Μπορούν τα Μεγάλα Γλωσσικά Μοντέλα (LLM) να βοηθήσουν τους νευρολόγους στην ανάλυση θυμάτων εγκεφαλικού;

Η τεχνητή νοημοσύνη (AI) είναι μία από τις μεγαλύτερες τεχνολογικές επαναστάσεις αυτής της δεκαετίας. Η κυκλοφορία του ChatGPT έχει ιδιαίτερα προωθήσει την AI στο mainstream, με τις εφαρμογές της να επεκτείνονται σε διάφορους τομείς, συμπεριλαμβανομένης της υγειονομικής περίθαλψης. Ιδιαίτερα, οι νευρολόγοι ενδέχεται να ωφεληθούν σημαντικά από τη χρήση της AI για την ακριβή εντόπιση των θέσεων των εγκεφαλικών επεισοδίων στον εγκέφαλο, όπως αποκαλύφθηκε σε πρόσφατη μελέτη.

Μιλώντας για εγκεφαλικά, αυτά αποτελούν μία από τις κύριες αιτίες θανάτου μεταξύ των Αμερικανών· κάθε 40 δευτερόλεπτα κάποιος στις ΗΠΑ υφίσταται εγκεφαλικό, και κάθε 3 λεπτά και 14 δευτερόλεπτα κάποιος πεθαίνει από αυτό. Πέρα από τη θνησιμότητα, τα εγκεφαλικά μπορούν επίσης να προκαλέσουν μακροπρόθεσμες αναπηρίες. Συνεπώς, η ταυτοποίηση της θέσης του εγκεφαλικού στον εγκέφαλο μπορεί να βοηθήσει στην πρόβλεψη των μακροπρόθεσμων επιπτώσεων, οι οποίες μπορεί να διαφέρουν ευρέως, από την εξασθένιση της κινητικότητας ενός ατόμου έως την επήρεια στις γλωσσικές και ομιλητικές ικανότητες. Επιπλέον, η AI μπορεί να βοηθήσει στον καθορισμό της πρόγνωσης ενός ατόμου και στην επιλογή της καλύτερης θεραπείας.

Συνήθως, οι απεικονίσεις του εγκεφάλου βοηθούν στην εύρεση της θέσης των βλαβών, που είναι περιοχές ιστικούς ζημίας από τα εγκεφαλικά. Ωστόσο, δεν έχουν όλοι πρόσβαση σε νευρολόγους για τις απεικονίσεις του εγκεφάλου.

Για να καλυφθεί αυτό το κενό, «θέλαμε να καθορίσουμε εάν το GPT‑4 θα μπορούσε να εντοπίσει με ακρίβεια τις εγκεφαλικές βλάβες μετά από εγκεφαλικό με βάση το ιατρικό ιστορικό ενός ατόμου και την νευρολογική εξέταση», δήλωσε ο συγγραφέας της μελέτης Jung‑Hyun Lee, MD, μέλος της Αμερικανικής Ακαδημίας Νευρολογίας και του State University of New York, Downstate Health Sciences University στο Brooklyn.

Άλλοι συμμετέχοντες της μελέτης περιλαμβάνουν την Eunhee Choi, MD, Τμήμα Εσωτερικής Ιατρικής, Lincoln Medical Center, NY· τον Robert McDougal, MD, Τμήμα Βιοστατιστικής στο Yale School of Public Health και Πρόγραμμα Υπολογιστικής Βιολογίας και Βιοπληροφορικής στο Wu‑Tsai Institute· και τον William W. Lytton, MD, Τμήμα Νευρολογίας στο State University of New York Downstate Health Sciences University και Τμήμα Νευρολογίας στο Kings County Hospital.

Δημοσιεύτηκε στο διαδικτυακό περιοδικό της Αμερικανικής Ακαδημίας Νευρολογίας, Neurology® Clinical Practice, η μελέτη που παρουσίασε τη δυνατότητα της AI να επεξεργάζεται κείμενα από νευρολογικές εξετάσεις και ιατρικά ιστορικά για την ταυτοποίηση της θέσης της βλάβης στον εγκέφαλο.

