هل يمكن للنماذج اللغوية الكبيرة (LLM) مساعدة أطباء الأعصاب في تحليل ضحايا السكتة الدماغية؟

الذكاء الاصطناعي (AI) هو أحد أكبر الاختراقات التقنية في هذا العقد. أدى إطلاق ChatGPT إلى دفع الذكاء الاصطناعي إلى التيار الرئيسي، مع امتداد تطبيقاته عبر قطاعات مختلفة، بما في ذلك الرعاية الصحية. ومن الجدير بالذكر أن أطباء الأعصاب من المرجح أن يستفيدوا بشكل كبير من استخدام الذكاء الاصطناعي لتحديد مواقع السكتات الدماغية داخل الدماغ بدقة، كما كشف دراسة حديثة.

بالحديث عن السكتات الدماغية، فهي أحد الأسباب الرئيسية للوفاة بين الأمريكيين؛ كل 40 ثانية يتعرض شخص في الولايات المتحدة لسكتة دماغية، وكل 3 دقائق و14 ثانية يموت شخص بسببها. إلى جانب الوفيات، يمكن للسكتات الدماغية أيضًا أن تسبب إعاقات طويلة الأمد. لذلك، فإن تحديد موقع السكتة داخل الدماغ يمكن أن يساعد في توقع آثارها على المدى الطويل، والتي قد تختلف بشكل كبير، من إعاقة حركة الفرد إلى تأثيرها على القدرات اللغوية والنطقية. بالإضافة إلى ذلك، يمكن للذكاء الاصطناعي المساعدة في تحديد توقعات المريض واختيار أفضل علاج.

عادةً ما تساعد فحوصات الدماغ في العثور على موقع الآفات، وهي مناطق تضرر النسيج نتيجة السكتات الدماغية. ومع ذلك، لا يمكن للجميع الوصول إلى أطباء الأعصاب لإجراء فحوصات الدماغ.

لمعالجة هذه الفجوة، قال مؤلف الدراسة جونغ-هيون لي، MD، عضو الأكاديمية الأمريكية لطب الأعصاب وجامعة ولاية نيويورك، جامعة العلوم الصحية داونستيت في بروكلين: “كنا نريد تحديد ما إذا كان GPT-4 يمكنه تحديد موقع آفات الدماغ بعد السكتة بدقة استنادًا إلى تاريخ صحة الشخص وفحصه العصبي”.

من بين المشاركين الآخرين في الدراسة إيونهي تشوي، MD، قسم الطب الباطني، مركز لينكولن الطبي، نيويورك؛ روبرت ماكدوغال، MD، قسم الإحصاءات الحيوية في كلية ييل للصحة العامة وبرنامج علم الأحياء الحاسوبي والمعلوماتية الحيوية في معهد وو-تساي؛ وويليام و. ليتون، MD، قسم الأعصاب في جامعة ولاية نيويورك داونستيت للعلوم الصحية وقسم الأعصاب في مستشفى كينغز كاونتي.

نُشرت الدراسة في المجلة الإلكترونية للأكاديمية الأمريكية لطب الأعصاب، Neurology® Clinical Practice، حيث عرضت قدرة الذكاء الاصطناعي على معالجة النصوص المستخلصة من الفحوصات العصبية وتواريخ الصحة لتحديد موقع الآفة في الدماغ.

لهذا، استخدم الفريق نموذج اللغة الكبيرة (LLM) GPT-4. هذا المحول المدرب مسبقًا على توليد النصوص تم تدريبه على كميات هائلة من البيانات وأظهر “قدرات ملحوظة” في توليد ردود نصية على الاستفسارات القائمة على النص.

هذا المسعى ليس الأول من نوعه، حيث تم استكشاف وظائف النماذج اللغوية الكبيرة مسبقًا في الإجابة على الأسئلة المفتوحة التي يطرحها الأطباء. ومع ذلك، كان البرنامج السابق المطور لتحديد موقع الآفات محدودًا إلى حد ما في نطاقه. هدف هذه الدراسة هو تقييم قدرة GPT‑4 على تحديد موقع آفات السكتة الحادة بناءً على العرض السريري، مما يبرز الدور المحتمل الذي يمكن أن يلعبه الذكاء الاصطناعي كأداة سريرية في طب الأعصاب في المستقبل.

