Kan store språkmodeller (LLM) hjelpe nevrologer med å analysere slagpasienter?

Kunstig intelligens (AI) er ett av de største teknologiske gjennombruddene i dette tiåret. Lanseringen av ChatGPT har spesielt drevet AI inn i mainstream, med applikasjoner som spenner over ulike sektorer, inkludert helsevesenet. Merk at nevrologer sannsynligvis vil ha stor nytte av å bruke AI for nøyaktig å lokalisere slag i hjernen, som avslørt av en nylig studie.

Når vi snakker om slag, er de en ledende dødsårsak blant amerikanere; hvert 40. sekund opplever noen i USA et slag, og hvert 3. minutt og 14. sekund dør noen av det. Utover dødeligheten kan slag også forårsake langvarige funksjonshemninger. Derfor kan identifisering av slagets lokasjon i hjernen hjelpe med å forutsi dets langsiktige effekter, som kan variere mye, fra å svekke en persons mobilitet til å påvirke språk- og taleevner. I tillegg kan AI hjelpe med å bestemme en persons prognose og fastslå den beste behandlingen.

Vanligvis hjelper hjerneskanninger med å finne lokasjonen til lesjoner, som er områder med vevsskade fra slag. Imidlertid har ikke alle tilgang til nevrologer for hjerneskanninger. 

For å tette dette gapet, sa studiens forfatter Jung-Hyun Lee, MD, medlem av American Academy of Neurology og State University of New York, Downstate Health Sciences University i Brooklyn: «Vi ønsket å finne ut om GPT-4 kunne nøyaktig lokalisere hjernelesjoner etter slag basert på en persons helsehistorie og en nevrologisk undersøkelse.»

Andre deltakere i studien inkluderer Eunhee Choi, MD, avdeling for indremedisin, Lincoln Medical Center, NY; Robert McDougal, MD, avdeling for biostatistikk ved Yale School of Public Health og programmet i beregningsbiologi og bioinformatikk ved Wu‑Tsai Institute; og William W. Lytton, MD, avdeling for nevrologi ved State University of New York Downstate Health Sciences University og avdeling for nevrologi ved Kings County Hospital.

Publisert i American Academy of Neurology sitt nettbaserte tidsskrift, Neurology® Clinical Practice, viste studien AI sin evne til å behandle tekst fra nevrologiske undersøkelser og helsehistorier for å identifisere lesjonslokasjonen i hjernen. 

For dette brukte teamet den store språkmodellen (LLM) GPT-4. Denne generative forhåndstrente transformatoren er trent på enorme mengder data og har vist «bemerkelsesverdige evner» i å generere tekstsvar på tekstbaserte forespørsler.

Dette arbeidet er ikke det første av sitt slag, ettersom funksjonaliteten til LLM-er tidligere har blitt utforsket i å svare på frie spørsmål fra leger. Imidlertid har tidligere programvare utviklet for lesjonslokalisering vært ganske begrenset i omfang. Målet med denne studien er å evaluere GPT‑4s evne til å lokalisere akutte slaglesjoner basert på klinisk presentasjon, og dermed vise den potensielle rollen AI kan spille som et klinisk verktøy i nevrologi i fremtiden.

Stort potensial

I denne studien samlet forskerne helsehistorier og nevrologiske fysiske undersøkelser fra 46 publiserte tilfeller av personer som hadde hatt et slag. Disse tekstdataene ble deretter matet inn i GPT-4. Ved å bruke Zero‑Shot Chain‑of‑Thought og Text Classification prompting‑teknikker, ble modellen bedt om å svare på tre spesifikke spørsmål om hver pasient, gjentatt tre ganger: om deltakeren hadde én eller flere lesjoner, på hvilken side av hjernen lesjonene var lokalisert, og i hvilken region av hjernen lesjonene ble funnet.

Ved å sammenligne GPT‑4‑resultatene med hjerneskanningene til hver deltaker, fant forskerne at resultatene var ganske tilfredsstillende, bortsett fra lesjoner i lillehjernen og ryggmargen.

