क्या बड़े भाषा मॉडल (LLM) न्यूरोलॉजिस्टों को स्ट्रोक रोगियों के विश्लेषण में मदद कर सकते हैं?

कृत्रिम बुद्धिमत्ता (AI) इस दशक की सबसे बड़ी तकनीकी प्रगति में से एक है। ChatGPT के लॉन्च ने AI को मुख्यधारा में विशेष रूप से धकेल दिया है, जिसके अनुप्रयोग विभिन्न क्षेत्रों में, जिसमें स्वास्थ्य देखभाल भी शामिल है, फैले हुए हैं। उल्लेखनीय रूप से, न्यूरोलॉजिस्ट AI का उपयोग करके मस्तिष्क में स्ट्रोक के स्थान को सटीक रूप से पहचानने से काफी लाभ उठा सकते हैं, जैसा कि एक हालिया अध्ययन द्वारा उजागर किया गया।

स्ट्रोक की बात करें तो, यह अमेरिकियों में मृत्यु के प्रमुख कारणों में से एक है; हर 40 सेकंड में, संयुक्त राज्य में कोई न कोई स्ट्रोक का शिकार होता है, और हर 3 मिनट 14 सेकंड में, कोई न कोई इससे मृत्यु को प्राप्त करता है। मृत्यु दर के अलावा, स्ट्रोक दीर्घकालिक विकलांगताएँ भी पैदा कर सकते हैं। इसलिए, मस्तिष्क में स्ट्रोक के स्थान की पहचान करने से उसके दीर्घकालिक प्रभावों का पूर्वानुमान लगाया जा सकता है, जो बहुत विविध हो सकते हैं, जैसे व्यक्ति की गतिशीलता में बाधा से लेकर भाषा और बोलने की क्षमताओं पर असर तक। अतिरिक्त रूप से, AI व्यक्ति की प्रग्नोसिस निर्धारित करने और सर्वोत्तम उपचार तय करने में मदद कर सकता है।

आमतौर पर, मस्तिष्क स्कैन चोटों (लेज़न) के स्थान को खोजने में मदद करते हैं, जो स्ट्रोक से हुए ऊतक क्षति के क्षेत्र होते हैं। हालांकि, सभी को मस्तिष्क स्कैन के लिए न्यूरोलॉजिस्ट की पहुँच नहीं मिल पाती।

इस अंतर को पाटने के लिए, अध्ययन के लेखक जंग-ह्यून ली, MD, जिन्होंने अमेरिकन एकेडमी ऑफ न्यूरोलॉजी और ब्रुकलिन स्थित स्टेट यूनिवर्सिटी ऑफ न्यूयॉर्क, डाउनस्टेट हेल्थ साइंसेज यूनिवर्सिटी के सदस्य हैं, ने कहा, “हम यह निर्धारित करना चाहते थे कि क्या GPT-4 स्ट्रोक के बाद व्यक्ति के स्वास्थ्य इतिहास और न्यूरोलॉजिकल परीक्षा के आधार पर मस्तिष्क के लेज़न को सटीक रूप से पहचान सकता है।”

अध्ययन के अन्य प्रतिभागियों में यून्ही चोई, MD, विभाग आंतरिक चिकित्सा, लिंकन मेडिकल सेंटर, NY; रॉबर्ट मैकडौगल, MD, विभाग बायोस्टैटिस्टिक्स, येल स्कूल ऑफ पब्लिक हेल्थ और वु-त्साई इंस्टीट्यूट में कम्प्यूटेशनल बायोलॉजी और बायोइन्फॉर्मेटिक्स कार्यक्रम; और विलियम डब्ल्यू. लाइटन, MD, विभाग न्यूरोलॉजी, स्टेट यूनिवर्सिटी ऑफ न्यूयॉर्क डाउनस्टेट हेल्थ साइंसेज यूनिवर्सिटी और किंग्स काउंटी अस्पताल के न्यूरोलॉजी विभाग शामिल हैं।

अमेरिकन एकेडमी ऑफ न्यूरोलॉजी के ऑनलाइन जर्नल, Neurology® Clinical Practice में प्रकाशित इस अध्ययन ने न्यूरोलॉजिकल परीक्षाओं और स्वास्थ्य इतिहास से प्राप्त पाठ को प्रोसेस करके मस्तिष्क में लेज़न के स्थान की पहचान करने में AI की क्षमता को प्रदर्शित किया।