إمكانات هائلة

في هذه الدراسة، جمع الباحثون تواريخ الصحة والفحوصات العصبية الجسدية لـ 46 حالة منشورة من الذين أصيبوا بسكتة دماغية. تم إدخال هذه البيانات النصية إلى GPT‑4. باستخدام تقنيات الاستدلال الصفري (Zero-Shot Chain-of-Thought) وتصنيف النص في الاستفهام، طُلب من النموذج الإجابة على ثلاثة أسئلة محددة حول كل مريض، مكررة ثلاث مرات: ما إذا كان المشارك لديه آفة واحدة أم متعددة، وعلى أي جانب من الدماغ تقع الآفات، وفي أي منطقة من الدماغ تم العثور على الآفات.

عند مقارنة نتائج GPT‑4 مع فحوصات الدماغ لكل مشارك، وجد الباحثون أن النتائج كانت مرضية إلى حد كبير، باستثناء الآفات في المخيخ والحبل الشوكي.

أظهر GPT‑4 درجة عالية من الدقة في تحديد موقع آفات الدماغ في معظم الحالات، محققًا خصوصية بنسبة 87٪ (نسبة السلبات التي تم تحديدها بشكل صحيح) وحساسية بنسبة 74٪ (نسبة الإيجابيات الفعلية التي تم تحديدها بشكل صحيح). كما حقق النموذج خصوصية بنسبة 94٪ وحساسية بنسبة 85٪ أثناء تحديد المناطق الدماغية الأكثر تأثرًا.

وجدت الدراسة أيضًا أن النموذج حدد باستمرار عدد آفات الدماغ في 76٪ من المشاركين، وموقع الآفات في 83٪، والمناطق الدماغية المحددة المتورطة في 87٪ من الحالات. ومع ذلك، عند تقييم استجابات النموذج على جميع الأسئلة الثلاثة عبر ثلاث محاولات لكل مشارك، انخفضت ثباته بشكل حاد، حيث لم يتمكن GPT‑4 من تقديم إجابات دقيقة إلا لـ 41٪ من المشاركين.

يشير هذا إلى أن النماذج اللغوية الكبيرة، مثل المحولات المدربة مسبقًا على التوليد (GPT)، “لم تكن جاهزة بعد للاستخدام في العيادة”. ومع ذلك، فإنها تظهر وعدًا في تحديد موقع الآفات بعد السكتة وقد تقلل من الفوارق في الرعاية الصحية، بفضل قدرتها على العمل عبر لغات مختلفة.

تسلط الدراسة أيضًا الضوء على الأهمية المتزايدة للخبرة العصبية في التدخل السكتوي، خاصة مع الارتفاع في استخدام التطبيب عن بُعد. علاوة على ذلك، يمكن للنموذج المساعدة في اتخاذ قرارات سريعة لتقييم الحاجة إلى مزيد من الدراسات التصويرية أو حتى استشارة طبيب أعصاب.

وفقًا للي:

“إن إمكاناتهم للاستخدام مشجعة، خاصةً بسبب الحاجة الكبيرة إلى تحسين الرعاية الصحية في المناطق غير المخدومة عبر عدة دول حيث الوصول إلى رعاية الأعصاب محدود.”

ومن الجدير بالذكر أن دقة GPT‑4 تعتمد على جودة البيانات التي يُزود بها، وقد لا تتوفر دائمًا معلومات مفصلة عن التاريخ الطبي والفحوصات العصبية لكل من أصيب بسكتة دماغية.

أكدت الدراسة أن الباحثين كانوا يعملون مع نموذج لغوي كبير دون تدريب طبي أو تحسين دقيق. كما لوحظ أن تقارير الحالات غير النمطية غالبًا ما تفتقر إلى تواريخ صحية مفصلة وفحوصات عصبية كافية. وبالتالي، نشأت الأخطاء نتيجة نقص المعلومات في الحالات المنشورة، بالإضافة إلى أخطاء منطقية أو فجوات في قاعدة المعرفة الأساسية.

