AI-adaptáció kevés erőforrásból: kórházaknak is működik

Egy vidéki szakrendelőben az a „luxus”, hogy a radiológiai képeket vagy a zárójelentéseket egy nagy nyelvi modell (LLM) segít feldolgozni, sokszor nem technológiai kérdés. Inkább költség, idő és infrastruktúra. A gond ott kezdődik, hogy a legjobb modellek gyakran csak API-n át érhetők el, a finomhangolás drága, lassú, és sokszor eleve nem is lehetséges, mert nincs hozzáférés a paraméterekhez.

Pont erre a helyzetre ad izgalmas választ egy friss kutatási irány: Easy Adaptation (EA). A lényege röviden: ha a nagy modellt nem tudod (vagy nem érdemes) finomhangolni, akkor ne erőltesd. Inkább építs mellé egy kicsi, feladatspecifikus modellt, ami „kiegészíti” a nagy modellt ott, ahol az a helyi adatokon alulteljesít.

Ebben a cikkben azt nézzük meg, mi az EA mögötti gondolat, miben különbözik a klasszikus PEFT/LoRA finomhangolástól, és hogyan lehet ezt egészségügyi AI-alkalmazásokra lefordítani: triázs, telemedicina, jegyzetelés, lelet-összefoglalás, adminisztráció — mindezt úgy, hogy közben nem kell „GPU-farmot” építeni.

Miért fáj a modell-adaptáció az egészségügyben?

Az egészségügyi AI-projektek többsége ugyanabba a falba fut bele: a valóság nem labor. A kórházi rendszerek heterogének, a dokumentáció stílusa intézményenként eltér, az adatok zajosak, és gyakran nincs erőforrás hosszú iterációkra.

A hagyományos út ilyenkor a modell finomhangolása (fine-tuning), vagy annak „takarékosabb” változatai, a PEFT (Parameter-Efficient Fine-Tuning) módszerek. Ezek tipikusan csak a modell egy kis részét módosítják, ami papíron olcsóbb.

A gond: a PEFT még mindig problémás két okból, ami a kórházi környezetben különösen éles.

1) Erőforrás-költség: idő, memória, infrastruktúra

Még ha a PEFT jóval olcsóbb is a teljes finomhangolásnál, a tanítási folyamat továbbra is:

• időigényes (napok is lehetnek iterációval, validációval)
• memóriaigényes (főleg hosszú kontextus és többnyelvűség esetén)
• és üzemeltetésben bonyolult (verziózás, rollback, audit)

Egy alulfinanszírozott kórháznál vagy egy járóbeteg-ellátóban ez könnyen „nem fér bele”, még akkor sem, ha szakmailag mindenki szeretné.

2) Paraméterfüggés: zárt modellek és API-k

A modern LLM-ök világában sok csúcsteljesítményű modellhez nem kapsz paraméter-hozzáférést, csak API-t. Ilyenkor a PEFT gyakorlatilag értelmét veszti.

És itt jön a kellemetlen gazdasági valóság: ha az API-hívások száma nagy (pl. triázs chatbot, telemedicina összefoglalók, napi több ezer dokumentum), a költség könnyen elszáll — pláne, ha hosszú szövegekkel dolgozol.

Egészségügyben a „skálázás” sokszor azt jelenti: több beteg, több adminisztráció, több dokumentum. Ha mindenhez drága API kell, a modell nem a klinikai munkát segíti, hanem a pénzügyi tervezést terheli.

Mit állít az Easy Adaptation (EA) megközelítés?

Az EA központi állítása egyszerű és szerintem nagyon egészséges szemlélet:

Nem kell mindent a nagy modellre ráerőltetni.

A kutatók abból indulnak ki, hogy a nagy modellek (LM-ek) általánosan erősek, de bizonyos szűk eloszlásokon (például egy intézmény helyi rövidítései, sablonjai, protokoll-nyelve) alultanulhatnak. Ezt a rést nem feltétlenül finomhangolással érdemes betömni, hanem egy „kiegészítő” komponenssel.