Για το σκοπό αυτό, η ομάδα χρησιμοποίησε το μεγάλο γλωσσικό μοντέλο (LLM) GPT‑4. Αυτό το γενετικό προ‑εκπαιδευμένο μετασχηματιστικό (transformer) έχει εκπαιδευτεί σε τεράστιες ποσότητες δεδομένων και έχει δείξει «αξιοσημείωτες δυνατότητες» στην παραγωγή κειμενικών απαντήσεων σε ερωτήματα κειμένου.

Αυτή η προσπάθεια δεν είναι η πρώτη του είδους, καθώς η λειτουργικότητα των LLM έχει προηγουμένως εξεταστεί στην απάντηση ελεύθερων ερωτήσεων που θέτουν οι γιατροί. Ωστόσο, το προηγούμενο λογισμικό που αναπτύχθηκε για την εντόπιση βλαβών ήταν περιορισμένο σε εμβέλεια. Ο στόχος της μελέτης είναι η αξιολόγηση της δυνατότητας του GPT‑4 στην εντόπιση οξέων βλαβών εγκεφαλικού βάσει κλινικής παρουσίασης, επιδεικνύοντας έτσι τον δυνητικό ρόλο που μπορεί να παίξει η AI ως κλινικό εργαλείο στη νευρολογία στο μέλλον.

Huge Potential

Σε αυτή τη μελέτη, οι ερευνητές συνέλεξαν τα ιατρικά ιστορικά και τις νευρολογικές φυσικές εξετάσεις 46 δημοσιευμένων περιπτώσεων ατόμων που είχαν υποστεί εγκεφαλικό. Αυτά τα κειμενικά δεδομένα εισήχθησαν στο GPT‑4. Χρησιμοποιώντας τεχνικές Zero‑Shot Chain‑of‑Thought και Text Classification prompting, το μοντέλο είχε ως αποστολή να απαντήσει σε τρία συγκεκριμένα ερωτήματα για κάθε ασθενή, επαναλαμβανόμενα τρεις φορές: εάν ο συμμετέχων είχε μία ή πολλαπλές βλάβες, σε ποια πλευρά του εγκεφάλου βρίσκονταν οι βλάβες, και σε ποια περιοχή του εγκεφάλου εντοπίστηκαν οι βλάβες.

Κατά τη σύγκριση των αποτελεσμάτων του GPT‑4 με τις απεικονίσεις του εγκεφάλου κάθε συμμετέχοντα, οι ερευνητές διαπίστωσαν ότι τα αποτελέσματα ήταν αρκετά ικανοποιητικά, εκτός από τις βλάβες στον παρεγκεφαλίδα και το νωτιαίο μυελό.

Το GPT‑4 έδειξε υψηλό βαθμό ακρίβειας στην ταυτοποίηση της θέσης των εγκεφαλικών βλαβών για την πλειονότητα των περιπτώσεων, επιτυγχάνοντας ειδικότητα 87 % (ποσοστό των αρνητικών που εντοπίστηκαν σωστά) και ευαισθησία 74 % (ποσοστό των πραγματικών θετικών που εντοπίστηκαν σωστά). Το μοντέλο πέτυχε επίσης ειδικότητα 94 % και ευαισθησία 85 % κατά τον προσδιορισμό των πιο επηρεαζόμενων περιοχών του εγκεφάλου.

Η μελέτη διαπίστωσε επίσης ότι το μοντέλο εντόπισε σταθερά τον αριθμό των εγκεφαλικών βλαβών σε 76 % των συμμετεχόντων, την τοποθεσία των βλαβών σε 83 % και τις συγκεκριμένες περιοχές του εγκεφάλου που εμπλέκονταν σε 87 % των περιπτώσεων. Ωστόσο, όταν αξιολογήθηκε η ανταπόκριση του μοντέλου σε όλα τα τρία ερωτήματα σε τρεις προσπάθειες για κάθε συμμετέχοντα, η συνέπειά του μειώθηκε δραστικά, με το GPT‑4 να μπορεί να δώσει ακριβείς απαντήσεις μόνο για το 41 % των συμμετεχόντων.

Αυτό υποδηλώνει ότι τα LLM, όπως τα γενετικά προ‑εκπαιδευμένα μετασχηματιστικά (GPT), «δεν είναι ακόμη έτοιμα για χρήση στην κλινική πρακτική». Παρ’ όλα αυτά, δείχνουν υποσχέσεις στην ταυτοποίηση της θέσης των βλαβών μετά από εγκεφαλικό και θα μπορούσαν να μειώσουν τις ανισότητες στην υγειονομική περίθαλψη, χάρη στην ικανότητά τους να λειτουργούν σε διαφορετικές γλώσσες.