इसके लिए, टीम ने बड़े भाषा मॉडल (LLM) GPT-4 का उपयोग किया। यह जेनरेटिव प्री-ट्रेंड ट्रांसफ़ॉर्मर विशाल मात्रा में डेटा पर प्रशिक्षित है और टेक्स्ट-आधारित प्रश्नों के उत्तर में “उल्लेखनीय क्षमताएँ” दिखा चुका है।

यह प्रयास इस प्रकार का पहला नहीं है, क्योंकि LLM की कार्यक्षमता पहले ही चिकित्सकों द्वारा पूछे गए मुक्त-रूप प्रश्नों के उत्तर देने में जांची जा चुकी है। हालांकि, लेज़न लोकेलाइज़ेशन के लिए विकसित पूर्व सॉफ़्टवेयर का दायरा काफी सीमित रहा है। इस अध्ययन का उद्देश्य क्लिनिकल प्रस्तुति के आधार पर तीव्र स्ट्रोक लेज़न की पहचान में GPT-4 की क्षमता का मूल्यांकन करना है, जिससे भविष्य में न्यूरोलॉजी में एक क्लिनिकल टूल के रूप में AI की संभावित भूमिका प्रदर्शित हो सके।

भारी संभावनाएँ

इस अध्ययन में, शोधकर्ताओं ने स्ट्रोक से ग्रस्त 46 प्रकाशित मामलों के स्वास्थ्य इतिहास और न्यूरोलॉजिकल शारीरिक परीक्षाओं को संकलित किया। इस पाठ्य डेटा को फिर GPT-4 में इनपुट किया गया। ज़ीरो-शॉट चेन-ऑफ़-थॉट और टेक्स्ट क्लासिफिकेशन प्रॉम्प्टिंग तकनीकों का उपयोग करके, मॉडल को प्रत्येक रोगी के बारे में तीन विशिष्ट प्रश्नों के उत्तर देने का कार्य सौंपा गया, जिसे तीन बार दोहराया गया: क्या प्रतिभागी के पास एकल या कई लेज़न थे, मस्तिष्क के किस पक्ष में लेज़न स्थित थे, और मस्तिष्क के किस क्षेत्र में लेज़न पाए गए।

प्रत्येक प्रतिभागी के मस्तिष्क स्कैन के साथ GPT-4 के परिणामों की तुलना करने पर, शोधकर्ताओं ने पाया कि परिणाम काफी संतोषजनक थे, सिवाय सेरिबेल्लम और रीढ़ की हड्डी में लेज़न के।

GPT-4 ने अधिकांश मामलों में मस्तिष्क लेज़न के स्थान की पहचान में उच्च स्तर की सटीकता प्रदर्शित की, 87% विशिष्टता (नकारात्मक को सही पहचानने का प्रतिशत) और 74% संवेदनशीलता (वास्तविक सकारात्मक को सही पहचानने का प्रतिशत) हासिल की। मॉडल ने सबसे अधिक प्रभावित मस्तिष्क क्षेत्रों का निर्धारण करते समय 94% विशिष्टता और 85% संवेदनशीलता भी प्राप्त की।

अध्ययन ने आगे पाया कि मॉडल ने 76% प्रतिभागियों में मस्तिष्क लेज़न की संख्या, 83% में लेज़न के स्थान, और 87% मामलों में विशिष्ट मस्तिष्क क्षेत्रों की पहचान लगातार की। हालांकि, प्रत्येक प्रतिभागी के लिए तीन प्रयासों में सभी तीन प्रश्नों के उत्तरों का मूल्यांकन करने पर, इसकी स्थिरता में तीव्र गिरावट आई, जहाँ GPT-4 केवल 41% प्रतिभागियों के लिए सटीक उत्तर प्रदान कर सका।

