5 Minuten
Dirbtinio intelekto modelis prognozuoja tūkstančius diagnozių metais prieš jų atsiradimą
Mokslininkai iš Jungtinės Karalystės, Danijos, Vokietijos ir Šveicarijos pranešė apie dirbtinio intelekto modelio sukūrimą, galinčio metais į priekį prognozuoti daugiau nei 1 000 medicininių būklių dažnius. Sistema, pavadinta Delphi-2M, remiasi transformerių tipo neuroninių tinklų technologija — ta pačia aukšto lygio architektūra, kuri naudojama vartotojams skirtuose pokalbių robotuose, tokiuose kaip ChatGPT — ir buvo aprašyta straipsnyje žurnale Nature.
Delphi-2M daugiausia buvo apmokytas naudojant ilgalaikius sveikatos įrašus iš UK Biobank, plataus biomedicininių tyrimų ištekliaus, kuriame yra išsami informacija apie sveikatą, genetiką ir gyvenimo būdą maždaug 500 000 dalyvių. Tyrėjų komanda toliau vertino modelio našumą, patvirtindami jį beveik dviem milijonams pacientų įrašų iš Danijos nacionalinės sveikatos duomenų bazės, taip parodydama daugumos prognozinių signalų tarpvalstybinį pakartojamumą.
Kaip modelis veikia ir mokslo kontekstas
Transformeriai yra geriausiai žinomi dėl gebėjimo apdoroti kalbos sekas, kur jie išmoksta žodžių raštus ir tarpusavio ryšius. Tyrėjai tą patį sekų mokymosi gebėjimą pritaikė klinikinių įvykių laiko juostoms: kiekviena diagnozė, tyrimo išvada ar medicinos kodas paciento istorijoje tampa užsakytu žetonu (tokenu), iš kurio modelis gali mokytis. Kaip straipsnyje ir viešuose komentaruose paaiškino Moritz Gerstung iš Vokietijos vėžio tyrimų centro, diagnostinių sekų supratymas yra „šiek tiek panašus į gramatikos mokymąsi tekste“ — modelis identifikuoja, kurie įvykiai dažniausiai lydi kitus ir kurios jų kombinacijos rodo padidėjusią būsimos rizikos tikimybę.
Komanda praneša, kad Delphi-2M gali nustatyti asmenis su žymiai didesne arba mažesne infarkto ir kitų įvykių rizika nei prognozuoja tradiciniai rizikos skaičiuotuvai. Skirtingai nuo vienai būklei skirtų įrankių (pvz., QRISK3, naudojamo širdies ir kraujagyslių rizikai pirminėje priežiūroje įvertinti), Delphi-2M siekia pateikti daugiafunkcinę, ilgalaikę prognozę: tūkstančius sąlygų vienu metu, per metus, o ne mėnesius.
Modelis taip pat naudoja platų įvesties duomenų spektrą iš klinikinių istorijų, laboratorinių tyrimų ir užkoduotų diagnozių. "Delphi-2M išmoksta modelius sveikatos priežiūros duomenyse, ankstesnėse diagnozėse, kokiose kombinacijose jos pasireiškia ir kokia yra jų seka," rašė autoriai, taip leidžiant tai, ką jie vadina „sveikatai reikšmingomis prognozėmis“.
Patikrinimas, apribojimai ir etiniai svarstymai
Nors ankstyvi rezultatai yra viltingi, autoriai ir išoriniai recenzentai pabrėžia, kad Delphi-2M dar nėra pasirengęs klinikiniam taikymui. Patikrinimas dviejuose dideliuose duomenų rinkiniuose didina pasitikėjimą modelio prognoziniais signalais, tačiau abu rinkiniai turi žinomų šališkumų dėl amžiaus pasiskirstymo, etninės sudėties ir vietinių sveikatos priežiūros praktikų. Peter Bannister, sveikatos technologijų tyrėjas ir Britanijos Inžinerijos ir technologijų instituto narys, pažymėjo šiuos apribojimus ir pabrėžė atstumą tarp tyrimų prototipo ir patobulintos įprastos priežiūros.
