A világ két nagy veszéllyel néz szembe: a klímaváltozással és a bioterrorizmussal – nyilatkozta a Veritasium YouTube-csatornán Bill Gates.

Katasztrofális következményei lesznek, ha alig fektetünk be járványokat megállító rendszerekbe, és „ha a következő évtizedekben bármi 10 milliónál több embert megöl, a legvalószínűbb, hogy inkább egy nagyon erősen fertőző vírus lesz, mintsem háború” – prognosztizálta a Microsoft-társalapító egy 2015-ös TED Talkon, és igaza lett. Mellékszálként: Bill Gates a koronavírussal kapcsolatos őrült összeesküvéselméletek főszereplője, az agymenések kitalálói előszeretettel emlegetik ezt az előrejelzését, bár a Covid-19 áldozatainak száma szerencsére távol van a 10 milliótól. Eddig 2 milliónál többen hunytak el a járvány miatt.

Most viszont Gates már arról beszélt, hogy – összeesküvéselmélet-hívők figyelem! – a következő még rosszabb lehet, mert szándékosan vethetik el a katasztrófai magjait.

„A bioterrorizmus, amikor valaki szándékosan azért hoz létre egy vírust, hogy ártson vele, szintén kapcsolatba hozható a járványokkal, és senki nem szeret róla beszélni. Nagyobb az esélye, mint a természetes eredetű pandémiáknak, mint a mostani” – jelentette ki a filantróp tevékenységéről is híres Gates.

A bioterrorizmus veszélye sem jelenti azonban azt, hogy ne készüljünk fel a következő világjárványra. Ha komoly összegeket fektetünk a kutatásokba, és növeljük a tesztelési kapacitásokat, az elhunytak száma drasztikusan csökkenthető.

„Nem tudhatjuk, mikor csap le a következő, és hogy influenza, koronavírus vagy eddig soha nem látott, új járvány lesz. Azt viszont tudjuk, hogy még egyszer nem várakozhatunk ölbe tett kézzel. A fenyegetés mindig velünk lesz, ha csak nem tesszük meg a megelőző lépéseket” – írta a Bill és Melinda Gates Alapítvány januári, éves levelében.

Tabujellege miatt, és mert a nagy médiumok alig foglalkoznak vele, Gates számára szokatlan a bioterrorizmusról, mint speciális fenyegetésről beszélni, ráadásul az elmúlt tizenkét hónapban nagyon átpolitizálták a témát, például Donald Trump eleinte többször utalt arra, hogy a Covid-19-et laborban állíthatták elő.

A valóság eddig rácáfolt a vádaskodásra, a koronavírus természetes eredete viszont távolról sem jelenti azt, hogy a közeljövőben laboratóriumi úton ne fejlesszenek a mostaninál gyilkosabb vírusokat.

Képzeljük el, hogy hazaértünk a munkából, pocsék a hangulatunk, okos hangfalunk automatikusan „leszkenneli” az érzelmi állapotunkat, és megnyugtató muzsikával kedveskedik nekünk.

Utána képzeljük el azt is, hogy a rendőrség kihallgatja a közeli országút alatt bombák elhelyezésével gyanúsított, de mindent tagadó személyt. Feltételezett cinkostársairól mutatnak fényképet, ám változatlan tagad. A helyiségben lévő antenna figyeli a szívverését, miközben ő a fotót nézi. Az adatokat mesterséges intelligencia elemzi, és megállapítja, hogy az illető érzelmei nagyon mást mutatnak, mint amit elmondott.

A Londoni Queen Mary Egyetem kutatói a szívritmus apró változásait észlelő rádióhullámokat használva, tanítják meg egy mély mesterséges ideghálónak a jelek értelmezését, hogy találja ki belőlük: milyen érzelmekre utalnak.

