Bioteknologia
Voivatko suuret kielimallit (LLM) auttaa neurologeja aivoinfarktin uhreja analysoimaan?
Tekoäly (AI) on yksi tämän vuosikymmenen suurimmista teknologisista läpimurroista. ChatGPT:n lanseeraus on erityisesti viedyt tekoälyn massamediaan, ja sen sovellukset ulottuvat eri sektoreille, mukaan lukien terveydenhuolto. Merkittävänä on, että neurologit voivat hyötyä merkittävästi tekoälyn avulla tarkkojen aivoinfarktin sijaintien paikantamisessa, kuten äskettäinen tutkimus paljasti.
Puhuttaessa aivoinfarkteista, ne ovat yksi Yhdysvaltain johtavista kuolinsyistä; joka 40. sekunti joku Yhdysvalloissa kokee aivoinfarktin, ja joka 3 minuuttia ja 14 sekuntia joku kuolee siihen. Kuolleisuuden lisäksi aivoinfarkit voivat aiheuttaa pitkäaikaisia vammoja. Siksi aivoinfarktin sijainnin tunnistaminen aivoissa voi auttaa ennustamaan sen pitkän aikavälin vaikutuksia, jotka voivat vaihdella laajasti, yksilön liikkumiskyvyn heikentämisestä kielen ja puheen kykyihin. Lisäksi tekoäly voi auttaa määrittämään henkilön ennusteen ja parhaan hoitomuodon.
Tyypillisesti aivojen kuvantaminen auttaa löytämään vaurioiden sijainnin, jotka ovat aivoinfarktin aiheuttamia kudosvaurioita. Kuitenkin kaikilla ei ole pääsyä neurologeihin aivojen kuvantamista varten.
Tätä puutetta varten, “halusimme selvittää, pystyykö GPT-4 tarkasti paikantamaan aivoleesioita aivoinfarktin jälkeen henkilön terveystietojen ja neurologisen tutkimuksen perusteella,” sanoi tutkimuksen tekijä Jung-Hyun Lee, MD, American Academy of Neurology -jäsen ja State University of New York, Downstate Health Sciences University Brooklyn kampuksella.
Muita tutkimukseen osallistuneita ovat Eunhee Choi, MD, sisätautien osasto, Lincoln Medical Center, NY; Robert McDougal, MD, biostatistiikan osasto Yale School of Public Health -laitoksessa ja Computational Biology and Bioinformatics -ohjelmassa Wu‑Tsai Institute -laitoksessa; sekä William W. Lytton, MD, neurologian osasto State University of New York Downstate Health Sciences University -yliopistossa ja Kings County Hospitalin neurologian osasto.
Julkaistu American Academy of Neurologyin verkkolehdessä Neurology® Clinical Practice, tutkimus esitteli tekoälyn kyvyn käsitellä neurologisten tutkimusten ja terveystietojen tekstiä aivoleesioiden sijainnin tunnistamiseksi.
Tätä varten tiimi käytti suurta kielimallia (LLM) GPT-4. Tämä generatiivinen esikoulutettu transformeri on koulutettu valtavilla datamäärillä ja on osoittanut “merkittäviä kykyjä” tuottaessaan tekstivastauksia tekstipohjaisiin kyselyihin.
Tämä hanke ei ole ensimmäinen laatuaan, sillä LLM:ien toiminnallisuutta on aiemmin tutkittu vastaamaan lääkärien esittämiin vapaamuotoisiin kysymyksiin. Kuitenkin aiemmin kehitetty ohjelmisto leesiokohdistukseen on ollut melko rajoittunutta. Tämän tutkimuksen tavoitteena on arvioida GPT‑4:n kykyä paikantaa akuutin aivoinfarktin leesiot kliinisen esityksen perusteella, mikä osoittaa tekoälyn mahdollisen roolin neurologian kliinisessä työkalussa tulevaisuudessa.