GPT‑4 viste høy nøyaktighet i å identifisere lokasjonen til hjernelesjonene i de fleste tilfeller, og oppnådde en spesifisitet på 87 % (prosentandel av negative som ble korrekt identifisert) og 74 % sensitivitet (prosentandel av faktiske positive som ble korrekt identifisert). Modellen oppnådde også en spesifisitet på 94 % og en sensitivitet på 85 % når den bestemte de mest påvirkede hjerneområdene.

Studien fant videre at modellen konsekvent identifiserte antall hjernelesjoner i 76 % av deltakerne, lokasjonen av lesjoner i 83 % og de spesifikke hjerneområdene involvert i 87 % av tilfellene. Imidlertid, når modellens svar på alle tre spørsmål ble evaluert over tre forsøk for hver deltaker, falt konsistensen drastisk, med GPT‑4 som kun kunne gi korrekte svar for 41 % av deltakerne. 

Dette indikerer at LLM‑er, som generative forhåndstrente transformatorer (GPT), «ikke er klare for bruk i klinikken» ennå. Likevel viser de lovende resultater i å identifisere lokasjonen til lesjoner etter slag og kan redusere ulikheter i helsevesenet, takket være deres evne til å fungere på tvers av ulike språk. 

Studien fremhever også den økende betydningen av nevrologisk ekspertise for slagintervensjon, spesielt med en økning i bruk av telemedisin. Videre kan modellen bistå i tidskritiske beslutninger om behovet for flere bildestudier eller til og med en nevrologkonsultasjon. 

Ifølge Lee: 

«Deres potensial for bruk er oppmuntrende, spesielt på grunn av det store behovet for forbedret helsehjelp i underbetjente områder på tvers av flere land hvor tilgangen til nevrologisk omsorg er begrenset.» 

Det er verdt å merke seg at GPT‑4s nøyaktighet avhenger av kvaliteten på dataene den får, og detaljert informasjon om medisinsk historie og nevroundersøkelser er kanskje ikke alltid tilgjengelig for alle som har hatt et slag. 

Studien understreket at forskerne har arbeidet med en LLM uten medisinsk trening eller finjustering. I tillegg ble det bemerket at rapportene om atypiske tilfeller ofte manglet tilstrekkelig detaljerte helsehistorier og nevrologiske undersøkelser. Dermed oppsto unøyaktigheter på grunn av utilstrekkelig informasjon i de publiserte tilfellene, samt logiske feil eller hull i kunnskapsbasen.

Det er derfor behov for videre forskning når det gjelder logistikk, juridiske aspekter, pasientsikkerhet og personvern, sikring av nøyaktighet og konsistens, samt integrering med sykehusarbeidsflyter for at LLM‑er skal kunne brukes på en levedyktig måte i kliniske settinger.

Klikk her for å lære hvorfor 2023 var et gjennombrudd år for kunstig intelligens.

Økende betydning & bruk av LLM i helsevesenet

Studien viser gode resultater, og demonstrerer enda et eksempel på LLM‑ers ekspanderende rolle i helsevesenet – et felt som har fått mye oppmerksomhet. Tross alt endrer de sektoren på så mange måter. Bruken deres beveger seg gradvis fra utforskningsstadier til praktisk bruk, og påvirker nå klinisk forskning og pasientbehandling. Deres kapasitet til å behandle store mengder data, tilby sanntidsinnsikt, og produsere tekst av menneskelig kvalitet med viss profesjonell kunnskap, revolusjonerer sektoren.

Trent på store mengder kompleks data, inkludert tekst, bilder og videoer hentet fra internett, finner disse modellene allsidige anvendelser på tvers av ulike områder, også innen medisin. 

Det begynte først å få oppmerksomhet da Microsoft (MSFT ) ‑støttede OpenAI lanserte sin første LLM, GPT‑1, i 2018. Den brede adopsjonen ble drevet av dens offentlige tilgjengelighet og brukervennlighet. Disse egenskapene var resultatet av å innlemme modellens forsterkende læring fra menneskelig tilbakemelding (RLHF), som hjalp den med å levere mer troverdig og menneskelignende output enn sine forgjengere.  