यह संकेत देता है कि LLM, जैसे जेनरेटिव प्री-ट्रेंड ट्रांसफ़ॉर्मर (GPT), “अभी क्लिनिक में उपयोग के लिए तैयार नहीं हैं।” फिर भी, वे स्ट्रोक के बाद लेज़न के स्थान की पहचान में संभावनाएँ दिखाते हैं और विभिन्न भाषाओं में कार्य करने की उनकी क्षमता के कारण स्वास्थ्य देखभाल में असमानताओं को कम कर सकते हैं।

अध्ययन यह भी उजागर करता है कि स्ट्रोक हस्तक्षेप के लिए न्यूरोलॉजिकल विशेषज्ञता का महत्व बढ़ रहा है, विशेष रूप से टेलीमेडिसिन के उपयोग में वृद्धि के साथ। इसके अलावा, मॉडल अधिक इमेजिंग अध्ययन या न्यूरोलॉजिस्ट परामर्श की आवश्यकता का आकलन करने में समय पर निर्णय लेने में सहायता कर सकता है।

ली के अनुसार:

“उनका उपयोग करने की संभावनाएँ उत्साहजनक हैं, विशेष रूप से कई देशों में underserved क्षेत्रों में बेहतर स्वास्थ्य देखभाल की बड़ी आवश्यकता के कारण, जहाँ न्यूरोलॉजिकल देखभाल तक पहुँच सीमित है।”

ध्यान देने योग्य बात यह है कि GPT-4 की सटीकता इस पर निर्भर करती है कि उसे कौन सा डेटा दिया जाता है, और चिकित्सा इतिहास और न्यूरो परीक्षा की विस्तृत जानकारी हमेशा सभी स्ट्रोक रोगियों के लिए उपलब्ध नहीं हो सकती।

अध्ययन ने इस बात पर ज़ोर दिया कि शोधकर्ता एक ऐसे LLM के साथ काम कर रहे हैं जिसके पास चिकित्सा प्रशिक्षण या फाइन-ट्यूनिंग नहीं है। अतिरिक्त रूप से, यह उल्लेख किया गया कि असामान्य मामलों की रिपोर्टों में अक्सर पर्याप्त विस्तृत स्वास्थ्य इतिहास और न्यूरोलॉजिकल परीक्षाएँ नहीं होती थीं। इस प्रकार, प्रकाशित मामलों में अपर्याप्त जानकारी, तर्क में विफलता या आधारभूत ज्ञान आधार में अंतर के कारण त्रुटियाँ उत्पन्न हुईं।

इसलिए, लॉजिस्टिक, कानूनी, रोगी सुरक्षा और गोपनीयता, सटीकता और स्थिरता सुनिश्चित करने, तथा क्लिनिकल सेटिंग्स में LLM के व्यावहारिक उपयोग के लिए अस्पताल कार्यप्रवाह के साथ एकीकरण के संदर्भ में आगे के शोध की आवश्यकता है।

क्लिक करें यहाँ यह जानने के लिए कि 2023 कृत्रिम बुद्धिमत्ता का ब्रेकआउट वर्ष क्यों था।

स्वास्थ्य देखभाल में LLMs का बढ़ता महत्व और उपयोग

अध्ययन उत्कृष्ट परिणाम दिखाता है, जो स्वास्थ्य देखभाल में LLMs की बढ़ती भूमिका का एक और उदाहरण प्रस्तुत करता है—एक ऐसा क्षेत्र जो काफी ध्यान आकर्षित कर रहा है। अंततः, वे कई तरीकों से इस क्षेत्र को बदल रहे हैं। उनका उपयोग धीरे-धीरे अन्वेषण चरणों से व्यावहारिक उपयोग की ओर बढ़ रहा है, अब क्लिनिकल शोध और रोगी देखभाल को प्रभावित कर रहा है। बड़ी मात्रा में डेटा को प्रोसेस करने, वास्तविक समय में अंतर्दृष्टि प्रदान करने, और मानव गुणवत्ता और कुछ पेशेवर ज्ञान वाले पाठ उत्पन्न करने की उनकी क्षमता इस क्षेत्र में क्रांति ला रही है।

इन मॉडलों को इंटरनेट से प्राप्त जटिल डेटा, जिसमें पाठ, छवियाँ और वीडियो शामिल हैं, की बड़ी मात्रा पर प्रशिक्षित किया गया है, और वे विभिन्न क्षेत्रों में, विशेष रूप से चिकित्सा में, बहुमुखी अनुप्रयोग पाते हैं।