Suuri potentiaali
Tässä tutkimuksessa tutkijat keräsivät 46 julkaistun aivoinfarktin tapauksen terveystiedot ja neurologiset fyysiset tutkimukset. Tämä tekstuaalinen data syötettiin sitten GPT-4:lle. Hyödyntäen Zero‑Shot Chain‑of‑Thought‑ ja Text Classification -kehotustekniikoita, mallia pyydettiin vastaamaan kolmeen erityiskysymykseen jokaisesta potilaasta, toistettuna kolme kertaa: oliko osallistujalla yksi vai useita leesiota, mille aivopuoliskolle leesiot sijaitsivat ja missä aivojen alueessa leesiot löytyivät.
Vertailtaessa GPT‑4:n tuloksia kunkin osallistujan aivojen kuvauksiin, tutkijat havaitsivat, että tulokset olivat melko tyydyttäviä, lukuun ottamatta leesiota pikkuaivoissa ja selkäytimessä.
GPT‑4 osoitti korkean tarkkuuden aivoleesioiden sijainnin tunnistamisessa suurimmassa osassa tapauksia, saavuttaen 87 % spesifisyyden (negatiivien oikein tunnistaminen) ja 74 % herkkyyden (positiivisten oikein tunnistaminen). Malli saavutti myös 94 % spesifisyyden ja 85 % herkkyyden määrittäessään eniten vaikuttavat aivoalueet.
Tutkimus havaitsi lisäksi, että malli tunnisti johdonmukaisesti aivoleesioiden määrän 76 %:ssa osallistujista, leesiot sijainnin 83 %:ssa ja tarkat aivoalueet 87 %:ssa tapauksista. Kuitenkin arvioitaessa mallin vastauksia kaikkiin kolmeen kysymykseen kolmessa yrityksessä per osallistuja, sen johdonmukaisuus heikkeni merkittävästi, ja GPT‑4 pystyi antamaan tarkat vastaukset vain 41 %:ssa osallistujista.
Tämä osoittaa, että LLM:t, kuten generatiiviset esikoulutetut transformerit (GPT), eivät ole vielä valmiita kliiniseen käyttöön. Siitä huolimatta ne lupaavat paikantaa leesiot aivoinfarktin jälkeen ja voivat vähentää terveydenhuollon epätasa‑arvoa, kiitos niiden kyvyn toimia eri kielillä.
Tutkimus korostaa myös neurologisen asiantuntemuksen kasvavaa merkitystä aivoinfarktin hoitamisessa, erityisesti telelääketieteen käytön lisääntymisen myötä. Lisäksi malli voi auttaa ajoissa päätöksenteossa, arvioiden tarvetta lisäkuvauksiin tai neurologin konsultaatioon.
“Niiden käyttöpotentiaali on rohkaiseva, erityisesti suuren tarpeen vuoksi parantaa terveydenhuoltoa alipalvelualueilla useissa maissa, joissa neurologiseen hoitoon pääsy on rajoitettua.”
Huomionarvoista on, että GPT‑4:n tarkkuus riippuu syötetyn datan laadusta, eikä yksityiskohtaiset tiedot sairaushistoriasta ja neurologisista tutkimuksista ole aina saatavilla kaikille aivoinfarktin saaneille.
Tutkimus korosti, että tutkijat ovat työskennelleet LLM:n kanssa ilman lääketieteellistä koulutusta tai hienosäätöä. Lisäksi huomattiin, että epätavallisten tapausten raportit usein puuttuivat riittävästi yksityiskohtaisista terveystiedoista ja neurologisista tutkimuksista. Näin ollen virheet johtuvat puutteellisesta tiedosta julkaistuissa tapauksissa sekä loogisista epäonnistumisista tai perustavanlaatuisen tietopohjan aukkoista.
Siksi tarvitaan lisätutkimuksia logististen, oikeudellisten, potilasturvallisuuden ja yksityisyyden, tarkkuuden ja johdonmukaisuuden varmistamisen sekä LLM:n käyttökelpoisen hyödyntämisen sairaalan työnkulkuun integroimisen osalta kliinisissä ympäristöissä.