Siden lanseringen av den LLM‑baserte chatbot‑applikasjonen ChatGPT, har flere teknologiselskaper, som Meta (Llama), Google (BARD), Amazon (AMZN ) og Salesforce ‑støttede Anthropic (Claude), lansert sine LLM‑er. I mellomtiden har OpenAIs nyeste versjon, GPT‑4, vist forbedrede evner, som å overgå bestått poengsum på US Medical Licensing Exam (USMLE). 

Med dette har ChatGPT vist sin evne for medisinske formål, så ved å finjustere LLM‑er og gi dem ekstra trening, kan vi bruke LLM‑er til å forbedre pasientbehandlingen. Menneskelig kommunikasjon er en nøkkeldel av dette, og GPTs menneskelignende evne har gjort den ganske effektiv i pasienttilfredshet og å muliggjøre optimale kliniske resultater.

Mens behandling av enorme mengder data kan være overveldende for mennesker, kan LLM‑er enkelt gjøre dette på en brøkdel av tiden. De strømlinjeformer prosessen ved å organisere dataene, slik at vi kan utnytte dem godt. Ikke bare historiske data; LLM‑er analyserer kontinuerlig nye, innkommende data som vitale tegn og pasientsymptomer, noe som kan hjelpe helsepersonell med å ta raske og sanntidsbeslutninger. 

Ved å analysere store datasett fra vitenskapelig litteratur, kliniske studier, behandlingsretningslinjer og medisinske journaler, akselererer LLM‑er også medisinsk forskning for å identifisere nye behandlinger og utvikle effektive terapier. Disse modellene kan også hjelpe med å finne korrelasjoner og oppdage mønstre som kan fremme vår forståelse av sykdommer og fremskynde medisinsk forskning. 

I tillegg gir disse modellene verdifulle innsikter som hjelper helsepersonell med å ta kliniske beslutninger, som nøyaktige diagnoser og personlig behandlingsplanlegging, noe som fører til bedre pasientbehandling. Ikke bare fagfolk, men LLM‑er gir også pasienter forståelig og tilgjengelig informasjon for bedre å forstå sine tilstander og gjøre dem i stand til å delta i sin egen helsereise. 

Klikk her for å lære hva som gjør AI til en altmuligmann.

Fremmer innovasjonen i helsevesenet

Gitt de enorme fordelene og potensialet, oppnådde markedet for generativ AI i helsevesenet en verdivurdering på over $1 milliarder i 2022 og forventes å vokse til $22 milliarder innen 2032, i henhold til Generative AI Tracker.

Når det gjelder AI‑bruk i medisinsk utstyr‑sektoren, kardiologi har ledet denne trenden, med 57 % av AI‑aktiverte medisinske enheter godkjent av FDA i 2022 innen kardiologi, ifølge GlobalData. Denne trenden forventes å fortsette i fremtiden, med AI‑utgifter fra medisinsk utstyr‑selskaper som forventes å vokse med en CAGR på 20,6 % mellom 2019 og 2024.

I fremtiden kan vi til og med se integrering av AI med 3D‑bioprinting for å muliggjøre skapelsen av fullt funksjonelle organer skreddersydd til hver pasients spesifikke behov.

Dette potensialet har mange etablerte organisasjoner som lanserer spesialiserte AI‑drevne løsninger for helseindustrien. For eksempel tilbyr Microsoft en spesialisert løsning kalt Nuance Dragon Ambient eXperience (DAX). Den fanger opp samtaler mellom kliniker og pasient, oversetter dem til notater, og integrerer dem i EHR‑er. 