EA röviden: „nagy modell + kicsi specialista”

Az EA megközelítésben létrejönnek úgynevezett Specific Small Models (SSM-ek) — kicsi, feladatspecifikus modellek, amelyek:

• olcsón taníthatók (kevesebb adat, kevesebb compute)
• célzottan a problémás helyi mintákra optimalizálnak
• és nem igénylik a nagy modell paramétereinek módosítását

A nagy modell marad „általános orvos”, a kicsi modell pedig „szakorvos”, aki a helyi sajátosságokat ismeri.

Miért működhet ez jól kórházi adatokon?

A kórházi szövegek és folyamatok tele vannak olyan elemekkel, amik nem általános nyelvi minták:

• intézményi rövidítések (osztály-, vizsgálat- és gyógyszerrövidítések)
• helyi protokoll-lépések („előbb ez, aztán az”)
• sablonos, de mégis változatos leírások (anamnézis, státusz, javaslat)
• magyar egészségügyi nyelv sajátosságai (ragok, hosszú összetételek)

Ezeket egy kis modell nagyon hatékonyan megtanulhatja — sokszor pár ezer jól előkészített példából, miközben a nagy modell biztosítja a „józan észt” és a szövegalkotási minőséget.

Hogyan néz ki ez a gyakorlatban egészségügyi AI-nál?

A legjobb implementációs kép szerintem ez: az EA nem egy „mágikus gomb”, hanem egy rendszer-architektúra, ami a valós klinikai környezethez igazodik.

1) Telemedicina összefoglalók: helyi stílus + általános nyelvi minőség

Válasz elsőként: EA-szerű felállásban a nagy modell fogalmaz, a kicsi modell pedig rásegít a helyi kifejezésekre és struktúrákra.

Telemedicinában tipikus feladat a konzultációk összefoglalása:

• panasz röviden
• kockázati jelek
• javasolt teendő
• figyelmeztető tünetek

A nagy modell jól tud összefoglalni, de könnyen eltévedhet a helyi „nyelvjárásban”: rövidítések, vizsgálat-nevek, gyógyszerelési minták. A kis SSM megtanulja például:

• hogyan nevezik az adott intézményben a vizsgálatokat
• milyen formátumban kérik a zárójelentést
• milyen szófordulatokat fogad el a szakmai vezetés

Eredmény: kevesebb utólagos javítás, gyorsabb adminisztráció.

2) AI-alapú triázs: gyors szabályosság, kisebb kockázat

Válasz elsőként: a triázsban a legnagyobb érték a konzisztens, auditálható döntési logika — ezt sokszor egy kis modell jobban hozza, mint egy „mindent tudó” LLM.

A triázs nem kreatív írás. Ott strukturált kimenet kell:

• sürgősségi szint
• javasolt időablak (pl. 24h, 72h)
• piros zászlók

Egy kis, feladatra tanított modell (SSM) stabilan adhat kategóriákat és jelzőket. A nagy modell pedig:

• empatikus, érthető magyarázatot ad a betegnek
• összegzi, miért ez lett a besorolás
• segít a következő lépések kommunikálásában

3) Orvosi dokumentáció „fordítása” strukturált adattá

Válasz elsőként: ha a cél a struktúra (ICD-kód jellegű címkék, problémalista, gyógyszerlista), akkor a kis modell lehet a munkagép.

Kórházi rendszerekben óriási munka a szabad szöveg „szelídítése”. EA-s felállásban:

• SSM: entitáskinyerés (diagnózis, gyógyszer, dózis, időpont)
• LLM: ellenőrző magyarázat, természetes nyelvű összefoglaló, hibajelzés

Ez különösen hasznos ott, ahol kevés a szakember, de sok a papírmunka.

Mikor jobb az EA, mint a PEFT/LoRA?

Válasz elsőként: akkor, ha zárt az LLM, kevés a compute, és a feladat „lokális”, intézmény- vagy osztály-specifikus.

Néhány gyakorlati döntési szempont:

1. Ha csak API-hozzáférésed van a nagy modellhez: EA logikus, mert nem kell paraméter.
2. Ha gyors iteráció kell (hetek helyett napok): egy kis modellt hamarabb felhúzol és tesztelsz.
3. Ha a feladat szűk és ismétlődő: pl. adott osztály zárójelentés-sablonja.
4. Ha adatvédelmi okokból minimalizálnád a külső hívásokat: SSM futhat helyben, és csak a „nehéz” részt küldöd az LLM-nek.

