Kan stora språkmodeller (LLM) hjälpa neurologer att analysera strokepatienter?

Artificiell intelligens (AI) är ett av de största teknologiska genombrotten detta decennium. Lanseringen av ChatGPT har särskilt drivit AI in i mainstream, med tillämpningar som sträcker sig över olika sektorer, inklusive sjukvården. Speciellt kan neurologer sannolikt dra stor nytta av att använda AI för att exakt lokalisera strokeområden i hjärnan, som avslöjades i en nyligen studie.

När vi talar om stroke är de en ledande dödsorsak bland amerikaner; var 40:e sekund drabbas någon i USA av en stroke, och var 3:e minut och 14:e sekund dör någon av en. Förutom dödlighet kan stroke också orsaka långvariga funktionshinder. Därför kan identifiering av strokeplatsen i hjärnan hjälpa till att förutsäga dess långsiktiga effekter, vilka kan variera kraftigt, från att försämra en individs rörlighet till att påverka språk- och talförmåga. Dessutom kan AI hjälpa till att bestämma en persons prognos och fastställa den bästa behandlingen.

Vanligtvis hjälper hjärnavbildningar att hitta platsen för lesioner, vilka är områden med vävnadsskada från stroke. Dock har inte alla tillgång till neurologer för hjärnavbildningar.

För att åtgärda detta gap, ”vi ville avgöra om GPT-4 kunde exakt lokalisera hjärnlesioner efter stroke baserat på en persons sjukdomshistoria och en neurologisk undersökning,” sade studiens författare Jung-Hyun Lee, MD, medlem av American Academy of Neurology och State University of New York, Downstate Health Sciences University i Brooklyn.

Andra deltagare i studien inkluderar 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; och 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.

Publicerad i American Academy of Neurology’s online‑tidning, Neurology® Clinical Practice, visade studien AI:s förmåga att bearbeta text från neurologiska undersökningar och sjukdomshistorier för att identifiera lesionens placering i hjärnan.

För detta använde teamet den stora språkmodellen (LLM) GPT‑4. Denna generativa förtränade transformer är tränad på enorma mängder data och har visat ”anmärkningsvärda förmågor” i att generera textsvaret på textbaserade frågor.

Detta företag är inte det första i sitt slag, eftersom funktionaliteten hos LLM:er tidigare har utforskats för att svara på öppna frågor som ställts av läkare. Dock har tidigare mjukvara utvecklad för lesionlokalisering varit ganska begränsad i omfattning. Målet med denna studie är att utvärdera GPT‑4:s förmåga att lokalisera akuta stroke‑lesioner baserat på klinisk presentation, vilket visar den potentiella rollen AI kan spela som ett kliniskt verktyg inom neurologi i framtiden.

Stort potential

I denna studie samlade forskarna sjukdomshistorier och neurologiska fysiska undersökningar från 46 publicerade fall av personer som haft en stroke. Denna textdata matades sedan in i GPT‑4. Genom att använda Zero‑Shot Chain‑of‑Thought och Text Classification‑prompttekniker fick modellen svara på tre specifika frågor om varje patient, upprepade tre gånger: om en deltagare hade en eller flera lesioner, på vilken sida av hjärnan lesionerna var belägna, och i vilken region av hjärnan lesionerna hittades.

När man jämförde GPT‑4‑resultaten med hjärnavbildningarna för varje deltagare fann forskarna att resultaten var ganska tillfredsställande, förutom för lesioner i cerebellum och ryggmärg.

GPT‑4 visade en hög grad av noggrannhet i att identifiera placeringen av hjärnlesionerna för majoriteten av fallen, med en specificitet på 87 % (procent av negativa korrekt identifierade) och 74 % sensitivitet (procent av faktiska positiva korrekt identifierade). Modellen uppnådde också en specificitet på 94 % och en sensitivitet på 85 % när den bestämde de mest påverkade hjärnregionerna.