Kicsi rádió adóvevővel dolgoztak, az azzal összegyűjtött adatokat különféle szívritmusokat tartalmazó adatbázisba tették. A szívritmusok érzelmi állapotoknak felelnek meg, alanyaikat erősen emocionális videók nézése közben figyelték meg. A nyugalomnak, a félelemnek, az undornak és az örömnek feleltek meg.

A kutatók alanyaikat elektrokardiogrammal is leellenőrizték, hogy biztosak legyenek az antenna által rögzített adatok pontosságában. Az adatokat mesterséges idegháló vizsgálta. 71 százalékos pontossággal dolgozott, azonosított érzelmi állapotokat.

Teljesítménye jobb, mint egy, korábban bő 60 százalékot teljesítő, szintén gépitanulás-alapú rendszeré. Az előbbinek ráadásul sokkal több munkát kellett elvégeznie, alaposan meghatározott jegyeket kivonatolt adatsorokból. Az ideghálók jobban dolgoznak, pontosabb eredményekre képesek az idő által erősen meghatározott adatsorokkal, például a rádióhullámokkal, mint a hagyományosabb mesterségesintelligencia-technikák.

A fejlesztéssel az egészségügyben és a wellness-iparban dolgozók jobban megérthetik betegeik, ügyfeleik érzelmi állapotát. Másrészt viszont kevésbé gyógyító, építő-szépítő területeken, például – és valószínűleg elsődlegesen – a nemzetbiztonságban is hasznosíthatják. Ez utóbbi alkalmazásokhoz sok előzetes kutatásra lesz még szükség.

A 71 százalék távolról sem ideális, és a gépi értelem egyelőre érzelmeinket nem teljes komplexitásukban észleli, az új fejlesztéssel viszont közelebb kerültünk az ilyen rendszerekhez.

Mesterségesintelligencia-algoritmusok manapság általában hihető, megtévesztő képeket készítenek nemlétező személyekről, vagy állítanak elő meggyőző műalkotás-utánzatokat, írnak cikkeket, de még pokémonokat is generálnak. Hatékonyan működik a kamukép (deepfake) ipar, és amíg virtuális asszisztenseink élethűségével voltunk elfoglalva, egy észt-francia kutatócsoport szintet lépett.

Algoritmusuk egész pontosan a molekuláris szintre ment le, és szintén nemlétező személyek genetikai kódjával állt elő. Az MI generatív ellenséges hálózatot (generative adversarial network, GAN) használ: egy GAN-ben két idegháló dolgozik együtt, de egymás ellen. Az egyik képet, videót, bármit generál, a másik valódi példákkal összehasonlítva, „megkritizálja” a munkáját, mire az korrigál rajta, utána megint jön a kritika, és a „játék” mindaddig folytatódik, amíg élethű kimenetet nem generálnak.

Ez történt most is; a Tartui és a Párizs-Saclay egyetemek kutatói szerint a GAN a valóditól megkülönböztethetetlen emberi genomokat generált. Sok deepfake projekt szórakoztatásra vagy manipulációra használt eredményeivel ellentétben, elmondásuk alapján kamu génszekvenciáikat genetikusok valódi tudományos célokra használhatják fel.

DNS-kódjaikkal genetikai kísérleteken dolgozhatnak, és információbiztonsági, személyiségi jogi (privacy) szempontból sem mindegy, hogy létező vagy nemlétező személyek genomjával folynak a kutatások. A jelenlegi szabályozás nagyon szigorú, ezért például kutatók nehezen tudnak adatsorokat megosztani egymással. Szintetikus DNS esetében változna a helyzet.

Ugyanakkor, míg a képek, műalkotások stb. alapján a maga „kamuművét” létrehozó algoritmusok elsősorban az MI tanulási folyamatát javítják, és viszonylag bejáratott terepen ténykednek, addig a valódi emberi genommal kapcsolatban rengeteg a megválaszolatlan kérdés. Nem ismerjük pontosan a különféle részek egymáshoz való kapcsolatát, hogy ez vagy az pontosan mit is csinál.