Klikkaa tästä oppiaksesi, miksi vuosi 2023 oli läpimurto vuosi tekoälylle.
Kasvava merkitys ja käyttö LLM:ien terveydenhuollossa
Tutkimus osoittaa erinomaisia tuloksia, esittäen jälleen yhden esimerkin LLM:ien laajenevasta roolista terveydenhuollossa – alalla, joka on saanut paljon huomiota. Loppujen lopuksi ne muuttavat sektoria monin tavoin. Niiden käyttö siirtyy vähitellen tutkimusvaiheesta käytännön käyttöön, vaikuttaen nyt kliiniseen tutkimukseen ja potilashoitoon. Kyky käsitellä valtavia tietomääriä, tarjota reaaliaikaisia oivalluksia ja tuottaa ihmisen tasoista tekstiä tietyllä ammatillisella tiedolla mullistaa alaa.
Koulutettuina suurilla määrillä monimutkaista dataa, kuten tekstiä, kuvia ja videoita internetistä, nämä mallit löytävät monipuolisia sovelluksia eri aloilla, myös lääketieteessä.
Se alkoi saada jalansijaa, kun Microsoftin tukema OpenAI julkaisi ensimmäisen LLM:nsä, GPT-1:n, vuonna 2018. Sen laajamittainen omaksuminen johtui julkisesta saatavuudesta ja kätevästä käytöstä. Nämä ominaisuudet saatiin aikaan sisällyttämällä malliin vahvistusoppiminen ihmispalautteesta (RLHF), mikä auttoi sitä tarjoamaan uskottavampaa ja ihmismäisempää tuotosta kuin aikaisemmat versiot.
ChatGPT:n, LLM-pohjaisen chatbot-sovelluksen, lanseerauksen jälkeen useat teknologiayritykset, kuten Meta (Llama), Google (BARD), Amazon ja Salesforce:n tukema Anthropic (Claude), ovat julkaisseet omia LLM:iaan. Samaan aikaan OpenAI:n uusin versio, GPT-4, on osoittanut parantuneita kykyjä, kuten ylittäen Yhdysvaltain lääketieteellisen lisenssikokeen (USMLE) läpäisyrajan.
Tämän myötä ChatGPT on osoittanut kykynsä lääketieteellisiin tarkoituksiin, joten hienosäätämällä LLM:ia ja antamalla niille lisäkoulutusta, voimme käyttää LLM:ia parantamaan potilashoitoa. Ihmisen välinen viestintä on keskeinen osa tätä, ja GPT:n ihmismäinen kyky on tehnyt siitä melko tehokkaan potilastyytyväisyyden ja optimaaliset kliiniset tulokset mahdollistavan.
Vaikka valtavien tietomäärien käsittely voi olla haastavaa ihmisille, LLM:t pystyvät tekemään sen helposti murto‑osassa ajasta. Ne tehostavat prosessia järjestämällä dataa, jolloin voimme hyödyntää sitä tehokkaasti. Ei kyseessä ole pelkästään mennyt data; LLM:t analysoivat jatkuvasti uutta, saapuvaa dataa, kuten elintoimintoja ja potilaan oireita, mikä voi merkittävästi auttaa terveydenhuollon ammattilaisia tekemään reaaliaikaisia ja nopeita päätöksiä.
Analysoimalla laajoja tietoaineistoja tieteellisestä kirjallisuudesta, kliinisistä kokeista, hoitosuosituksista ja potilastietueista, LLM:t nopeuttavat myös lääketieteellistä tutkimusta auttaen uusien hoitojen tunnistamisessa ja tehokkaiden terapioiden kehittämisessä. Nämä mallit voivat myös auttaa tekemään korrelaatioita ja havaitsemaan kuvioita, jotka edistävät tautien ymmärtämistä ja nopeuttavat lääketieteellistä tutkimusta.