Bendraautorius Tom Fitzgerald iš Europos molekulinės biologijos laboratorijos akcentavo sistemos lygmens naudą, siūlydamas, kad tokio tipo prognoziniai modeliai galėtų padėti optimizuoti išteklių paskirstymą įtemptose sveikatos priežiūros sistemose. Bendraautorius Ewan Birney išskyrė Delphi-2M nuo esamų klinikinių rizikos įrankių, pabrėždamas jo ligoms neutralų, daugiamečių mastą: "Jis gali apimti visas ligas vienu metu ir per ilgesnį laikotarpį."
Gustavo Sudre, medicininės DI specialistas iš King’s College London, apibūdino darbą kaip „žymų žingsnį link mastelio, interpretuojamumo ir — svarbiausia — etiškai atsakingo prognozavimo modeliavimo.“ Interpretuojamumas išlieka pagrindiniu tyrimų tikslu, nes daug didelių modelių vis dar demonstruoja vidinį elgesį, kurį sunku pilnai paaiškinti žmogaus ekspertams.
Galimos taikymo sritys ir tolimesni žingsniai
Jeigu modelis bus toliau patvirtintas ir integruotas į priežiūros kelią, tokie sprendimai kaip Delphi-2M galėtų paveikti prevencinę mediciną, iškeldami pacientus, kuriems reikėtų kruopštesnio stebėjimo, gyvenimo būdo pokyčių ar ankstyvesnių diagnostinių tyrimų. Sveikatos sistemos galėtų naudoti agreguotas prognozes planuojant personalą, diagnostikos pajėgumus ir taikomas visuomenės sveikatos iniciatyvas. Tačiau patikimi išoriniai patikrinimai, prospektyviniai klinikiniai tyrimai, sąžiningumo vertinimai įvairiose populiacijose ir aiškios reglamentavimo gaires bus būtini prieš diegiant tokias sistemas.
Susijusios technologijos
Šis tyrimas kertasi su platesnėmis medicininės DI naujovėmis: elektroninių sveikatos įrašų fenotipavimu, federuotuoju mokymusi, leidžiančiu apmokyti modelius keliose vietose be žaliųjų duomenų dalijimosi, ir aiškinamos DI priemonėmis, kurios parodo, kokie požymiai lemia individualias rizikos prognozes.
Eksperto įžvalga
Dr. Anna Reyes, biomedicinos duomenų mokslininkė ir mokslo komunikatorė, komentuoja: "Delphi-2M demonstruoja, kaip sekų modeliai gali išgauti klinikiniu požiūriu reikšmingus signalus iš sudėtingų paciento laiko juostų. Tikras iššūkis bus tuos signalus paversti veiksmingomis ir teisingomis intervencijomis. Tam reikalingi kruopštūs prospektyviniai tyrimai ir bendradarbiavimas tarp klinikų, duomenų mokslininkų ir etikų, kad nebūtų stiprinamos esamos sveikatos nelygybės."
Išvada
Delphi-2M žymi reikšmingą pažangą prognozuojamoje medicinoje: transformerių pagrindu sukurtas DI, galintis įvertinti daugiau nei 1 000 ligų riziką metais į priekį, mokantis iš pacientų istorijų modelių. Ankstyvas patvirtinimas JK ir Danijos duomenų rinkiniuose rodo perspektyvas, tačiau autoriai ir išoriniai ekspertai įspėja, kad duomenų šališkumai, interpretuojamumo iššūkiai ir reikalingi prospektyviniai klinikiniai tyrimai reiškia, jog technologija dar toli nuo įprastinio naudojimo. Jei šie kliuviniai bus įveikti, ligoms neutralūs prognozavimo įrankiai galėtų tapti prevencinės priežiūros ir sveikatos sistemų planavimo dalimi, papildančia — bet ne pakeičiančia — klinikinį sprendimą.
Quelle: sciencealert
Kommentar hinterlassen