Η μελέτη επίσης επισημαίνει τη αυξανόμενη σημασία της νευρολογικής εξειδίκευσης για την παρέμβαση σε εγκεφαλικά, ειδικά με την άνοδο της τηλεϊατρικής. Επιπλέον, το μοντέλο μπορεί να βοηθήσει σε έγκαιρες αποφάσεις για την αξιολόγηση της ανάγκης περαιτέρω απεικονιστικών μελετών ή ακόμη και συμβουλευτικής νευρολόγου.

Σύμφωνα με τον Lee:

«Το δυναμικό τους για χρήση είναι ενθαρρυντικό, ιδιαίτερα λόγω της μεγάλης ανάγκης για βελτιωμένη υγειονομική περίθαλψη σε υποεξυπηρετούμενες περιοχές πολλών χωρών όπου η πρόσβαση στη νευρολογική φροντίδα είναι περιορισμένη.»

Αξιοσημείωτο, η ακρίβεια του GPT‑4 εξαρτάται από την ποιότητα των δεδομένων που του παρέχονται, και λεπτομερείς πληροφορίες για το ιατρικό ιστορικό και τις νευρολογικές εξετάσεις ενδέχεται να μην είναι πάντα διαθέσιμες για όλους όσους έχουν υποστεί εγκεφαλικό.

Η μελέτη τόνισε ότι οι ερευνητές εργάζονταν με ένα LLM χωρίς ιατρική εκπαίδευση ή fine‑tuning. Επιπλέον, σημειώθηκε ότι οι αναφορές ατυπικών περιπτώσεων συχνά έλειπαν από επαρκώς λεπτομερή ιατρικά ιστορικά και νευρολογικές εξετάσεις. Έτσι, προέκυψαν ανακρίβειες λόγω ανεπαρκούς πληροφόρησης στις δημοσιευμένες περιπτώσεις, καθώς και αποτυχίες λογικής ή κενά στη βασική γνώση του μοντέλου.

Συνεπώς, υπάρχει ανάγκη για περαιτέρω έρευνα όσον αφορά τη λογιστική, νομική, ασφάλεια του ασθενούς και την ιδιωτικότητα, διασφαλίζοντας την ακρίβεια και τη συνέπεια, καθώς και την ενσωμάτωση με τις ροές εργασίας των νοσοκομείων για τη βιώσιμη χρήση των LLM σε κλινικά περιβάλλοντα.

Click here to learn why 2023 was a breakout year for artificial intelligence.

Growing Importance & Usage of LLMs in Healthcare

Η μελέτη δείχνει εξαιρετικά αποτελέσματα, παρουσιάζοντας ακόμη ένα παράδειγμα της διευρυνόμενης θέσης των LLM στον τομέα της υγείας — ενός τομέα που κερδίζει όλο και περισσότερη προσοχή. Μετά από όλα, αλλάζουν τον κλάδο με πολλούς τρόπους. Η χρήση τους μεταβαίνει σταδιακά από τα στάδια εξερεύνησης στην πρακτική εφαρμογή, επηρεάζοντας πλέον την κλινική έρευνα και τη φροντίδα των ασθενών. Η ικανότητά τους να επεξεργάζονται τεράστιες ποσότητες δεδομένων, να προσφέρουν σε πραγματικό χρόνο πληροφορίες και να παράγουν κείμενα ανθρώπινης ποιότητας με συγκεκριμένη επαγγελματική γνώση, επαναπροσδιορίζει τον κλάδο.

Εκπαιδευμένα σε μεγάλες ποσότητες σύνθετων δεδομένων, συμπεριλαμβανομένων κειμένων, εικόνων και βίντεο που προέρχονται από το διαδίκτυο, αυτά τα μοντέλα βρίσκουν ευέλικτες εφαρμογές σε διάφορους τομείς, συμπεριλαμβανομένης της ιατρικής.