Lisäksi nämä mallit tarjoavat arvokkaita oivalluksia, jotka auttavat terveydenhuollon ammattilaisia tekemään kliinisiä päätöksiä, kuten tarkkoja diagnooseja ja yksilöllisiä hoitosuunnitelmia, mikä johtaa parempaan potilashoitoon. Ei pelkästään ammattilaisia, vaan LLM:t myös valtuuttavat potilaita tarjoamalla heille ymmärrettävää ja helposti saatavilla olevaa tietoa, jotta he voivat paremmin ymmärtää tilansa ja osallistua terveydenhuoltomatkaansa.
Klikkaa tästä oppiaksesi, mikä tekee tekoälystä monitoimityökalun.
Ajanveto innovaatiota terveydenhuollossa
Ottaen huomioon valtavat hyödyt ja potentiaali, terveydenhuollon generatiivisen tekoälyn markkina saavutti arvon yli 1 miljardi dollaria vuonna 2022 ja sen odotetaan kasvavan 22 miljardiin dollariin vuoteen 2032 mennessä Generative AI Trackerin mukaan.
Kun tarkastellaan tekoälyn käyttöä lääketieteellisten laitteiden sektorilla, kardiologia on johtanut tätä trendiä, sillä 57 % FDA:n vuonna 2022 hyväksymistä tekoälypohjaisista lääketieteellisistä laitteista kuuluu kardiologiaan, GlobalDatan mukaan. Tämän trendin odotetaan jatkuvan tulevaisuudessa, ja lääketieteellisten laitteiden yritysten tekoälyyn kohdistuva kulutus kasvaa 20,6 %:n CAGR:lla vuosina 2019–2024.
Tulevaisuudessa voimme jopa nähdä tekoälyn integroinnin 3D‑biotulostukseen, mikä mahdollistaisi täysin toimivien elinten luomisen jokaisen potilaan erityistarpeisiin räätälöitynä.
Tämä potentiaali on saanut monia suuria organisaatioita lanseeraamaan erikoistuneita tekoälypohjaisia ratkaisuja terveydenhuollolle. Esimerkiksi Microsoft tarjoaa erikoistuneen ratkaisun nimeltä Nuance Dragon Ambient eXperience (DAX). Se tallentaa klinikko‑potilas‑keskustelut, muuntaa ne muistiinpanoiksi ja integroi ne sähköisiin potilastietoihin (EHR).
Google on jo esitellyt MedLM:n, terveyteen keskittyvän LLM:n, joka on saatavilla Vertex AI -alustan kautta. Yritys on sen jälkeen kouluttanut terveys‑tekoälymallejaan viimeisimmän tutkimuksensa pohjalta soveltaakseen tekoälyä terveydenhuoltoon. Mallia on käytetty kumppaniyritysten toimesta ratkaisujen, kuten sairaanhoitajien siirtymien tehostamisen ja klinikoiden dokumentoinnin tukemisen, rakentamiseen.
Juuri viime kuussa Google lisäsi malliin uusia ominaisuuksia ja lanseerasi MedLM for Chest X-rays -ratkaisun, joka muuttaa radiologian toimintatapoja. Ideana on, että generatiivinen tekoäly tukee terveydenhuollon organisaatioita avustamalla rintakehän röntgenkuvien luokittelua useissa käyttötapauksissa.
Mutta tämä ei ole kaikki. Google Research tekee yhteistyötä Fitbitsin kanssa rakentaakseen suuren kielimallin henkilökohtaiseen terveyteen, joka voi tehostaa hyvinvointiominaisuuksia Fitbitsin mobiilisovelluksessa. Mallia kehitetään tarjoamaan yksilöllistä valmennusta jokaiselle heidän henkilökohtaisten terveys‑ ja kunto‑tavoitteidensa perusteella.