यह पहली बार तब लोकप्रिय हुआ जब माइक्रोसॉफ्ट-समर्थित OpenAI ने 2018 में अपना पहला LLM, GPT-1, जारी किया। इसकी व्यापक स्वीकृति उसकी सार्वजनिक पहुँच और सुविधाजनक उपयोगिता द्वारा प्रेरित थी। ये विशेषताएँ मॉडल में मानव प्रतिक्रिया (RLHF) से सुदृढ़ीकरण सीखने को शामिल करने के परिणामस्वरूप थीं, जिससे यह अपने पूर्ववर्तियों की तुलना में अधिक विश्वसनीय और मानव-समान आउटपुट प्रदान कर सका।

LLM-आधारित चैटबॉट एप्लिकेशन ChatGPT के लॉन्च के बाद, कई तकनीकी कंपनियों, जैसे Meta (Llama), Google (BARD), Amazon (AMZN ), और Salesforce-समर्थित Anthropic (Claude), ने अपने LLM जारी किए हैं। इस बीच, OpenAI के नवीनतम संस्करण, GPT-4, ने उन्नत क्षमताएँ दिखायी हैं, जैसे US मेडिकल लाइसेंसिंग एग्जाम (USMLE) के पासिंग स्कोर को पार करना।

इसके साथ, ChatGPT ने चिकित्सा कारणों के लिए अपनी क्षमता दिखाई है, इसलिए LLMs को फाइन-ट्यून करके और अतिरिक्त प्रशिक्षण प्रदान करके, हम रोगी देखभाल में सुधार के लिए LLMs का उपयोग कर सकते हैं। मानव संचार इसका एक मुख्य भाग है, GPT की मानव-समान क्षमता ने इसे रोगी संतुष्टि और इष्टतम क्लिनिकल परिणामों को सक्षम करने में काफी प्रभावी बना दिया है।

जबकि विशाल मात्रा में डेटा को प्रोसेस करना मनुष्यों के लिए कठिन हो सकता है, LLMs इसे बहुत कम समय में आसानी से कर सकते हैं। वे डेटा को व्यवस्थित करके इस प्रक्रिया को सरल बनाते हैं, जिससे हम इसका प्रभावी उपयोग कर सकें। केवल पिछले डेटा ही नहीं; LLMs निरंतर नई, आने वाली डेटा जैसे जीवन संकेत और रोगी लक्षणों का विश्लेषण करते रहते हैं, जो स्वास्थ्य पेशेवरों को वास्तविक समय में तेज़ निर्णय लेने में बड़ी सहायता प्रदान करता है।

वैज्ञानिक साहित्य, क्लिनिकल ट्रायल, उपचार दिशानिर्देश और मेडिकल रिकॉर्ड्स से विशाल डेटा सेट का विश्लेषण करके, LLMs मेडिकल शोध को तेज़ कर रहे हैं, जिससे नई उपचारों की पहचान और प्रभावी थेरेपी विकसित करने में मदद मिलती है। ये मॉडल सहसंबंध बनाने और पैटर्न का पता लगाने में भी मदद कर सकते हैं, जो रोगों की समझ को आगे बढ़ा सकते हैं और मेडिकल रिसर्च को तेज़ कर सकते हैं।

इसके अलावा, ये मॉडल मूल्यवान अंतर्दृष्टि प्रदान करते हैं जो स्वास्थ्य पेशेवरों को क्लिनिकल निर्णय लेने में मदद करती हैं, जैसे सटीक निदान और व्यक्तिगत उपचार योजना, जिससे रोगी देखभाल में सुधार होता है। केवल पेशेवर ही नहीं, बल्कि LLMs रोगियों को भी समझने योग्य और सुलभ जानकारी प्रदान करके सशक्त बनाते हैं, जिससे वे अपनी स्थितियों को बेहतर समझ सकें और अपने स्वास्थ्य देखभाल यात्रा में भाग ले सकें।

क्लिक करें यहाँ यह जानने के लिए कि AI को बहु-कौशल वाला क्या बनाता है।

स्वास्थ्य देखभाल में नवाचार को प्रेरित करना

(MSFT )