Αρχικά κέρδισαν έδαφος όταν η OpenAI, με την υποστήριξη της Microsoft, κυκλοφόρησε το πρώτο της LLM, το GPT‑1, το 2018. Η ευρεία υιοθέτησή του οδήγησε στην προσβασιμότητα του στο κοινό και στην ευκολία χρήσης. Αυτά τα χαρακτηριστικά προήλθαν από την ενσωμάτωση της ενίσχυσης μάθησης από ανθρώπινη ανάδραση (RLHF), η οποία βοήθησε το μοντέλο να παρέχει πιο αξιόπιστα και ανθρώπινα αποτελέσματα σε σύγκριση με τα προηγούμενα του.

Από την κυκλοφορία της εφαρμογής chatbot βασισμένης σε LLM, ChatGPT, αρκετές τεχνολογικές εταιρείες, όπως η Meta (Llama), η Google (BARD), η Amazon και η Anthropic (Claude) με υποστήριξη της Salesforce, έχουν κυκλοφορήσει τα δικά τους LLM. Παράλληλα, η πιο πρόσφατη έκδοση της OpenAI, το GPT‑4, παρουσιάζει ενισχυμένες δυνατότητες, όπως η υπέρβαση του απαιτούμενου σκορ στην εξέταση αδειοδότησης ιατρικής των ΗΠΑ (USMLE).

Με αυτό, το ChatGPT απέδειξε την ικανότητά του για ιατρικές χρήσεις, οπότε με την περαιτέρω βελτιστοποίηση των LLM και την παροχή πρόσθετης εκπαίδευσης, μπορούμε να τα χρησιμοποιήσουμε για τη βελτίωση της φροντίδας των ασθενών. Η ανθρώπινη επικοινωνία αποτελεί κεντρικό μέρος αυτής της διαδικασίας· η ανθρώπινη-όπως ικανότητα του GPT έχει επιτρέψει να είναι αρκετά αποτελεσματικό στην ικανοποίηση των ασθενών και στην επίτευξη βέλτιστων κλινικών αποτελεσμάτων.

Ενώ η επεξεργασία τεράστιων ποσοτήτων δεδομένων μπορεί να είναι αποθαρρυντική για τους ανθρώπους, τα LLM το κάνουν εύκολα σε κλάσμα του χρόνου. Οργανώνουν τα δεδομένα, επιτρέποντάς μας να τα αξιοποιήσουμε αποτελεσματικά. Όχι μόνο παλαιά δεδομένα, αλλά και συνεχώς αναλύουν νέα, εισερχόμενα δεδομένα όπως ζωτικά σημεία και συμπτώματα ασθενών, βοηθώντας τους επαγγελματίες υγείας να λαμβάνουν γρήγορες και πραγματικού χρόνου αποφάσεις.

Αναλύοντας τεράστιες βάσεις δεδομένων από επιστημονική βιβλιογραφία, κλινικές δοκιμές, οδηγίες θεραπείας και ιατρικά αρχεία, τα LLM επιταχύνουν επίσης την ιατρική έρευνα, βοηθώντας στον εντοπισμό νέων θεραπειών και στην ανάπτυξη αποτελεσματικών φαρμάκων. Τα μοντέλα αυτά μπορούν επίσης να εντοπίζουν συσχετισμούς και μοτίβα που προωθούν την κατανόηση των ασθενειών και επιταχύνουν την ιατρική έρευνα.

Επιπλέον, αυτά τα μοντέλα παρέχουν πολύτιμες γνώσεις που βοηθούν τους επαγγελματίες υγείας να λαμβάνουν κλινικές αποφάσεις, όπως ακριβείς διαγνώσεις και εξατομικευμένα σχέδια θεραπείας, οδηγώντας σε βελτιωμένη φροντίδα των ασθενών. Όχι μόνο οι επαγγελματίες, αλλά τα LLM ενδυναμώνουν και τους ασθενείς, παρέχοντάς τους κατανοητές και προσβάσιμες πληροφορίες για να κατανοήσουν καλύτερα τις παθήσεις τους και να συμμετέχουν ενεργά στο ταξίδι υγείας τους.

Click here to learn what makes AI a jack of all trades.