A PEFT továbbra is jó lehet, ha saját, nyílt modellre építesz és van infrastruktúra. De a magyar egészségügyi valóságban gyakran az a kérdés: hogyan csináljunk valamit holnapra, nem jövő évre.

Bevezetési terv: így lehet EA-szerű rendszert építeni 30 nap alatt

Válasz elsőként: a siker kulcsa a feladat szűkítése és a mérhető minőségkapuk.

Én ezt a lépéssort tartom reálisnak egy intézményi pilothoz:

1. hét: egyetlen, jól mérhető use case

Válassz 1 feladatot:

• telemedicina összefoglaló
• radiológiai lelet rövid kivonata
• gyógyszerelési lista normalizálás

Definiálj 3-5 mérőszámot:

• hibaarány (szakmai review alapján)
• átlagos szerkesztési idő
• strukturált mezők kitöltési pontossága

2. hét: adatcsomag és „helyi nyelv”

Készíts egy tisztított tanítócsomagot:

• 500–3000 példával is lehet kezdeni
• egységesített rövidítésekkel
• anonimizálással

3. hét: SSM tanítás + validáció

A cél nem az, hogy „mindenre jó” legyen. A cél az, hogy arra az 1 feladatra stabilan teljesítsen, és legyen egyértelmű fallback:

• ha bizonytalan, kérdezzen vissza
• vagy adjon „nem tudom” jelzést

4. hét: LLM + SSM összehangolás és éles próba

Állítsd be a munkamegosztást:

• SSM: címkézés/struktúra/előszűrés
• LLM: megfogalmazás/összefoglalás/betegbarát nyelv

És ami egészségügyben nem megkerülhető:

• naplózás
• auditálhatóság
• emberi jóváhagyás (human-in-the-loop)

Gyakori kérdések (amiket a pilot elején tényleg meg fognak kérdezni)

„Ez akkor kiváltja a nagy modellt?”

Nem. Kiegészíti. A nagy modell általános készségeit nem érdemes lemásolni egy kicsivel. A kicsi modell arra jó, hogy a helyi sajátosságokat gyorsan és olcsón megtanulja.

„Nem veszélyes két modellt összerakni?”

Önmagában nem veszélyesebb, sőt: jól tervezett minőségkapukkal kiszámíthatóbb lehet. A veszély ott van, ha nincs mérés, nincs napló, és nincs felelősségi pont.

„Mit nyerünk ezzel a költségen túl?”

Két dolgot, ami klinikailag is számít:

• rövidebb átfutási idő (kevesebb adminisztratív késés)
• konzisztensebb dokumentáció (kevesebb félreértés, kevesebb visszakérdezés)

Merre tart ez 2026-ban a magyar egészségügyi AI-ban?

Az EA gondolatvilága jól illeszkedik a „Mesterséges intelligencia az egészségügyben” sorozat egyik alapállításához: nem az a nyerő, aki a legnagyobb modellt veszi meg, hanem aki a legjobban illeszti a valós folyamataihoz.

2026-ban én arra számítok, hogy a kórházak és rendelők egyre többet fognak „hibrid” rendszerekben gondolkodni:

• helyben futó, olcsó specialista komponensek
• központi (vagy felhős) nagy modellek a nyelvi és összegző feladatokra
• szigorúbb adatáramlás és jogosultságkezelés

Ha most építesz pilotot, a legjobb kérdés nem az, hogy „melyik a legnagyobb modell?”, hanem ez: melyik az a 1-2 klinikai folyamat, ahol a leggyorsabban mérhetően javulást hoz a feladatspecifikus adaptáció?

Ha szeretnéd, adok egy konkrét, intézményi szintű check-listát (adat, mérőszámok, minőségkapuk, bevezetési kockázatok) telemedicina összefoglalóhoz vagy triázshoz — és azt is, hogyan lehet ezt a GDPR és belső audit elvárásokhoz igazítani.