Studien fann dessutom att modellen konsekvent identifierade antalet hjärnlesioner i 76 % av deltagarna, lesionernas placering i 83 % och de specifika hjärnregionerna som var inblandade i 87 % av fallen. Men när man utvärderade modellens svar på alla tre frågor över tre försök för varje deltagare, minskade dess konsistens drastiskt, där GPT‑4 bara kunde ge korrekta svar för 41 % av deltagarna.

Detta indikerar att LLM:er, såsom generativa förtränade transformers (GPT), är ”inte ännu redo för klinisk användning.” Trots detta visar de löfte i att identifiera lesioners placering efter stroke och kan minska ojämlikheter i vården tack vare deras förmåga att fungera på olika språk.

Studien framhäver också den växande betydelsen av neurologisk expertis för strokeintervention, särskilt med en ökning av telemedicinens användning. Dessutom kan modellen hjälpa till med snabba beslut för att bedöma behovet av fler avbildningsstudier eller till och med neurologkonsultation.

Enligt Lee:

”Deras potential för användning är uppmuntrande, särskilt på grund av det stora behovet av förbättrad vård i underbetjänade områden i flera länder där tillgången till neurologisk vård är begränsad.”

Det är värt att notera att GPT‑4:s noggrannhet beror på kvaliteten på den data som matas in, och detaljerad information om medicinsk historia och neuroundersökningar kanske inte alltid är tillgänglig för alla som drabbas av en stroke.

Studien betonade att forskarna har arbetat med en LLM utan medicinsk träning eller finjustering. Dessutom noterades att rapporterna om atypiska fall ofta saknade tillräckligt detaljerade sjukdomshistorier och neurologiska undersökningar. Således uppstod felaktigheter på grund av otillräcklig information i de publicerade fallen, samt logikfel eller kunskapsluckor i den underliggande kunskapsbasen.

Således finns ett behov av vidare forskning vad gäller logistiska, juridiska, patientsäkerhets‑ och integritetsaspekter, att säkerställa noggrannhet och konsistens samt integration med sjukhusarbetsflöden för LLM‑ers livskraftiga användning i kliniska miljöer.

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

Växande betydelse & användning av LLM:er inom sjukvården

Studien visar stora resultat och demonstrerar ännu ett exempel på LLM:ers expanderande roll inom sjukvården – ett område som får allt mer uppmärksamhet. De förändrar sektorn på så många sätt. Deras användning förflyttar sig gradvis från utforskningsstadier till praktisk tillämpning och påverkar nu klinisk forskning och patientvård. Deras förmåga att bearbeta enorma datamängder, erbjuda insikter i realtid och producera text av mänsklig kvalitet med viss professionell kunskap revolutionerar sektorn.

Tränade på stora mängder komplex data, inklusive text, bilder och videor från internet, hittar dessa modeller mångsidiga tillämpningar inom olika områden, inklusive medicin.

Det började först få fäste när Microsoft (MSFT ) ‑stödda OpenAI släppte sin första LLM, GPT‑1, år 2018. Dess breda antagande drevs av dess offentliga tillgänglighet och enkla användbarhet. Dessa egenskaper var resultatet av att införliva modellens förstärkningsinlärning från mänsklig återkoppling (RLHF), vilket hjälpte den att ge mer trovärdiga och mänskliga svar än tidigare motsvarigheter.

Sedan lanseringen av den LLM‑baserade chatbot‑applikationen ChatGPT har flera teknikföretag, såsom Meta (Llama), Google (BARD), Amazon (AMZN ) och Salesforce ‑stödda Anthropic (Claude), släppt sina LLM:er. Samtidigt har OpenAIs senaste version, GPT‑4, visat förbättrade förmågor, såsom att överträffa godkännandepoängen på US Medical Licensing Exam (USMLE).

Med detta har ChatGPT visat sin förmåga för medicinska ändamål, så genom finjustering av LLM:er och ytterligare träning kan vi använda LLM:er för att förbättra patientvården. Mänsklig kommunikation är en nyckelkomponent, och GPT:s mänskliga likhet har gjort den ganska effektiv för patientnöjdhet och möjliggör optimala kliniska resultat.