Driving the Innovation in Healthcare

Δεδομένων των τεράστιων ωφελειών και του δυναμικού, η αγορά γενετικής AI στην υγειονομική περίθαλψη έφτασε σε αποτίμηση πάνω από 1 δισεκατομμύριο δολάρια το 2022 και αναμένεται να αυξηθεί στα 22 δισεκατομμύρια δολάρια μέχρι το 2032, σύμφωνα με το Generative AI Tracker.

Όσον αφορά τη χρήση της AI στον τομέα των ιατρικών συσκευών, η καρδιολογία ηγείται αυτής της τάσης, με το 57 % των ιατρικών συσκευών με δυνατότητα AI που εγκρίθηκαν από τον FDA το 2022 να ανήκουν στην καρδιολογία, σύμφωνα με την GlobalData. Η τάση αυτή αναμένεται να συνεχιστεί, με τις δαπάνες για AI από εταιρείες ιατρικών συσκευών να αυξηθούν με CAGR 20,6 % μεταξύ 2019 και 2024.

Στο μέλλον, θα μπορούσαμε ακόμη να δούμε την ενσωμάτωση της AI με 3D βιοεκτύπωση για τη δημιουργία πλήρως λειτουργικών οργάνων προσαρμοσμένων στις συγκεκριμένες ανάγκες κάθε ασθενούς.

Αυτή η δυνατότητα έχει ωθήσει πολλές κύριες οργανώσεις να λανσάρουν εξειδικευμένες λύσεις με βάση την AI για τη βιομηχανία της υγείας. Για παράδειγμα, η Microsoft προσφέρει μια εξειδικευμένη λύση που ονομάζεται Nuance Dragon Ambient eXperience (DAX). Συλλέγει τις συνομιλίες κλινικού‑ασθενούς, τις μετατρέπει σε σημειώσεις και τις ενσωματώνει στα ΗΡΓ (EHR).

Η Google έχει ήδη παρουσιάσει το MedLM, ένα LLM προσανατολισμένο στην υγεία, διαθέσιμο μέσω της πλατφόρμας Vertex AI. Η εταιρεία εκπαιδεύει τα μοντέλα υγείας AI με τις πιο πρόσφατες έρευνές της για να εφαρμόσει την AI στον τομέα της υγείας. Το μοντέλο έχει χρησιμοποιηθεί από συνεργαζόμενους οργανισμούς για την ανάπτυξη λύσεων όπως η βελτιστοποίηση της μετάβασης νοσηλευτών και η υποστήριξη της τεκμηρίωσης των κλινικών.

Μόλις τον περασμένο μήνα, η Google πρόσθεσε νέες δυνατότητες στο μοντέλο της και λανσάρει το MedLM for Chest X‑rays για να αλλάξει τον τρόπο λειτουργίας της ακτινολογίας. Η ιδέα είναι να υποστηρίζει η γενετική AI τις οργανώσεις υγείας βοηθώντας στην κατηγοριοποίηση των θωρακικών ακτινογραφιών για μια σειρά περιπτώσεων χρήσης.

Αλλά αυτό δεν είναι το μόνο. Η Google Research συνεργάζεται με τη Fitbit για την κατασκευή ενός μεγάλου γλωσσικού μοντέλου για προσωπική υγεία που θα τροφοδοτεί λειτουργίες ευεξίας στην εφαρμογή κινητού της Fitbit. Το μοντέλο αναπτύσσεται για να προσφέρει εξατομικευμένη καθοδήγηση σε όλους, βάσει των προσωπικών στόχων υγείας και φυσικής κατάστασης.

Η Amazon Web Services (AWS) προσφέρει επίσης το HealthScribe, το οποίο αναλύει τις συνομιλίες συμβουλευτικής για τη δημιουργία συνοπτικών κλινικών σημειώσεων για τμήματα όπως η αξιολόγηση, το ιστορικό παρούσας νόσου και το σχέδιο θεραπείας. Οι οργανισμοί μπορούν στη συνέχεια να ενσωματώσουν αυτές τις σημειώσεις σε κλινικές εφαρμογές για πιο αποδοτική ανασκόπηση των επισκέψεων των ασθενών.