Mindaddig, amíg ezekre a kérdésekre nem kapunk választ, kétséges, hogy kamu DNS mennyire használható gépi tanulásra, mennyire tekinthető pontos gyakorlóadatnak.

„Érdekes projektnek tartom, de nem vagyok meggyőződve arról, hogy jelenleg van gyakorlati haszna. Tudományos közösségek próbálják megfejteni a genom nem-kódoló régióinak működését. Csak azért, mert az algoritmussal készített genomokat számítástudományi szempontból nem tudjuk megkülönböztetni a valóditól, nem biztos, hogy az előbbiek megőrizték az eredeti teljességét, összes fontos funkcióját” – nyilatkozta Deanna Church, az Inscripta biotechnológiai cég igazgatóhelyettese a fejlesztésről.

Church szerint messze vagyunk attól, hogy mesterséges intelligenciák által készített szintetikus genomokat húsvér emberi sejtekké alakítsunk át.

Etikai kérdések szintén felmerülhetnek. Egyelőre ugyan sci-fi kategória, de könnyen elképzelhető, hogy például bűnözők visszaélnek kamu genomokkal.

Szavak jelentésének memorizálásában sokat segít gyerekeknek, ha az adott szót valamilyen képhez tudják társítani.

Az Észak-karolinai Egyetem kutatói gépitanulás-modellekkel próbálnak hasonlót elérni. A modellek a vizualizált tókeneknek vagy vókeneknek nevezett kép-szó párokból álló méretes adatsoron gyakorolnak.

Képek hangsúlyozzák, nyomatékosítják szavak jelentését, az adatsorokban viszont jóval kevesebb az ilyen pár, és a nyelvi modellek betanításához használt korpuszokkal összehasonlítva, kicsi a szótáruk is. Ugyanakkor jól használhatók modellek tanításához, hogy megtalálják a szavak és a képek közötti kapcsolatokat. Az ezzel a párosítással működő, jól bejáratott nyelvi modellek is jobban megértenek szavakat.

A kutatók egyedi szavakkal és képekkel tanították a vizuális tókeneket generáló rendszert (vokenizer), amely a vókenek segítségével jelzett előre párokat. Utána változatos nyelvi feladatokhoz finomhangolták.

A rendszer előre trenírozott vizuális és a nyelvmodellből áll, mindkettőhöz kétszintes idegháló kapcsolódik. Ezek a bemeneti képekhez és tókenekhez generálnak megjelenítéseket. Tucatnyi objektumtípust feliratokkal ábrázoló adatbázissal dolgozva, jutottak el tóken-kép párokig – egy képet egy adott felirat összes tókenjével társítottak.

Utána többmillió objektumot tartalmazó adatsorral dolgoztak. A rendszer az objektumokat az angol nyelvű Wikipédiából származó szavakkal próbálta leírni. Egy másik nyelvi modellnél véletlenszerűen szedtek ki tókeneket a Wikipédian talált mondatokból. A modellt megtanították a hiányzó tókenek és a hozzájuk kapcsolódó képek előrejelzésére.

Ezt követően jött a rendszer nyelvmegértési, kérdezz-felelek és nyelvi következtetési feladatokra történő finomhangolása. A modell összességében jobban teljesített, mint a kevesebb képi elemmel dolgozó többi.

A kutatás tanulsága, hogy vizuális tanulás a legjobb nyelvi modelleken is javíthat. Márpedig, ha képekkel dolgozva, eredményesebb, akkor akár hangokkal is ki lehet próbálni. Ez lesz a következő lépés?

A mesterséges intelligencia sokféleképpen képes növelni a hatékonyságot és a biztonságot, de nagyon nem mindegy hogyan: a felhasználót gazdagítja valamivel, levesz róla terheket, vagy ellenkezőleg, elbizonytalanítja, bizalmatlanná teszi?

