CAMP: Konačno pametniji AI za dijagnozu od prosječnog liječnika?

Istraživači s arXiv-a objavili su CAMP, inovativni sustav koji umjesto fiksne ekipe specijalista za svaki slučaj odabire optimalnu kombinaciju agenata prema stupnju dijagnostičke neizvjesnosti. Ključna razlika u odnosu na postojeće pristupe nije samo u korištenju većeg broja modela, već u sposobnosti prilagodbe panela specifičnim izazovima pojedinog pacijenta. Dok klasični multi-agent sustavi oslanjaju se na ravnu većinu glasova, CAMP uvodi tri vrijednosti: KEEP, REFUSE i NEUTRAL, omogućujući principijelno suzdržavanje kad slučaj prelazi granice stručnosti.

Rezultati na MIMIC-IV skupu podataka pokazuju da sustav postiže bolju točnost od statičnih alternativa uz nižu potrošnju tokena. To nije samo tehnička optimizacija – radi se o promjeni paradigme gdje AI ima pravo priznati 'ne znam' umjesto da pogodi i potencijalno pogriješi. U kliničkom okruženju, gdje je svaka greška skupa, takva sposobnost može biti razlika između korisne alatke i opasnog crnog sanduka.

Međutim, značenje CAMP-a ne leži samo u algoritamskim inovacijama. Sustav sugerira novi smjer razvoja kliničke AI: prilagodljivost kao prednost, a ne slabost. Dok većina istraživača nastoji smanjiti varijabilnost modela, autori ovdje tvrde da je upravo heterogenost različitih slučajeva ono što zahtijeva dinamički pristup.

Tehnički, sustav se temelji na hibridnom usmjerivaču koji odlučuje između tri scenarija: snažnog konsenzusa panela, direktne odluke liječnika-koordinatora ili arbitraže temeljene na evidenciji. Takva arhitektura zvuči elegantno, ali pravo pitanje je koliko će se učinkovito skalirati izvan kontroliranih uvjeta MIMIC-IV skupa. Iako su autori testirali četiri različite LLM baze, ostaje nejasno kako bi sustav reagirao na rijetke ili kontroverzne dijagnoze koje nisu pokrivene trening podacima.

Još važnije, CAMP implicira potencijalni pomak u industriji: umjesto da se natječu u veličini modela, istraživači sada eksperimentiraju s inteligentnom orkestracijom manjih, specijaliziranih modela. Takav pristup mogao bi smanjiti troškove razvoja i korištenja, ali istovremeno uvodi nove izazove u usklađivanju višestrukih 'mišljenja' agenata. Razvojni forumi već pokazuju prve rasprave o implementaciji sličnih mehanizama u otvorenom kodu.

Ipak, najveći izazov možda nije tehnički, već konceptualan. Ako AI sustavi postanu dovoljno transparentni da priznaju kad imaju praznine u znanju, kako će to utjecati na odnos između liječnika i strojeva? Hoće li postati alat za donošenje odluka ili još jedan sloj birokracije u zdravstvu?

Iako tehnička inovacija CAMP-a zaslužuje pažnju, pravi test bit će u realnim kliničkim uvjetima. Samo praksa će pokazati može li ovaj sustav održati obećanja u svakodnevnoj upotrebi i prevladati skepticizam zdravstvenih profesionalaca.