لذلك، هناك حاجة لمزيد من البحث فيما يتعلق بالجوانب اللوجستية والقانونية وسلامة المرضى والخصوصية، وضمان الدقة والاتساق، وتكامل النماذج اللغوية الكبيرة مع سير عمل المستشفيات لاستخدامها بشكل فعال في البيئات السريرية.

انقر هنا لتعرف لماذا كان عام 2023 عامًا مميزًا للذكاء الاصطناعي.

الأهمية المتزايدة واستخدام النماذج اللغوية الكبيرة في الرعاية الصحية

تظهر الدراسة نتائج رائعة، وتعرض مثالًا آخر على توسع دور النماذج اللغوية الكبيرة في الرعاية الصحية—مجال حظي باهتمام كبير. في النهاية، هم يغيرون القطاع بطرق عديدة. ينتقل استخدامها تدريجيًا من مراحل الاستكشاف إلى الاستخدام العملي، حيث تؤثر الآن على البحث السريري ورعاية المرضى. قدرتها على معالجة كميات هائلة من البيانات، وتقديم رؤى فورية، وإنتاج نص بجودة بشرية ومعرفة مهنية معينة تُحدث ثورة في هذا القطاع.

تم تدريب هذه النماذج على كميات كبيرة من البيانات المعقدة، بما في ذلك النصوص والصور والفيديوهات المستخرجة من الإنترنت، وتجد تطبيقات متعددة في مختلف المجالات، بما في ذلك الطب.

بدأت تكتسب الزخم عندما أطلقت OpenAI المدعومة من مايكروسوفت أول نموذج لغوي كبير لها، GPT‑1، في عام 2018. كان انتشارها الواسع نتيجة لتوفرها للجمهور وسهولة استخدامها. جاءت هذه الميزات نتيجة دمج التعلم المعزز من ملاحظات البشر (RLHF) في النموذج، مما مكنه من تقديم مخرجات أكثر مصداقية وشبهًا بالبشر مقارنةً بنماذجه السابقة.

منذ إطلاق تطبيق الدردشة المستند إلى النماذج اللغوية الكبيرة ChatGPT، أطلقت عدة شركات تقنية، مثل Meta (Llama)، Google (BARD)، Amazon (AMZN ) ، وAnthropic المدعومة من Salesforce (Claude)، نماذجها اللغوية الكبيرة. وفي الوقت نفسه، أظهر الإصدار الأخير من OpenAI، GPT‑4، قدرات محسنة، مثل تجاوز الحد الأدنى للنجاح في اختبار الترخيص الطبي الأمريكي (USMLE).

وبذلك، أظهر ChatGPT قدرته في المجال الطبي، لذا من خلال تحسين النماذج اللغوية الكبيرة وتزويدها بتدريب إضافي، يمكننا استخدامها لتحسين رعاية المرضى. التواصل البشري هو جزء أساسي من ذلك، وقد مكنت قدرة GPT الشبيهة بالبشر من تحقيق فعالية ملحوظة في رضا المرضى وتمكين نتائج سريرية مثالية.

في حين أن معالجة كميات هائلة من البيانات قد تكون شاقة للبشر، يمكن للنماذج اللغوية الكبيرة القيام بذلك بسهولة في جزء صغير من الوقت. فهي تُنظم العملية من خلال ترتيب البيانات، مما يسمح لنا بالاستفادة منها بشكل جيد. وليس فقط البيانات السابقة؛ فالنماذج اللغوية الكبيرة تحلل باستمرار البيانات الجديدة الواردة مثل العلامات الحيوية وأعراض المرضى، مما يساعد المتخصصين في الرعاية الصحية على اتخاذ قرارات سريعة وفي الوقت الفعلي.

من خلال تحليل مجموعات بيانات ضخمة من الأدبيات العلمية، التجارب السريرية، إرشادات العلاج، والسجلات الطبية، تُسرّع النماذج اللغوية الكبيرة البحث الطبي للمساعدة في تحديد علاجات جديدة وتطوير علاجات فعّالة. كما يمكن لهذه النماذج المساعدة في إيجاد علاقات واكتشاف أنماط يمكن أن تعزز فهمنا للأمراض وتسرّع البحث الطبي.

