Umělá inteligence překonala expertní týmy v analýze lékařských dat

Výsledek, který boří dosavadní měřítka

Zjištění bylo natolik překvapivé, že se i zkušení výzkumníci pozastavili: generativní nástroje umělé inteligence, pokud dostanou správné podněty, dokážou analyzovat složité lékařské datové sady rychleji než ostřílené výzkumné týmy – a někdy dosahují i lepších výsledků.

Studie publikovaná 17. února 2026 v časopise Cell Reports Medicine výzkumníky z UC San Francisco (UCSF) a Wayne State University postavila osm generativních nástrojů umělé inteligence proti tradičním týmům datových vědců ve výzvě s vysokými sázkami: předpovědět předčasný porod z dat vaginálního mikrobiomu shromážděných od více než 1200 těhotných žen v devíti nezávislých studiích.

Benchmark DREAM

Lidským základem byla soutěž Preterm Birth DREAM Challenge – crowdsourcovaná soutěž v oblasti strojového učení, do které 318 týmů přihlásilo 148 modelů pro předpověď, zda ženy porodí před 37. týdnem těhotenství. Nejlepší modely vedené lidmi dosáhly plochy pod křivkou ROC (AUROC) 0,68 pro standardní předčasný porod a 0,92 pro časný předčasný porod (před 32. týdnem) – což je silný výkon podle jakéhokoli klinického měřítka.

Když výzkumníci tuto výzvu replikovali pomocí generativní umělé inteligence – poskytli velkým jazykovým modelům strukturované podněty a požádali je o generování kompletních analytických postupů – čtyři z osmi nástrojů umělé inteligence vytvořily modely, které byly konkurenceschopné s nejlepšími lidskými vstupy nebo je překonávaly. Rozdíl v rychlosti byl dramatický: zatímco původní soutěž DREAM trvala od počátku do publikace téměř dva roky, projekt s asistencí umělé inteligence byl dokončen za pouhých šest měsíců.

Juniorský výzkumníci, profesionální výsledky

Snad nejvýmluvnější ukázkou byla práce dvou výzkumníků bez doktorského titulu. Reuben Sarwal, student magisterského studia na UCSF, a Victor Tarca, student střední školy, spolupracovali s využitím nástrojů umělé inteligence na vytvoření životaschopných predikčních modelů – generovali funkční analytický kód během minut, namísto hodin nebo dnů, které by úkol normálně vyžadoval od zkušených programátorů.

„Opravdu to demokratizuje, kdo může tento druh výzkumu provádět,“ řekl spoluautor studie Adi Tarca, profesor na Wayne State University, podle zprávy UCSF. Zjištění naznačuje, že tradiční požadavek na velké, vysoce specializované týmy pro řešení velkých biomedicínských datových sad by se mohl rychle rozpadat.

Úskalí a omezení

Výsledky nebyly jednoznačně pozitivní. Polovina testovaných nástrojů umělé inteligence selhala a neprodukovala spolehlivé výstupy. Výzkumníci také varovali, že umělá inteligence může generovat analýzy, které vypadají věrohodně, ale jsou jemně chybné, pokud nejsou pečlivě dohlíženy. Kvalita podnětů se ukázala jako kritická: pouze přesné, dobře strukturované instrukce důsledně vyvolávaly důvěryhodné výsledky.

Autoři studie zdůrazňují, že lidská odbornost zůstává nepostradatelná. Vědci musí stále validovat modely, interpretovat výstupy v klinickém kontextu a chránit se před algoritmickým zkreslením – zejména v datových sadách, které mohou nedostatečně reprezentovat určité etnické nebo socioekonomické skupiny.

Širší dopady na klinickou vědu

Předčasný porod je hlavní příčinou úmrtí novorozenců na celém světě a významným faktorem dlouhodobých kognitivních a motorických problémů u dětí. Rychlejší a dostupnější nástroje pro analýzu dat by mohly urychlit vývoj diagnostických modelů a personalizovaných hodnocení rizik – potenciálně zachraňovat životy ve velkém měřítku.

Širší význam však sahá daleko za porodnictví. Pokud generativní umělá inteligence dokáže replikovat měsíce odborné práce datových vědců v různých lékařských oblastech – onkologii, genomice, kardiologii – úzké hrdlo výzkumného procesu se může zásadně posunout. Otázka již není jen to, kdo má přístup k datům, ale kdo má přístup ke správným podnětům. Tato studie naznačuje, že druhá bariéra rychle padá.