Az Amazon novemberben jelentős mértékben, 400 ezernél többre növelte áruszállító sofőrjeinek a számát. Eddig a SmartDrive gépilátás-rendszere figyelte folyamatosan a nagyobb távolságra tartó vezetőket, és „vigyázott”, hogy ne aludjanak el, ne terelődjön el a figyelmük. Nem egyedi eset, mások is élnek a mesterséges intelligencia lehetőségeivel, például a versenytárs United Parcel Service szintén okos technológiával, a Lytx DriveCam-mel monitorozza a sofőröket.

Az Amazon tovább finomítja a technikát, most már a jármű belsejében lévő kamerák figyelmeztetik az ellenőrzést végző személyeket, ha a sofőr veszélyesen viselkedik. Az online kereskedelem világvezető vállalata az ülések fölé szerelte a Netradyne Driveri rendszerét, amely jelez, ha a vezető olvas, nem kapcsolja be a biztonsági övet, a megengedettnél nagyobb sebességgel vezet, nem vesz tudomást jelzőtáblákról stb.

A gyorsulásmérővel és giroszkóppal kiegészített kamerák az utcát, a külső környezetet és a járműbelsőt egyaránt monitorozzák. A rendszer 16 nem biztonságos viselkedésformát tud azonosítani.

Ha veszélyes magatartást érzékel, figyelmezteti a vezetőt, és azonnal videót küld róla az Amazonnak, A vezetők manuálisan tölthetnek fel potenciálisan problémás eseményeket, például a járműhöz túl gyorsan közeledő személyeket vagy megközelíthetetlen helyszíneket megjelenítő mozgóképanyagokat.

A Netradyne elmondta, hogy rendszerének használatával kétharmaddal csökken az összeütközések száma.

A Driveri megosztja az Amazon sofőrjeit. Többek szerint megsérti személyiségi jogaikat (privacy), feleslegesen nagy nyomást helyez rájuk, hogy megfeleljenek a cég agresszív szállításütemezésének.

Az Amazon rendszerét mások is bírálják. A New York Times és a BuzzFeed szerint a nyomásgyakorlás veszélyezteti a biztonságos vezetést, még több lehet a karambol és a halálos járműbaleset. Támogatói viszont a stresszes állapotban gyakori emberi hibák csökkenéséről beszélnek.

A 15 ezer lakosú floridai Oldsmar városban helyi és szövetségi hatóságok egy múlt pénteki hackertámadást vizsgálnak. A támadás a helyi víztisztító telep ellen irányult, valaki távolból hozzáfért az azt irányító számítógépes rendszerhez, és rövid időre növelte a víz nátrium-hidroxid, ismertebb nevén lúgtartalmát.

A háztartásokban is gyakran megtalálható vegyszert – kis mennyiségben – a víz savtartalmának szabályozására használják. A behatoló azonban nem kicsit, hanem jelentősen, százszorosára akarta növelni azt. Ekkora mennyiség már komoly bőrkárosodást, hajhullást okoz, halálos is lehet. Képzeljük el, mi történik, ha bekerül az ivóvízbe… Eddig még nem fordult elő ilyen eset, senki nem próbálta meghackelni a víztisztítást.

A támadás szerencsére nem befolyásolta a városka vízellátását. A rendszer szintén távolból dolgozó felügyelője számítógép-monitorán észrevette a koncentráció változását, és azonnal visszaállította az eredeti számokat. A rendszert azért hozták létre, hogy a hozzáférési engedéllyel rendelkező, de nem a helyszínen tartózkodó felhasználók elhárítsák a hibákat.

A telepet működtető egyik személy péntek reggel 8 órakor a helyszínen figyelte a rendszert, és megállapította, hogy rövid időre valaki hozzáfért. Semmi szokatlant nem látott benne, mert a felügyelő rendszeresen távolból érte el. Aztán 13.30-kor megint hozzáfért valaki, és az operátor észrevette, hogy a kurzort a víztisztítást szabályozó szoftverre irányítja. A behatoló nagyjából négy perce alatt növelte a lúgszintet, majd kilépett a rendszerből.  