علاوة على ذلك، توفر هذه النماذج رؤى قيمة تساعد المتخصصين في الرعاية الصحية على اتخاذ قرارات سريرية، مثل التشخيص الدقيق وتخطيط العلاج المخصص، مما يؤدي إلى تحسين رعاية المرضى. ليس فقط المتخصصين، بل تمكّن النماذج اللغوية الكبيرة المرضى أيضًا من خلال تزويدهم بمعلومات مفهومة ومتاحة لفهم حالاتهم بشكل أفضل وتمكينهم من المشاركة في رحلتهم الصحية.

انقر هنا لتعرف ما الذي يجعل الذكاء الاصطناعي متعدد الاستخدامات.

دفع الابتكار في الرعاية الصحية

نظرًا للفوائد الضخمة والإمكانات، حقق سوق الذكاء الاصطناعي التوليدي في الرعاية الصحية تقييمًا أكثر من مليار دولار في عام 2022 ومن المتوقع أن ينمو إلى 22 مليار دولار بحلول عام 2032، وفقًا لمؤشر الذكاء الاصطناعي التوليدي.

فيما يتعلق باستخدام الذكاء الاصطناعي في قطاع الأجهزة الطبية، كانت أمراض القلب تقود هذا الاتجاه، حيث كان 57٪ من الأجهزة الطبية المدعومة بالذكاء الاصطناعي التي وافقت عليها إدارة الغذاء والدواء (FDA) في عام 2022 تحت تصنيف أمراض القلب، وفقًا لـ GlobalData. من المتوقع أن يستمر هذا الاتجاه في المستقبل، مع توقع نمو الإنفاق على الذكاء الاصطناعي من قبل شركات الأجهزة الطبية بمعدل نمو سنوي مركب (CAGR) قدره 20.6٪ بين عامي 2019 و2024.

في المستقبل، قد نرى حتى دمج الذكاء الاصطناعي مع الطباعة الحيوية ثلاثية الأبعاد لتمكين إنشاء أعضاء وظيفية بالكامل مخصصة لاحتياجات كل مريض.

تستغل هذه الإمكانية العديد من المنظمات الرئيسية لإطلاق حلول متخصصة مدعومة بالذكاء الاصطناعي لصناعة الرعاية الصحية. على سبيل المثال، تقدم مايكروسوفت حلًا متخصصًا يُدعى Nuance Dragon Ambient eXperience (DAX). يلتقط محادثات الطبيب مع المريض، ويحولها إلى ملاحظات، ويُدمجها في سجلات الصحة الإلكترونية (EHRs).

كشفت جوجل بالفعل عن MedLM، وهو نموذج لغوي كبير يركز على الرعاية الصحية ومتوفر عبر منصة Vertex AI. ومنذ ذلك الحين، تقوم الشركة بتدريب نماذج الذكاء الاصطناعي الصحية على أحدث أبحاثها لتطبيق الذكاء الاصطناعي في صناعة الرعاية الصحية. تم استخدام النموذج من قبل المنظمات الشريكة لبناء حلول مثل تبسيط عمليات تسليم المهام للممرضات ودعم توثيق الأطباء.

في الشهر الماضي فقط، أضافت جوجل قدرات جديدة إلى نموذجها وأطلقت MedLM لأشعة الصدر لتغيير طريقة عمل علم الأشعة. الفكرة هي أن يدعم الذكاء الاصطناعي التوليدي مؤسسات الرعاية الصحية من خلال المساعدة في تصنيف أشعة الصدر لعدد من حالات الاستخدام.

لكن هذا ليس كل شيء. يعمل فريق أبحاث جوجل مع Fitbit لبناء نموذج لغوي كبير للصحة الشخصية يمكنه تشغيل ميزات العافية في تطبيق Fitbit المحمول. يُجرى تطوير هذا النموذج لتقديم إرشاد فردي للجميع بناءً على أهدافهم الصحية واللياقية الشخصية.