Google har allerede lansert sin MedLM, en helsefokusert LLM tilgjengelig via Vertex AI‑plattformen. Selskapet har siden trent sine helse‑AI‑modeller på sin nyeste forskning for å anvende AI i helseindustrien. Modellen har blitt brukt av partnerorganisasjoner til å bygge løsninger som å strømlinjeforme sykepleier‑overleveringer og støtte klinikeres dokumentasjon. 

Forrige måned la Google til nye evner i sin modell og lanserte MedLM for bryst‑røntgen for å endre måten radiologi fungerer på. Ideen er å ha generativ AI som støtter helseorganisasjoner ved å hjelpe med kategorisering av bryst‑røntgenbilder for en rekke bruksområder. 

Men dette er ikke alt. Google Research samarbeider med Fitbit for å bygge en stor språkmodell for personlig helse som kan drive velværefunksjoner i Fitbit‑mobilappen. Denne modellen arbeides med for å tilby individuell coaching til alle basert på deres personlige helse‑ og treningsmål. 

Amazon Web Services (AWS) tilbyr også HealthScribe, som analyserer konsultasjons‑samtaler for å lage oppsummerte kliniske notater for segmenter som vurdering, nåværende sykdomshistorie og behandlingsplan. Organisasjoner kan deretter integrere disse notatene i kliniske applikasjoner for å oppsummere pasientbesøk mer effektivt. 

Tidligere i år samarbeidet medisinsk teknologiselskap Siemens Healthineers (SHL.SW ) (SHL.DE )  slått seg sammen med Indian Institute of Science (IISc) for å lansere Siemens Healthineers‑Computational Data Sciences (CDS) Collaborative Laboratory for AI in Precision Medicine. Laboratoriets fokus er på å utvikle åpen kildekode AI‑verktøy for å automatisere presis segmentering av patologiske funn i neuroimaging‑data. Dette vil bidra til mer nøyaktig diagnostisering av nevrologirelaterte sykdommer og analyse av deres kliniske effekt. 

Dette er bare begynnelsen på den voksende AI‑trenden i medisinsk sektor. Rollen til kunstig intelligens forventes å bli mye større. Den brukes nå til å generere sanntids‑, pasientspesifikke 3D‑modeller i operasjoner, og AI vil utvikles videre for å tilby interaktive helserfaringer som transformerer pasientopplæring og engasjement. Selv innen genredigering forventes AI å gå utover bare å analysere komplekse genetiske data for å gi mer nøyaktige prediksjoner av gen‑sykdoms‑assosiasjoner for høyt tilpasset genredigering.

AI‑drevne immersive virtual reality‑terapisesjoner for behandling av mental helse er en annen måte teknologien kan utnyttes i sektoren. I tillegg finnes det nanoboter som kan bruke AI til å identifisere og behandle et bredt spekter av medisinske tilstander på et tidlig stadium.

Imidlertid er bruken av LLM‑er i helsevesenet ikke uten bekymringer. Det finnes etiske bekymringer knyttet til personvern, åpenhet og sikkerhet som forskere, helsepersonell og medisinske organisasjoner må være oppmerksomme på. Disse modellene kan også brukes til å spre feilinformasjon på grunn av mangel på ansvarlighet, noe som også bør tas i betraktning. I tillegg er det en iboende begrensning i å reprodusere eksisterende skjevheter.

Regjeringer rundt om i verden arbeider med å takle problemene som AI medfører. Europa har allerede laget et juridisk rammeverk for AI, mens Storbritannias Department of Health and Social Care planlegger å forbedre åpenheten rundt data som brukes i utviklingen av medisinsk utstyr som benytter AI.

Klikk her for å lære om den voksende synergien mellom AI og nevrologi.

Konklusjon

LLM‑er ser allerede økende bruk i medisinsk industri, og de forventes å vokse ytterligere i adopsjon og påvirkning. Det er imidlertid viktig at disse modellene brukes ansvarlig og at underliggende data er av høyeste kvalitet uten iboende skjevheter og feilinformasjon, for å gi mer nøyaktige resultater og bedre pasientutfall.

Klikk her for å lære alt om investering i kunstig intelligens.