Kan store sprogmodeller (LLM) hjælpe neurologer med at analysere slagtilfælde?

Kunstig intelligens (AI) er et af de største teknologiske gennembrud i dette årti. Lanceringen af ChatGPT har især bragt AI ind i mainstream, med anvendelser, der strækker sig over forskellige sektorer, inklusive sundhedssektoren. Især vil neurologer sandsynligvis drage stor fordel af at bruge AI til præcist at lokalisere slagtilfælde i hjernen, som afsløret af en nylig undersøgelse.

Når vi taler om slagtilfælde, er de en førende dødsårsag blandt amerikanere; hver 40. sekund oplever nogen i USA et slagtilfælde, og hver 3. minut og 14. sekund dør nogen af det. Ud over dødelighed kan slagtilfælde også forårsage langvarige handicap. Derfor kan identifikation af slagtilfældets placering i hjernen hjælpe med at forudsige dets langsigtede virkninger, som kan variere bredt, fra at påvirke en persons mobilitet til at påvirke sprog- og taleevner. Derudover kan AI hjælpe med at bestemme en persons prognose og fastlægge den bedste behandling.

Typisk hjælper hjernescanninger med at finde placeringen af læsioner, som er områder med vævsskade fra slagtilfælde. Dog har ikke alle adgang til neurologer for at få udført hjernescanninger.

For at adressere dette hul, “ville vi bestemme, om GPT-4 kunne præcist lokalisere hjernelesioner efter et slagtilfælde baseret på en persons sygehistorie og en neurologisk undersøgelse,” sagde studiets forfatter Jung-Hyun Lee, MD, medlem af American Academy of Neurology og State University of New York, Downstate Health Sciences University i Brooklyn.

Andre deltagere i undersøgelsen inkluderer Eunhee Choi, MD, Department of Internal Medicine, Lincoln Medical Center, NY; Robert McDougal, MD, Department of Biostatistics at Yale School of Public Health and Program in Computational Biology and Bioinformatics at Wu‑Tsai Institute; og William W. Lytton, MD, Department of Neurology at State University of New York Downstate Health Sciences University and Department of Neurology at Kings County Hospital.

Udgivet i American Academy of Neurology’s online‑tidsskrift, Neurology® Clinical Practice, fremviste undersøgelsen AI’s evne til at behandle tekst fra neurologiske undersøgelser og sygehistorier for at identificere læsionens placering i hjernen.

Til dette brugte teamet den store sprogmodel (LLM) GPT-4. Denne generative forudtrænede transformer er trænet på enorme datamængder og har vist “bemærkelsesværdige evner” i at generere tekstsvar på tekstbaserede forespørgsler.

Dette projekt er ikke det første af sin slags, da funktionaliteten af LLM’er tidligere er blevet udforsket i besvarelsen af frie spørgsmål stillet af læger. Dog har tidligere software udviklet til læsionlokalisering været ret begrænset i omfang. Formålet med denne undersøgelse er at evaluere GPT‑4’s kapacitet til lokalisering af akutte slagtilfældes læsioner baseret på klinisk præsentation, og dermed vise den potentielle rolle AI kan spille som et klinisk værktøj i neurologi i fremtiden.

Stor potentiale

I denne undersøgelse samlede forskerne sygehistorier og neurologiske fysiske undersøgelser fra 46 offentliggjorte tilfælde af personer, der havde haft et slagtilfælde. Disse tekstdata blev derefter indlæst i GPT-4. Ved at anvende Zero‑Shot Chain‑of‑Thought og Text Classification prompt‑teknikker, blev modellen bedt om at besvare tre specifikke spørgsmål om hver patient, gentaget tre gange: om deltageren havde enkelt‑ eller multiple læsioner, på hvilken side af hjernen læsionerne var placeret, og i hvilken region af hjernen læsionerne blev fundet.

Ved at sammenligne GPT‑4‑resultaterne med hjernescanningerne for hver deltager fandt forskerne, at resultaterne var ret tilfredsstillende, bortset fra læsioner i cerebellum og rygmarven.

