Biologicznie inspirowana synergia neuromorficznego XAI dla przejrzystej i niskoemisyjnej inteligencji w opiece zdrowotnej

Inteligentniejsza technologia szpitalna dla ludzi i planety

Szpitale coraz częściej sięgają po sztuczną inteligencję do odczytywania sygnałów serca, wykrywania niebezpiecznych rytmów i wspierania decyzji lekarzy. Jednak współczesne, potężne algorytmy często zachowują się jak czarne skrzynki i wymagają energochłonnych procesorów graficznych, co stoi w sprzeczności z celami klimatycznymi i obciąża placówki o ograniczonym dostępie do energii. W artykule proponowany jest nowy rodzaj systemu monitorowania serca, który ma być zarówno zrozumiały dla klinicystów, jak i znacznie bardziej energooszczędny, otwierając drogę do bezpieczniejszej, niskoemisyjnej cyfrowej opieki zdrowotnej.

Dlaczego obecna medyczna SI nie spełnia oczekiwań

Nowoczesna medyczna SI potrafi dorównać lub nawet przewyższyć ekspertów w zadaniach takich jak odczyt zdjęć rentgenowskich czy wykrywanie nieprawidłowych rytmów serca. Jednak wiele modeli działa w dużych centrach danych lub na zaawansowanych GPU, które pobierają setki watów nieprzerwanie. Na oddziale intensywnej terapii pojedynczy system oparty na GPU pracujący non‑stop może zużywać ponad 2 000 kilowatogodzin rocznie. Równocześnie modele te zazwyczaj dostarczają niewiele informacji o tym, jak dochodzą do swoich wniosków, co utrudnia lekarzom i organom regulacyjnym zaufanie do nich. Istniejące narzędzia wyjaśniające mogą pomagać, lecz same często wymagają dużej dodatkowej mocy obliczeniowej, co jeszcze bardziej zwiększa zużycie energii i opóźnienia.

Droga inspirowana mózgiem do łagodniejszych obliczeń

Autorzy badają obliczenia neuromorficzne — styl sprzętu i algorytmów naśladujący komunikację biologicznych neuronów za pomocą krótkich impulsów elektrycznych zamiast sygnałów ciągłych. W ramach ich systemu NEXAI‑Health sygnały z elektrokardiogramu (EKG) są przekształcane w rzadkie strumienie impulsów, gdzie informacja jest przenoszona głównie przez moment ich wystąpienia, a nie przez gęste wartości liczbowe. To zdarzeniowe podejście oznacza, że obliczenia zachodzą tylko wtedy, gdy są potrzebne, co może znacząco obniżyć zużycie energii w porównaniu z tradycyjnymi układami, które przetwarzają każdy krok czasowy bez względu na zmiany sygnału.

W tym frameworku zespół buduje koliste sieci neuronowe (spiking neural networks) dostosowane do klasyfikacji uderzeń serca na podstawie dobrze znanej bazy MIT‑BIH Arrhythmia Database. Projektują kodowanie tak, by tylko około 16 procent możliwych zdarzeń impulsowych faktycznie występowało, znajdując kompromis między zachowaniem istotnych medycznie cech — takich jak kształt głównego szczytu skurczu i odstępy czasowe między uderzeniami — a unikaniem zbędnej aktywności. Symulacje sugerują, że ta rzadka, oparta na impulsach reprezentacja może utrzymać wysoką zawartość diagnostyczną przy znacznym zmniejszeniu liczby operacji, które musiałby wykonać sprzęt.

Ułatwianie zaufania do decyzji maszynowych

Aby rozwiązać problem czarnej skrzynki, autorzy adaptują technikę wyjaśniania zwaną zintegrowanymi gradientami (integrated gradients) do pracy na torach impulsowych zamiast standardowych wejść numerycznych. W praktyce daje to mapy cieplne dla każdego uderzenia serca, które wyróżniają punkty czasowe mające najsilniejszy wpływ na decyzję systemu. Istotne jest to, że wbudowują wyjaśnienia bezpośrednio w działanie modelu, zamiast dodawać je później, i modulują szczegółowość wyjaśnień w zależności od budżetu energetycznego. Gdy dostępna jest duża ilość energii, system używa wielu kroków pośrednich dla wyjaśnień o wysokiej wierności; gdy energia jest ograniczona, przechodzi do bardziej ogólnych, ale nadal informacyjnych streszczeń. W testach te wyjaśnienia dobrze pokrywały się z klinicznie istotnymi obszarami EKG, takimi jak ostry centralny szczyt i fala odzyskiwania, osiągając wysokie wyniki w ilościowych miarach wierności.

Projektowanie z uwzględnieniem realnych ograniczeń energetycznych

Ponad sam model, artykuł szkicuje większy ekosystem do zrównoważonego wdrożenia. Łączy neuromorficzny silnik z prostym modelem zasilania słonecznego i baterią, a następnie wykorzystuje algorytm harmonogramowania, który decyduje, które zadania monitorowania pacjenta uruchomić, biorąc pod uwagę zarówno pilność kliniczną, jak i dostępną energię. W symulacjach wykorzystujących ponad 100 000 otagowanych uderzeń serca, framework osiągnął około 95 procent dokładności diagnostycznej — nieco lepiej niż silne porównawcze modele głębokiego uczenia — jednocześnie skracając symulowane opóźnienia i zużycie pamięci na tyle, by zmieścić się na skromnych urządzeniach klasy edge. Autorzy szacują duże oszczędności energii w porównaniu z systemami opartymi na GPU, choć podkreślają, że liczby te są projekcjami opartymi na opublikowanych specyfikacjach układów neuromorficznych, a nie rzeczywistymi pomiarami.

Co to oznacza dla przyszłej opieki zdrowotnej

Dla osób niebędących specjalistami najważniejsze jest to, że praca stanowi plan działań, a nie gotowy produkt. Badanie pokazuje, że przynajmniej w symulacjach programowych model inspirowany mózgiem potrafi dokładnie odczytywać sygnały serca, dostarczać lekarzom przyjazne wizualne wyjaśnienia swojej logiki i teoretycznie działać przy ułamku energii zużywanej przez dzisiejszą powszechną SI. Jednak autorzy jasno zaznaczają, że nie zbudowali jeszcze ani nie przetestowali fizycznego urządzenia neuromorficznego ani nie przeprowadzili badań klinicznych. Aby rzeczywiście dostarczyć przejrzystą, niskoemisyjną SI w opiece zdrowotnej, przyszłe prace muszą przenieść te projekty na rzeczywiste układy neuromorficzne, zweryfikować rzeczywiste zużycie energii i wykazać bezpieczne, niezawodne działanie przy łóżku pacjenta.

Cytowanie: Sungheetha, A., R., R.S., Balusamy, B. et al. Biologically inspired neuromorphic-XAI synergy for transparent and low-carbon healthcare intelligence. Sci Rep 16, 10049 (2026). https://doi.org/10.1038/s41598-026-39515-2

Słowa kluczowe: obliczenia neuromorficzne, wyjaśnialna SI, arytmia EKG, energooszczędna opieka zdrowotna, niskoemisyjna diagnostyka