Az illetékesek hétfőn kiemelték: a szennyezett víz forgalomba kerülését több más óvintézkedés is megakadályozza. Másrészt, letiltották a támadásnál használt távoli hozzáférési rendszert.

A hatóságok egyelőre senkit nem vettek őrizetbe, és azt sem tudják, hogy miért támadták meg a várost. A hackerről sincs információjuk: fogaluk sincs, hogy helyi, floridai, amerikai vagy külföldi személyről van szó. Oldsmar egy percig sem forgott veszélyben. A környező települések önkormányzatait mindenesetre értesítették, víztisztító rendszereik és más infrastruktúráik kivizsgálását javasolták nekik.

A történetből egyértelművé válik a kritikus létesítményekben dolgozó összekapcsolt rendszerek sebezhetősége, és jól szemlélteti az elektronikus bűnözés lehetőségeit, a cyberbiztonság fontosságát.

A többmilliárd elektronikus levélszeméttel (spam), úgy érezzük, hogy az e-mail forgalmat már nem lehet fokozni, de most úgy tűnik, mégis, mert nem várt szereplők, növények is bekapcsolódhatnak.

Szerencsére és remélhetőleg nem lesznek bőbeszédűek, nem fogják szétspammelni a világot, kommunikációjuk viszont létfontosságúnak bizonyulhat.

Az MIT (Massachusetts Institute of Technology) mérnökei nanotechnológia segítségével különleges – „cyborg” – spenótot (Spinacia olerecea) állítottak elő. Ha robbanóanyagot érzékel, képes a veszélyre figyelmeztető e-mailt küldeni. Funkciói bővíthetők, tudósok szerint hasonló növények a jövőben a levegő szennyezettségéről vagy akár a klímakatasztrófa más jeleiről is küldhetnek elektronikus leveleket.

Természetesen nem használnak egeret és billentyűzetet, helyettük a spenótlevelekbe integrált szén nanocsövek adnak le infravörös kamerákkal detektálható fluoreszkáló jelzéseket. Amikor a kamera észleli a változást, egy egyszerű eszköz automatikusan e-mailt küld a kutatóknak.

A növényeket eleve úgy tervezték át, hogy nanocsöveikkel hasznos figyelmeztetéseket adjanak, amennyiben robbanószerekben gyakori aromás nitrogént érzékelnek a vízben. A fejlesztők szerint könnyebb ilyen szerkezetet építeni, mint egy, azonos feladatot végző gépet.

Az MIT-s technológia nem egyedi, kialakulóban lévő szakterület, a növények és elektronikus komponensek kombinációjának, a növényi nanobionikának a legújabb terméke. Az ezirányú fejlesztések lényege, hogy speciálisan tervezett nanorészecskékkel, nem natív funkciókat ágyaznak növényekbe.

„Spenótunk azt szemlélteti, hogy hogyan léptünk túl az emberek és a növények közötti kommunikációs akadályon” – nyilatkozta a projektet vezető Michael Strano, majd hozzáfűzte: „a növények különlegesen jó elemző vegyészek. Kiterjedt gyökérhálózatuk van a talajban, folyamatosan vesznek talajvíz-mintákat, és maguktól megoldják ennek a víznek a levelekbe juttatását.”

Ezért alakítottak át spenótokat, és nem elégedtek meg az ugyanazt a munkát végző szenzorokkal. Az élő-élettelen hibrid ugyanis sokkal többre képes, mint egy érzékelő.

A „cyborg” korábbi változata, nanorészecskéivel a szennyező nitrogén-oxidot detektálta.

Mesterségesintelligencia-fejlesztőktől egyáltalán nem idegen emberi agy ihlette algoritmusok vagy áramkörök fejlesztése, ám az angliai Aston Egyetem hároméves Neu-ChiP projektje egy lépéssel továbbmegy. A kutatók ugyanis őssejteket integrálnak MI-alapú mikrochipekbe.