Amazon Web Services (AWS) tarjoaa myös HealthScribe‑palvelun, joka analysoi konsultaatio‑keskustelut luodakseen tiivistettyjä kliinisiä muistiinpanoja, kuten arviointia, nykyisen sairauden historiaa ja hoitosuunnitelmaa. Organisaatiot voivat sitten integroida nämä muistiinpanot kliinisiin sovelluksiin potilaskäyntien tiiviimpään yhteenvetoon.
Aiemmin tänä vuonna lääketieteellisten teknologioiden yritys Siemens Healthineers yhdisti voimansa Indian Institute of Science (IISc) -laitoksen kanssa lanseeratakseen Siemens Healthineers‑Computational Data Sciences (CDS) -yhteistyölaboratorion tekoälylle tarkkuuslääketieteessä. Laboratorion fokus on kehittää avoimen lähdekoodin tekoälytyökaluja, jotka automatisoivat patologisten löydösten tarkan segmentoinnin neurokuvantamisdatan avulla. Tämä auttaa tarkemmassa neurologiaan liittyvien sairauksien diagnosoinnissa ja niiden kliinisen vaikutuksen analysoinnissa.
Tämä on vasta alkua tekoälyn kasvavalle trendille lääketieteellisessä sektorissa. Tekoälyn roolin odotetaan olevan paljon suurempi. Tällä hetkellä sitä käytetään luomaan reaaliaikaisia, potilaskohtaisia 3D‑malleja leikkauksissa, ja tekoäly kehittyy edelleen tarjotakseen interaktiivisia terveydenhuollon kokemuksia, jotka muuttavat potilaskoulutusta ja -osallistumista. Jopa geenieditoinnissa tekoälyn odotetaan menevän pidemmälle kuin pelkkä monimutkaisen geneettisen datan analysointi, tarjoten tarkempia geenisairausyhteyksien ennusteita erittäin räätälöityyn geenieditointiin.
Tekoälypohjaiset immersiiviset virtuaalitodellisuusterapiasessiot mielenterveyshoitoon ovat toinen tapa, jolla teknologiaa voidaan hyödyntää alalla. Lisäksi on nanobotteja, jotka voivat hyödyntää tekoälyä tunnistaakseen ja hoitaakseen laajan kirjon lääketieteellisiä tiloja niiden varhaisessa vaiheessa.
Kuitenkin LLM:ien soveltaminen terveydenhuollossa ei ole ilman huolia. On olemassa eettisiä kysymyksiä koskien yksityisyyttä, läpinäkyvyyttä ja turvallisuutta, joihin tutkijoiden, terveydenhuollon ammattilaisten ja lääketieteellisten organisaatioiden on kiinnitettävä huomiota. Näitä malleja voidaan myös käyttää levittämään väärää tietoa vastuullisuuden puutteen vuoksi, mikä on otettava huomioon. Lisäksi on olemassa sisäänrakennettu rajoitus toistaa olemassa olevia ennakkoluuloja.
Hallituslaitokset ympäri maailmaa pyrkivät ratkaisemaan tekoälyn aiheuttamia ongelmia. Eurooppa on jo luonut lainsäädännöllisen kehyksen tekoälylle, kun taas Ison‑Britannian terveys‑ ja sosiaalihuoltoministeriö suunnittelee parantavansa tekoälyä käyttävien lääketieteellisten laitteiden kehittämisessä käytetyn datan läpinäkyvyyttä.
Klikkaa tästä oppiaksesi lisää tekoälyn ja neurologian kasvavasta synergistä.
Johtopäätös
LLM:t ovat jo kasvattaneet käyttöä lääketieteellisessä teollisuudessa, ja niiden odotetaan lisäävän omaksumista ja vaikutusta edelleen. On kuitenkin tärkeää, että näitä malleja käytetään vastuullisesti ja että taustadata on ensiluokkaista ilman sisäänrakennettuja ennakkoluuloja ja väärää tietoa, jotta voidaan tarjota tarkempia tuloksia ja parempia potilastuloksia.