Αρχικά φέτος, η εταιρεία ιατρικής τεχνολογίας Siemens Healthineers συνεργάστηκε με το Indian Institute of Science (IISc) για τη δημιουργία του Συνεργατικού Εργαστηρίου Siemens Healthineers‑Computational Data Sciences (CDS) για AI στην Ακριβή Ιατρική. Το εργαστήριο εστιάζει στην ανάπτυξη ανοιχτού κώδικα εργαλείων AI για την αυτοματοποίηση της ακριβούς τμηματοποίησης παθολογικών ευρημάτων σε νευροαπεικονιστικά δεδομένα. Αυτό θα βοηθήσει στη πιο ακριβή διάγνωση ασθενειών που σχετίζονται με τη νευρολογία και στην ανάλυση των κλινικών τους επιπτώσεων.

Αυτή είναι μόνο η αρχή της αυξανόμενης τάσης AI στον ιατρικό τομέα. Ο ρόλος της τεχνητής νοημοσύνης αναμένεται να γίνει πολύ μεγαλύτερος. Χρησιμοποιείται ήδη για τη δημιουργία σε πραγματικό χρόνο τρισδιάστατων μοντέλων προσαρμοσμένων σε ασθενείς κατά τις χειρουργικές επεμβάσεις, και η AI προβλέπεται να εξελιχθεί περαιτέρω για να προσφέρει διαδραστικές εμπειρίες υγείας που θα μεταμορφώσουν την εκπαίδευση και τη δέσμευση των ασθενών. Ακόμη και στην επεξεργασία γονιδίων, η AI αναμένεται να ξεπεράσει την απλή ανάλυση σύνθετων γενετικών δεδομένων, παρέχοντας πιο ακριβείς προβλέψεις συσχέτισης γονιδίου‑νόσου για εξαιρετικά προσαρμοσμένη γονιδιακή επεξεργασία.

Οι συνεδρίες θεραπείας εικονικής πραγματικότητας με ενσωμάτωση AI για ψυχική υγεία είναι ένας ακόμη τρόπος με τον οποίο η τεχνολογία μπορεί να αξιοποιηθεί στον τομέα. Στη συνέχεια, υπάρχουν νανορομπότ που μπορούν να αξιοποιήσουν την AI για την αναγνώριση και αντιμετώπιση μιας ευρείας γκάμας ιατρικών καταστάσεων στα αρχικά τους στάδια.

Ωστόσο, η εφαρμογή των LLM στην υγειονομική περίθαλψη δεν είναι χωρίς ανησυχίες. Υπάρχουν ηθικά ζητήματα σχετικά με την ιδιωτικότητα, τη διαφάνεια και την ασφάλεια που πρέπει να λαμβάνουν υπόψη ερευνητές, επαγγελματίες υγείας και ιατρικοί οργανισμοί. Τα μοντέλα αυτά μπορούν επίσης να χρησιμοποιηθούν για τη διάδοση παραπληροφόρησης λόγω έλλειψης λογοδοσίας, κάτι που πρέπει επίσης να ληφθεί υπόψη. Επιπλέον, υπάρχει η εγγενής περιορισμένη ικανότητα αναπαραγωγής υπαρχόντων προκαταλήψεων.

Κυβερνήσεις παγκοσμίως εργάζονται για την αντιμετώπιση των προβλημάτων που θέτει η AI. Η Ευρώπη έχει ήδη δημιουργήσει ένα νομικό πλαίσιο για την AI, ενώ το Υπουργείο Υγείας και Κοινωνικής Φροντίδας του Ηνωμένου Βασιλείου σχεδιάζει να βελτιώσει τη διαφάνεια των δεδομένων που χρησιμοποιούνται στην ανάπτυξη ιατρικών συσκευών με AI.

Click here to learn about the growing synergy of AI & neurology.

Conclusion

Τα LLM ήδη βλέπουν αυξανόμενη χρήση στη βιομηχανία της ιατρικής και αναμένεται να συνεχίσουν να αυξάνονται τόσο σε υιοθέτηση όσο και σε αντίκτυπο. Ωστόσο, είναι σημαντικό αυτά τα μοντέλα να χρησιμοποιούνται υπεύθυνα και τα υποκείμενα δεδομένα να είναι άκρως υψηλής ποιότητας, χωρίς ενδογενείς προκαταλήψεις ή παραπληροφόρηση, ώστε να παρέχουν πιο ακριβή αποτελέσματα και καλύτερα αποτελέσματα για τους ασθενείς.

Click here to learn all about investing in artificial intelligence.