A fejlesztés célja a mesterséges intelligencia képességeinek növelése, amihez a humán agy feldolgozó-kapacitásának egy részét igyekeznek lemásolni. Kicsit úgy hangzik, mint egy B-kategóriás sci-fi film forgatókönyve, gonosz gépi értelmekkel. Pedig egyáltalán nem az – a kezdeményezés az agy által inspirált vagy neuromorfikus számítástudományhoz tartozik.

Ezek a projektek egyértelműen eredményesebbé, hatékonyabbá igyekeznek tenni az algoritmusokat, a Neu-ChiP azonban nemcsak eredményesebb, de masszívabb is lesz a többinél.

„Az emberi agy páratlan számítási erejének kiaknázása, a számítógépek komplex problémák megoldásához szükséges képességeinek drasztikus növelése a célunk. Meggyőződésünk, hogy a projekttel túlléphetünk a feldolgozó kapacitások jelenlegi korlátain, és az energiafelhasználást is csökkenthetjük. Paradigmaváltást jelenthet a gépi tanulásban” – magyarázza David Saad, az egyetem matematikusa.

Projektjük azért is úttörő, mert igyekeznek maguk mögött hagyni a gépi tanulás elektronikus megközelítésének határait – ezek a rendszerek ugyanis egyre nagyobb számítási és energiakapacitásokat igényelnek. A hagyományos elektronika ma már inkább akadályozza, hátráltatja a neuromorfikus rendszerek gyors és olajozott működését.      

A jellegzetesen agy ihlette mostani gépi intelligenciák elménkről mintázott mesterséges idegsejteken vagy áramkörökön alapulnak. Velük ellentétben, a biológiai sejtek chipbe építésével a kutatók dolga valamivel könnyebb, mert fejlesztés közben kevesebb mérnöki problémával szembesülnek.

„Nemcsak egy csomó döbbenetesen komplex összetevőből, emberi idegsejtekből álló rendszert modellezünk, hanem ezzel a rendszerrel egyáltalán nem egyértelmű számításokat is szeretnénk megoldatni” – nyilatkozta a projektben résztvevő Francia Nemzeti Tudományos Kutatóközpont kutatási igazgatója, Rémi Monasson.

Az úgynevezett egzotikus vagy fejlett anyagok, például a grafén átalakítják a világot. Az innovációban, újak fejlesztésekben, a piacra kerülésben rengeteget segíthet a folyamatokat pontosító és felgyorsító gépi tanulás.

Az amerikai Sandia Nemzeti Laboratóriumban drasztikusan felpörgették a tudósokat ilyen új matériák fejlesztésében, a tervben vagy a gyártásban eszközölt változások következményeinek, például a fémek ötvözeten belüli egyensúlyának megértésében támogató szimulációkat.

A kutatók ideghálót gyakoroltattak, hogy képes legyen előrejelezni anyagok tulajdonságainak módosulását abban a folyamatban, amikor egy anyag hő jelenlétében vagy éppen annak hiányában alkotóelemeire esik szét. A modellt 5 ezer szimuláción trenírozták, mindegyikben volt 60 „pillanatkép” a változáson áteső ötvözet mikroszkopikus szerkezetéről.

A megfigyelések – „pillanatképek” – számát elsődleges összetevő-elemzéssel jelentősen, összesen tízre, a tíz legfontosabbra csökkentették. Leegyszerűsített megjelenítéseiket betáplálták az ideghálóba, amely így tanulta meg előrejelezni az anyag változásait a folyamat soron következő etapjaiban.

A modellel termodinamikus folyamatokat, például megolvadt ötvözetek hűlés közbeni átalakulását szimulálták. 42 ezerszer gyorsabban ment, mint a hagyományos szimulációk: 12 perc helyett 60 milliszekundum alatt futott le egy, azaz a gépi tanulás bizonyítottan jó eszköz időben hosszabb folyamatok drasztikus lerövidítésére.