GPT‑4 demonstrerede en høj grad af nøjagtighed i at identificere placeringen af hjernelesionerne i de fleste tilfælde, og opnåede en specificitet på 87 % (procentdel af negative korrekt identificeret) og en sensitivitet på 74 % (procentdel af faktiske positive korrekt identificeret). Modellen opnåede også en specificitet på 94 % og en sensitivitet på 85 % ved bestemmelse af de mest påvirkede hjerneområder.

Undersøgelsen fandt desuden, at modellen konsekvent identificerede antallet af hjernelesioner i 76 % af deltagerne, placeringen af læsionerne i 83 % og de specifikke hjerneområder involveret i 87 % af tilfældene. Men da man evaluerede modellens svar på alle tre spørgsmål over tre forsøg for hver deltager, faldt konsistensen drastisk, hvor GPT‑4 kun kunne give korrekte svar for 41 % af deltagerne.

Dette indikerer, at LLM’er, såsom generative forudtrænede transformere (GPT), “ikke endnu er klar til klinisk brug.” Ikke desto mindre viser de lovende resultater i at identificere læsionernes placering efter et slagtilfælde og kan reducere sundhedsulighed takket være deres evne til at fungere på tværs af forskellige sprog.

Undersøgelsen fremhæver også den voksende betydning af neurologisk ekspertise for slagtilfældeintervention, især med en stigning i brugen af telemedicin. Desuden kan modellen hjælpe med rettidige beslutninger om behovet for yderligere billeddiagnostik eller endda neurologisk konsultation.

Ifølge Lee: 

“Deres potentiale for anvendelse er opmuntrende, især på grund af det store behov for forbedret sundhedspleje i underbetjente områder på tværs af flere lande, hvor adgang til neurologisk pleje er begrænset.”

Bemærkelsesværdigt er, at GPT‑4’s nøjagtighed afhænger af kvaliteten af de data, den får, og detaljerede oplysninger om medicinsk historie og neuroundersøgelser er måske ikke altid tilgængelige for alle, der har fået et slagtilfælde.

Undersøgelsen understregede, at forskerne har arbejdet med en LLM uden medicinsk træning eller finjustering. Derudover blev det bemærket, at rapporterne om atypiske tilfælde ofte manglede tilstrækkeligt detaljerede sygehistorier og neurologiske undersøgelser. Således opstod unøjagtigheder på grund af utilstrækkelig information i de offentliggjorte tilfælde samt logiske fejl eller huller i den underliggende vidensbase.

Derfor er der behov for yderligere forskning med hensyn til logistisk, juridisk, patientsikkerhed og privatliv, sikring af nøjagtighed og konsistens samt integration med hospitalsarbejdsgange for at gøre LLM‑ers brug i kliniske indstillinger levedygtig.

Klik her for at lære, hvorfor 2023 var et gennembrudsår for kunstig intelligens.

Voksende betydning & brug af LLM’er i sundhedssektoren

Undersøgelsen viser fremragende resultater og demonstrerer endnu et eksempel på LLM‑ers ekspanderende rolle i sundhedssektoren – et felt, der har fået meget opmærksomhed. De ændrer sektoren på så mange måder. Deres anvendelse bevæger sig gradvist fra udforskningsstadier til praktisk brug og påvirker nu klinisk forskning og patientpleje. Deres evne til at behandle enorme datamængder, levere realtidsindsigt og producere tekst af menneskelig kvalitet med visse faglige kompetencer revolutionerer sektoren.

Trænet på store mængder kompleks data, herunder tekst, billeder og videoer fra internettet, finder disse modeller alsidige anvendelser på tværs af forskellige områder, også inden for medicin.

