolić radiologów, bo w ciągu pięciu lat sztuczna inteligencja będzie w tym lepsza od nich. Dekadę później liczba radiologów w Stanach Zjednoczonych nie spadła, tylko wzrosła, a nowe analizy pokazują, że AI weszła do gabinetów jako narzędzie pracy lekarza, a nie jego zastępstwo.

Prognoza, która się nie sprawdziła

Cytat Hintona z 2016 roku wrócił w ostatnich miesiącach w wielu amerykańskich mediach, bo dziesięć lat od tamtej wypowiedzi dane rynkowe mówią coś zupełnie innego. Radiolodzy w USA zarabiają dziś średnio ponad pół miliona dolarów rocznie, a zapotrzebowanie na specjalistów tej dziedziny rośnie szybciej niż podaż. Sam Hinton przyznał później, że mówił zbyt ogólnie i nie sprecyzował, że miał na myśli wyłącznie analizę obrazu, a nie cały zawód, który obejmuje też rozmowę z pacjentem, planowanie leczenia i interpretację wyniku w kontekście historii choroby.

To właśnie ten kontekst okazał się kluczowy. Algorytmy potrafią dziś przeanalizować każdy piksel obrazu bez zmęczenia i porównać go z milionami wcześniejszych przypadków w ułamku sekundy, czego żaden człowiek nie jest w stanie powtórzyć. Ale rozpoznanie wzorca na zdjęciu to dopiero początek pracy diagnostycznej, nie jej koniec.

Skala wdrożeń w amerykańskich szpitalach

Amerykańska Agencja Żywności i Leków dopuszczoną do użytku listę systemów AI w medycynie prowadzi od lat, a jej najnowsze dane pokazują, że radiologia zdecydowanie dominuje wśród zatwierdzeń. Ponad 1160 z około 1500 wszystkich zatwierdzonych przez FDA urządzeń medycznych opartych na sztucznej inteligencji dotyczy właśnie obrazowania diagnostycznego, co stanowi mniej więcej trzy czwarte całego rynku. Agencja zatwierdza obecnie około 30 nowych algorytmów miesięcznie, a tempo to systematycznie rośnie od kilku lat.

Największymi dostawcami takich rozwiązań są giganci sprzętu medycznego: GE HealthCare ma na koncie ponad 120 autoryzacji w samej radiologii, Siemens Healthineers blisko 90, a Philips 50. Obok nich rośnie też grupa wyspecjalizowanych startupów AI, jak Aidoc czy DeepHealth, budujących systemy skoncentrowane wyłącznie na wykrywaniu konkretnych patologii, na przykład zatorów płucnych czy krwawień śródczaszkowych.

Sztuczna inteligencja nie jest lepszym rodzajem inteligencji, tylko innym rodzajem inteligencji. Człowiek plus maszyna działają lepiej niż którekolwiek z osobna - dr Curtis Langlotz, dyrektor Center for Artificial Intelligence in Medicine and Imaging, Stanford University

Dlaczego błędy diagnostyczne wciąż się zdarzają

Skala problemu, który AI ma pomóc rozwiązać, jest ogromna. Szacuje się, że na świecie dochodzi rocznie do około 40 milionów błędów diagnostycznych, a tradycyjna interpretacja obrazów medycznych przez człowieka obarczona jest marginesem błędu rzędu 3-5 procent. Przy milionach wykonywanych badań rentgenowskich, tomografii i rezonansów każdego roku nawet niewielki odsetek pomyłek przekłada się na setki tysięcy przeoczonych lub błędnie zinterpretowanych przypadków.

Systemy AI są w stanie wyłapać część z tych pomyłek, zwłaszcza tam, gdzie zmęczenie, presja czasu albo rutyna sprzyjają przeoczeniom. Nie eliminują jednak problemu całkowicie, a w niektórych przypadkach wprowadzają nowy rodzaj ryzyka: tak zwane czarne skrzynki, czyli sieci neuronowe, które nie potrafią wyjaśnić, dlaczego wskazały konkretny wynik. To rodzi obawy o błędy automatyzacji, gdy lekarz zbyt bezkrytycznie ufa sugestii algorytmu, oraz o efekt samouspokojenia, gdy czujność diagnostyczna spada, bo AI wcześniej się nie myliła.

Luka w szkoleniach

Najsłabszym ogniwem całego systemu okazują się dziś nie same algorytmy, lecz przygotowanie lekarzy do pracy z nimi. Z ankiety Amerykańskiego Towarzystwa Lekarskiego przeprowadzonej w 2026 roku wynika, że ponad jedna czwarta lekarzy w USA nie przeszła żadnego formalnego szkolenia z obsługi narzędzi AI, a zaledwie 11 procent odbyło pełny, kompleksowy kurs. Jednocześnie zdecydowana większość ankietowanych deklaruje, że chce więcej edukacji w tym zakresie, najchętniej w formie krótkich modułów wplecionych w codzienną pracę, a nie oddzielnych szkoleń prowadzonych przez same firmy technologiczne.

Ta rozbieżność między tempem wdrażania systemów AI a tempem szkolenia personelu medycznego to problem, który dotyczy nie tylko Stanów Zjednoczonych. Podobne sygnały płyną z europejskich szpitali, gdzie regulatorzy i towarzystwa medyczne coraz częściej wskazują, że sam certyfikat FDA czy znak CE dla urządzenia AI nie wystarczy, jeśli osoba, która ma z niego korzystać, nie rozumie jego ograniczeń.

Co to oznacza dla polskich placówek

W Polsce systemy AI do analizy obrazów diagnostycznych trafiają już do kolejnych szpitali i przychodni, od onkologii po kardiologię, a krajowi regulatorzy dopiero budują ramy nadzoru nad ich wykorzystaniem. Amerykańskie doświadczenie pokazuje kierunek, w jakim prawdopodobnie podąży też rynek europejski: nie zastępowanie specjalistów, ale wyposażanie ich w narzędzie przyspieszające pierwszy etap analizy, przy jednoczesnym utrzymaniu człowieka jako ostatecznego decydenta. Kluczowym pytaniem pozostaje, czy polskie szpitale i uczelnie medyczne zdążą z systematycznym szkoleniem kadry, zanim liczba wdrożonych systemów AI przekroczy ich zdolność do nadzorowania tych narzędzi.