विस्तृत लाभ और संभावनाओं को देखते हुए, स्वास्थ्य देखभाल जेनरेटिव AI बाजार ने 2022 में 2022 में $1 बिलियन से अधिक का मूल्यांकन हासिल किया और जनरेटिव AI ट्रैकर के अनुसार 2032 तक $22 बिलियन तक बढ़ने की उम्मीद है।

जब मेडिकल डिवाइस सेक्टर में AI के उपयोग की बात आती है, तो कार्डियोलॉजी इस प्रवृत्ति में अग्रणी रहा है, GlobalData के अनुसार, 2022 में FDA द्वारा स्वीकृत AI-सक्षम मेडिकल डिवाइसों में से 57% कार्डियोलॉजी के अंतर्गत थे। यह प्रवृत्ति भविष्य में भी जारी रहने की उम्मीद है, जहाँ 2019 से 2024 के बीच मेडिकल डिवाइस कंपनियों द्वारा AI पर खर्च 20.6% CAGR की दर से बढ़ने वाला है।

भविष्य में, हम AI को 3D बायोप्रिंटिंग के साथ एकीकृत होते देख सकते हैं, जिससे प्रत्येक रोगी की विशिष्ट आवश्यकताओं के अनुसार पूरी तरह कार्यात्मक अंगों का निर्माण संभव हो सके।

इस संभावनाओं को देखते हुए कई मुख्यधारा के संगठन स्वास्थ्य देखभाल उद्योग के लिए विशेष AI-समर्थित समाधान लॉन्च कर रहे हैं। उदाहरण के लिए, माइक्रोसॉफ्ट Nuance Dragon Ambient eXperience (DAX) नामक एक विशेष समाधान प्रदान करता है। यह क्लिनिशियन-रोगी बातचीत को कैप्चर करता है, उन्हें नोट्स में परिवर्तित करता है, और EHRs में एकीकृत करता है।

Google ने पहले ही अपना MedLM लॉन्च किया है, जो Vertex AI प्लेटफ़ॉर्म के माध्यम से उपलब्ध एक स्वास्थ्य-केंद्रित LLM है। कंपनी तब से अपने नवीनतम शोध पर अपने स्वास्थ्य AI मॉडलों को प्रशिक्षित कर रही है ताकि AI को स्वास्थ्य देखभाल उद्योग में लागू किया जा सके। इस मॉडल का उपयोग साझेदार संगठनों द्वारा नर्स हैंडऑफ़ को सरल बनाने और क्लिनिशियनों के दस्तावेज़ीकरण को समर्थन देने जैसे समाधान बनाने में किया गया है।

पिछले महीने, Google ने अपने मॉडल में नई क्षमताएँ जोड़ीं और छाती के एक्स-रे के लिए MedLM को लॉन्च किया ताकि रेडियोलॉजी के काम करने के तरीके को बदला जा सके। विचार यह है कि जेनरेटिव AI स्वास्थ्य देखभाल संगठनों को कई उपयोग मामलों के लिए छाती के एक्स-रे की वर्गीकरण में सहायता करके समर्थन प्रदान करे।

लेकिन यह सब नहीं है। Google Research Fitbit के साथ मिलकर व्यक्तिगत स्वास्थ्य के लिए एक बड़ा भाषा मॉडल बना रहा है, जो Fitbit मोबाइल ऐप में वेलनेस फीचर को शक्ति प्रदान कर सकता है। यह मॉडल व्यक्तिगत स्वास्थ्य और फिटनेस लक्ष्यों के आधार पर सभी को व्यक्तिगत कोचिंग प्रदान करने के लिए विकसित किया जा रहा है।

Amazon Web Services (AWS) भी HealthScribe प्रदान करता है, जो परामर्श वार्तालापों का विश्लेषण करके मूल्यांकन, वर्तमान बीमारी का इतिहास, और उपचार योजना जैसे भागों के लिए सारांशित क्लिनिकल नोट्स बनाता है। संगठन फिर इन नोट्स को क्लिनिकल एप्लिकेशनों में एकीकृत करके रोगी विज़िट्स का अधिक कुशल सारांश बना सकते हैं।