A gyorsaságnak azonban ára van. A hagyományos módszerrel összehasonlítva, az eredmény, a pontosság 5 százalékkal csökkent. Mégis megéri, mert változatos területeken, a fénytantól a légjármű-iparig, az energiatárolástól az egészségügyig, anyagfejlesztési szimulációktól felpörögnek a felfedezések, újítások.

A Sandia kutatói a jövőt illetően, ultravékony kijelzőkben gondolkoznak, mostani eredményeiket azokhoz használnák fel.

Nem ez volt az első, és nyilván nem az utolsó eset, amikor gépi tanulással oldottak meg tudományos szimulációs problémákat. Az Alphafold 3D-s fehérjeszerkezeteket talál ki, amelyekkel a gyógyszerfejlesztést teheti a mainál dinamikusabbá. A DENSE a csillagászatban, az éghajlattudományban és a fizikában gyorsítja fel a szimulációkat.

Az amerikai egészségügyben dolgozó algoritmusok jelentős része nem eléggé súlyozott, a demográfiai viszonyoknak nem megfelelő, „részrehajló” adatokkal dolgozik. A gépi tanulás egyik általános problémájára néhány éve keresik a megoldást, és úgy tűnik, hogy egyes MI-kkel sikerül megtalálniuk, de legalábbis közelebb kerülnek hozzá.

Egy, a páciensek fájdalomszintjét meghatározni hivatott új rendszer eredményei jobban megfelelnek az afroamerikai betegek által átérzett kínok szintjének, mint az orvosok becslései. Korábban csont és ízületgyulladásoknál, vagy porcleválásoknál az afroamerikai betegek fájdalomszintjét ugyanis a valóságnál alacsonyabbra mérték, mint az ugyanazokkal a panaszokkal orvoshoz forduló fehérekét.

A különbség okának megértésére, a Microsoft, a Stanford Egyetem és más intézmények a térd röntgensugaras vizsgálati eredményein tanítottak be egy modellt. A modellnek a fájdalomszintet kell előrejeleznie.

A ResNet-18 afroamerikai pácienseknél jobb eredményt ért el, mint a radiológusok által eddig általánosan használt osztályozórendszer. ImageNet-es képeken trenírozták, majd finomhangolták. 2877 páciens 25049 röntgenképét és a képekhez kapcsolódó beteg-beszámolókat használták fel.

A röntgenképeket a modellel értékelték ki, és ezzel párhuzamosan a radiológusokat megkérték az ízületi fájdalomszint vizuális meghatározásához alkalmazott Kellgren-Lawrence osztályozórendszer használatára. A rendszer egy viszonylag kevés személlyel végzett, 1957-es felmérésen alapul. A felmérés alanyai között alig volt afroamerikai, és nyilván ez a tény is közrejátszik fájdalomszintjük alacsonyra mérésében.

Az új modell 43 százalékkal pontosabban dolgozott, az afroamerikai és a fehér páciensek között alig volt eltérés, viszont a kutatók eddig még nem jöttek rá, hogy miért, és milyen paraméterek, tulajdonságok befolyásolták leginkább az előrejelzéseit.

Többmillió amerikai panaszkodik térdízületi fájdalmakra, afroamerikai betegek viszont kisebb valószínűséggel jutnak el a testrészt helyettesítő műtétekig. A Kellgren-Lawrence osztályozó és a hasonló rendszerek az egyik ok, mert sokszor túlzott szerepet játszanak az orvosi döntésekben, hogy a specialista kit javasol sebészi beavatkozásra, és kit nem.

Mélytanulással (deep learning) csökkenthetők a különbségek, a technológiát az egészségügy más területein is sikeresen alkalmazhatják. Már ahol nem tették meg eddig.