Det begyndte først at få opmærksomhed, da Microsoft (MSFT ) ‑støttede OpenAI udgav deres første LLM, GPT‑1, i 2018. Dens udbredte adoption blev drevet af offentlig tilgængelighed og brugervenlighed. Disse funktioner var resultatet af at inkorporere model‑forstærkningslæring fra menneskelig feedback (RLHF), som hjalp den med at levere mere troværdige og menneskelignende svar end sine forgængere.

Siden lanceringen af den LLM‑baserede chatbot‑applikation ChatGPT har flere teknologivirksomheder, såsom Meta (Llama), Google (BARD), Amazon (AMZN ) og Salesforce ‑støttede Anthropic (Claude), frigivet deres LLM’er. Imens har OpenAI’s seneste version, GPT‑4, vist forbedrede evner, såsom at overgå beståelsesgrænsen for US Medical Licensing Exam (USMLE).

Med dette har ChatGPT vist sin evne til medicinske formål, så ved at finjustere LLM’er og give dem yderligere træning kan vi bruge LLM’er til at forbedre patientpleje. Menneskelig kommunikation er en central del af dette, og GPT’s menneskelignende kapacitet har gjort den ret effektiv i patienttilfredshed og i at muliggøre optimale kliniske resultater.

Mens behandling af enorme datamængder kan være overvældende for mennesker, kan LLM’er let gøre dette på en brøkdel af tiden. De strømliner processen ved at organisere dataene, så vi kan udnytte dem optimalt. Ikke kun historiske data; LLM’er analyserer løbende nye, indkommende data såsom vitale tegn og patientsymptomer, hvilket i høj grad kan hjælpe sundhedsprofessionelle med at træffe hurtige beslutninger i realtid.

Ved at analysere omfattende datasæt fra videnskabelig litteratur, kliniske forsøg, behandlingsretningslinjer og medicinske journaler, fremskynder LLM’er også medicinsk forskning for at hjælpe med at identificere nye behandlinger og udvikle effektive terapier. Disse modeller kan også hjælpe med at skabe korrelationer og opdage mønstre, der kan fremme vores forståelse af sygdomme og accelerere medicinsk forskning.

Desuden giver disse modeller værdifulde indsigter, der hjælper sundhedsprofessionelle med at træffe kliniske beslutninger, såsom præcise diagnoser og personlig behandlingsplanlægning, hvilket fører til forbedret patientpleje. Ikke kun fagfolk, men LLM’er giver også patienter forståelig og tilgængelig information, så de bedre kan forstå deres tilstande og deltage aktivt i deres sundhedsrejse.

Klik her for at lære, hvad der gør AI til en alsidig løsning.

Driver innovationen i sundhedssektoren

Givet de enorme fordele og potentiale nåede markedet for generativ AI i sundhedssektoren en værdi på over 1 milliard USD i 2022 og forventes at vokse til 22 mia USD i 2032, ifølge Generative AI Tracker.

Når det gælder AI’s anvendelse i medicinsk udstyrssektor, har kardiologi ledt denne trend, med 57 % af AI‑aktiverede medicinske enheder godkendt af FDA i 2022 inden for kardiologi, ifølge GlobalData. Denne tendens forventes at fortsætte, med udgifter til AI fra medicinske udstyrsvirksomheder, der skal vokse med en CAGR på 20,6 % mellem 2019 og 2024.

I fremtiden kunne vi endda se integration af AI med 3D‑bioprintning for at muliggøre fremstilling af fuldt funktionelle organer skræddersyet til hver patients specifikke behov.

Dette potentiale har mange store organisationer, der lancerer specialiserede AI‑drevne løsninger til sundhedsindustrien. For eksempel leverer Microsoft en specialiseret løsning kaldet Nuance Dragon Ambient eXperience (DAX). Den indfanger samtaler mellem kliniker og patient, oversætter dem til noter og integrerer dem i EHR‑systemer.

Google har allerede præsenteret deres MedLM, en sundheds‑fokuseret LLM tilgængelig via Vertex AI‑platformen. Siden da har virksomheden trænet sine sundheds‑AI‑modeller på den nyeste forskning for at anvende AI i sundhedssektoren. Modellen er blevet brugt af partnerorganisationer til at bygge løsninger såsom strømlining af sygeplejerske‑overdragelser og understøttelse af kliniker‑dokumentation.