इस वर्ष की शुरुआत में, मेडिकल टेक्नोलॉजी कंपनी Siemens Healthineers (SHL.SW ) (SHL.DE ) भारतीय विज्ञान संस्थान (IISc) के साथ मिलकर Siemens Healthineers-Computational Data Sciences (CDS) Collaborative Laboratory for AI in Precision Medicine को लॉन्च करने के लिए सहयोग किया। प्रयोगशाला का फोकस न्यूरोइमेजिंग डेटा में रोगजनक निष्कर्षों की सटीक विभाजन को स्वचालित करने के लिए ओपन-सोर्स AI टूल विकसित करने पर है। यह न्यूरोलॉजी से संबंधित रोगों के अधिक सटीक निदान और उनके क्लिनिकल प्रभाव के विश्लेषण में मदद करेगा।

यह चिकित्सा क्षेत्र में बढ़ते AI प्रवृत्ति की केवल शुरुआत है। कृत्रिम बुद्धिमत्ता की भूमिका और भी बड़ी होने की उम्मीद है। वर्तमान में सर्जरी में वास्तविक समय, रोगी-विशिष्ट 3D मॉडल बनाने के लिए उपयोग किया जा रहा है, AI आगे विकसित होकर इंटरैक्टिव स्वास्थ्य देखभाल अनुभव प्रदान करेगा, जिससे रोगी शिक्षा और सहभागिता में परिवर्तन आएगा। जीनोम संपादन में भी, AI जटिल जीन डेटा के विश्लेषण से आगे बढ़कर अत्यधिक अनुकूलित जीन संपादन के लिए अधिक सटीक जीन-रोग संबंध भविष्यवाणियाँ प्रदान करने की उम्मीद है।

मानसिक स्वास्थ्य उपचार के लिए AI-संचालित इमर्सिव वर्चुअल रियलिटी थेरेपी सत्र तकनीक को इस क्षेत्र में उपयोग करने का एक और तरीका है। इसके अलावा, नैनोबॉट्स हैं जो AI का उपयोग करके विभिन्न चिकित्सा स्थितियों की प्रारंभिक चरणों में पहचान और समाधान कर सकते हैं।

हालांकि, स्वास्थ्य देखभाल में LLMs के अनुप्रयोग में चिंताएँ भी हैं। गोपनीयता, पारदर्शिता और सुरक्षा संबंधी नैतिक मुद्दे हैं जिनके प्रति शोधकर्ता, स्वास्थ्य पेशेवर और मेडिकल संगठन सतर्क रहना चाहिए। इन मॉडलों का उपयोग जवाबदेही की कमी के कारण गलत जानकारी फैलाने के लिए भी किया जा सकता है, जिसे भी ध्यान में रखना चाहिए। इसके अलावा, मौजूदा पक्षपात को दोहराने की अंतर्निहित सीमा भी मौजूद है।

दुनिया भर की सरकारें AI द्वारा उत्पन्न मुद्दों को हल करने पर काम कर रही हैं। यूरोप ने पहले ही AI के लिए एक कानूनी ढांचा तैयार कर लिया है, जबकि यूके के स्वास्थ्य और सामाजिक देखभाल विभाग की योजना है कि AI का उपयोग करके विकसित मेडिकल डिवाइसों में उपयोग किए गए डेटा की पारदर्शिता को बेहतर बनाया जाए।

क्लिक करें यहाँ AI और न्यूरोलॉजी के बढ़ते सहयोग के बारे में जानने के लिए।

निष्कर्ष

LLMs पहले से ही चिकित्सा उद्योग में बढ़ते उपयोग को देख रहे हैं, और उनके अपनाने और प्रभाव के मामले में आगे भी वृद्धि की उम्मीद है। हालांकि, यह महत्वपूर्ण है कि इन मॉडलों का जिम्मेदारी से उपयोग किया जाए और अंतर्निहित डेटा सर्वोच्च गुणवत्ता का हो, बिना किसी अंतर्निहित पक्षपात और गलत जानकारी के, ताकि अधिक सटीक परिणाम और बेहतर रोगी परिणाम प्रदान किए जा सकें।

क्लिक करें यहाँ कृत्रिम बुद्धिमत्ता में निवेश के बारे में सब कुछ जानने के लिए।