تقدم Amazon Web Services (AWS) أيضًا HealthScribe، الذي يحلل محادثات الاستشارة لإنشاء ملاحظات سريرية ملخصة لأقسام مثل التقييم، تاريخ المرض الحالي، وخطة العلاج. يمكن للمنظمات بعد ذلك دمج هذه الملاحظات في التطبيقات السريرية لتلخيص زيارات المرضى بشكل أكثر كفاءة.

في وقت سابق من هذا العام، تعاونت شركة التكنولوجيا الطبية Siemens Healthineers (SHL.SW ) (SHL.DE ) مع معهد العلوم الهندي (IISc) لإطلاق مختبر Siemens Healthineers-Computational Data Sciences (CDS) التعاوني للذكاء الاصطناعي في الطب الدقيق. يركز المختبر على تطوير أدوات ذكاء اصطناعي مفتوحة المصدر لأتمتة التقسيم الدقيق للنتائج المرضية في بيانات التصوير العصبي. سيساعد ذلك في تحسين تشخيص الأمراض المتعلقة بالأعصاب وتحليل تأثيرها السريري.

هذه مجرد بداية الاتجاه المتزايد للذكاء الاصطناعي في القطاع الطبي. من المتوقع أن يكون دور الذكاء الاصطناعي أكبر بكثير. يُستخدم حاليًا لتوليد نماذج ثلاثية الأبعاد مخصصة للمرضى في الوقت الفعلي أثناء الجراحات، ومن المتوقع أن يتطور الذكاء الاصطناعي أكثر لتقديم تجارب رعاية صحية تفاعلية تُحوِّل تعليم المرضى ومشاركتهم. حتى في تعديل الجينات، من المتوقع أن يتجاوز الذكاء الاصطناعي مجرد تحليل البيانات الجينية المعقدة لتوفير تنبؤات أكثر دقة عن ارتباط الجينات بالأمراض لتخصيص تعديل الجينات بشكل عالي.

جلسات العلاج بالواقع الافتراضي الغامرة المدعومة بالذكاء الاصطناعي لعلاج الصحة النفسية هي طريقة أخرى يمكن للتكنولوجيا استخدامها في هذا القطاع. ثم هناك الروبوتات النانوية التي يمكنها الاستفادة من الذكاء الاصطناعي لتحديد ومعالجة مجموعة واسعة من الحالات الطبية في مراحلها المبكرة.

ومع ذلك، فإن تطبيق النماذج اللغوية الكبيرة في الرعاية الصحية ليس خاليًا من المخاوف. هناك مخاوف أخلاقية تتعلق بالخصوصية والشفافية والاعتبارات الأمنية التي يجب أن يكون الباحثون والمتخصصون في الرعاية الصحية والمنظمات الطبية على دراية بها. يمكن أيضًا استخدام هذه النماذج لنشر المعلومات المضللة بسبب نقص المساءلة، وهو أمر يجب مراعاته. ولا ننسى وجود حد ذاتي لإعادة إنتاج الانحيازات القائمة.

تعمل الحكومات حول العالم على معالجة القضايا التي يطرحها الذكاء الاصطناعي. فقد أنشأت أوروبا بالفعل إطارًا قانونيًا للذكاء الاصطناعي، بينما تخطط وزارة الصحة والرعاية الاجتماعية في المملكة المتحدة لتحسين شفافية البيانات المستخدمة في تطوير الأجهزة الطبية باستخدام الذكاء الاصطناعي.

انقر هنا لتعرف عن التآزر المتزايد بين الذكاء الاصطناعي وعلوم الأعصاب.

الخلاصة

تُلاحظ زيادة استخدام النماذج اللغوية الكبيرة في صناعة الطب بالفعل، ومن المتوقع أن تستمر في النمو من حيث الاعتماد والتأثير. ومع ذلك، من المهم أن تُستخدم هذه النماذج بمسؤولية وأن تكون البيانات الأساسية ذات جودة فائقة دون أي انحيازات أو معلومات مضللة، لتوفير نتائج أكثر دقة وتحسين نتائج المرضى.

انقر هنا لتعرف كل شيء عن الاستثمار في الذكاء الاصطناعي.