Kun sidste måned tilføjede Google nye evner til deres model og lancerede MedLM for Chest X‑rays for at ændre måden radiologi fungerer på. Ideen er at have generativ AI, der støtter sundhedsorganisationer ved at hjælpe med kategorisering af bryst‑røntgenbilleder til en række anvendelsestilfælde.

Men det er ikke alt. Google Research arbejder sammen med Fitbit om at bygge en stor sprogmodel for personlig sundhed, som kan drive wellness‑funktioner i Fitbit‑mobilappen. Denne model arbejdes på for at tilbyde individuel coaching til alle baseret på deres personlige sundheds‑ og fitnessmål.

Amazon Web Services (AWS) tilbyder også HealthScribe, som analyserer konsultationssamtaler for at skabe opsummerede kliniske noter for segmenter som vurdering, nuværende sygdomshistorik og behandlingsplan. Organisationer kan derefter integrere disse noter i kliniske applikationer for at opsummere patientbesøg mere effektivt.

Tidligere i år gik medicinsk teknologivirksomhed Siemens Healthineers (SHL.SW ) (SHL.DE ) sammen med Indian Institute of Science (IISc) i gang med at lancere Siemens Healthineers‑Computational Data Sciences (CDS) Collaborative Laboratory for AI in Precision Medicine. Laboratoriets fokus er på at udvikle open‑source AI‑værktøjer til automatisk præcis segmentering af patologiske fund i neuro‑imaging‑data. Dette vil hjælpe med mere præcis diagnose af neurologirelaterede sygdomme og analyse af deres kliniske effekt.

Dette er kun begyndelsen på den voksende AI‑trend i den medicinske sektor. Rollen for kunstig intelligens forventes at blive meget større. Den bruges i øjeblikket til at generere realtids‑, patient‑specifikke 3D‑modeller i operationer, og AI vil udvikle sig yderligere for at tilbyde interaktive sundhedsoplevelser, der kan transformere patientuddannelse og -engagement. Selv inden for genredigering forventes AI at gå ud over blot at analysere komplekse genetiske data for at levere mere præcise gen‑sygdoms‑associations‑forudsigelser til højt tilpasset genredigering.

AI‑drevne immersive virtual reality‑terapiforløb for mental sundhedsbehandling er en anden måde, teknologien kan udnyttes i sektoren på. Derudover findes der nanobots, der kan udnytte AI til at identificere og adressere en bred vifte af medicinske tilstande på deres tidlige stadier.

Dog er anvendelsen af LLM’er i sundhedssektoren ikke uden bekymringer. Der er etiske bekymringer vedrørende privatliv, gennemsigtighed og sikkerhed, som forskere, sundhedsprofessionelle og medicinske organisationer skal være opmærksomme på. Disse modeller kan også bruges til at sprede misinformation på grund af manglende ansvarlighed, hvilket også bør tages i betragtning. Ikke mindst er der en iboende begrænsning i at reproducere eksisterende bias.

Regeringer verden over arbejder på at tackle de udfordringer, som AI medfører. Europa har allerede oprettet et lovgivningsmæssigt rammeværk for AI, mens Storbritanniens Department of Health and Social Care planlægger at forbedre gennemsigtigheden af data, der anvendes i udviklingen af medicinske enheder, der bruger AI.

Klik her for at lære om den voksende synergi mellem AI & neurologi.

Konklusion

LLM’er ser allerede en stigende brug i den medicinske industri, og de forventes at vokse yderligere i både adoption og indflydelse. Det er dog vigtigt, at disse modeller anvendes ansvarligt, og at de underliggende data er af højeste kvalitet uden indbyggede bias og misinformation, så de kan levere mere præcise resultater og bedre patientresultater.

Klik her for at lære alt om investering i kunstig intelligens.