Att bearbeta enorma mängder data kan vara överväldigande för människor, men LLM:er kan enkelt göra detta på en bråkdel av tiden. De effektiviserar processen genom att organisera data, vilket gör att vi kan utnyttja den väl. Inte bara historisk data; LLM:er analyserar kontinuerligt ny, inkommande data såsom vitala tecken och patientsymptom, vilket kan hjälpa vårdpersonal att fatta snabba beslut i realtid.

Genom att analysera stora dataset från vetenskaplig litteratur, kliniska prövningar, behandlingsriktlinjer och medicinska journaler påskyndar LLM:er också medicinsk forskning för att identifiera nya behandlingar och utveckla effektiva terapier. Dessa modeller kan också hjälpa till att skapa korrelationer och upptäcka mönster som kan förbättra vår förståelse av sjukdomar och accelerera medicinsk forskning.

Dessutom ger dessa modeller värdefulla insikter som hjälper vårdpersonal att fatta kliniska beslut, såsom korrekta diagnoser och personligt anpassade behandlingsplaner, vilket leder till förbättrad patientvård. Inte bara yrkespersoner, utan LLM:er ger också patienter förståelig och tillgänglig information för att bättre förstå sina tillstånd och möjliggör deras delaktighet i vårdresan.

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

Driva innovationen inom sjukvården

Med tanke på de enorma fördelarna och potentialen nådde marknaden för generativ AI inom sjukvården en värdering på över 1 miljard USD år 2022 och förväntas växa till 22 miljarder USD år 2032, enligt Generative AI Tracker.

När det gäller AI:s användning inom medicintekniksektorn, har kardiologi lett denna trend, med 57 % av AI‑aktiverade medicintekniska produkter godkända av FDA år 2022 som tillhör kardiologi, enligt GlobalData. Trenden förväntas fortsätta, med AI‑investeringar från medicinteknikföretag som beräknas växa med 20,6 % CAGR mellan 2019 och 2024.

I framtiden kan vi till och med se integration av AI med 3D‑bioprinting för att möjliggöra skapandet av fullt funktionella organ skräddarsydda för varje patients specifika behov.

Denna potential har lett många stora organisationer att lansera specialiserade AI‑drivna lösningar för sjukvårdsindustrin. Till exempel erbjuder Microsoft en specialiserad lösning kallad Nuance Dragon Ambient eXperience (DAX). Den fångar samtal mellan kliniker och patient, översätter dem till anteckningar och integrerar dem i EHR‑system.

Google har redan lanserat sin MedLM, en sjukvårdsfokuserad LLM tillgänglig via Vertex AI‑plattformen. Företaget har sedan dess tränat sina häls‑AI‑modeller på den senaste forskningen för att tillämpa AI inom sjukvården. Modellen har använts av partnerorganisationer för att bygga lösningar såsom att effektivisera sjuksköterske‑överlämningar och stödja klinikers dokumentation.

Precis förra månaden lade Google till nya förmågor i sin modell och lanserade MedLM för bröst‑röntgen för att förändra hur radiologi fungerar. Idén är att låta generativ AI stödja sjukvårdsorganisationer genom att hjälpa till med kategorisering av bröst‑röntgen för ett antal användningsfall.

Men det är inte allt. Google Research samarbetar med Fitbit för att bygga en stor språkmodell för personlig hälsa som kan driva wellness‑funktioner i Fitbit‑mobilappen. Modellen utvecklas för att erbjuda individanpassad coaching till alla baserat på deras personliga hälsa‑ och träningsmål.

Amazon Web Services (AWS) erbjuder också HealthScribe, som analyserar konsultationssamtal för att skapa sammanfattade kliniska anteckningar för segment som bedömning, nuvarande sjukdomshistoria och behandlingsplan. Organisationer kan sedan integrera dessa anteckningar i kliniska applikationer för att återge patientbesöken mer effektivt.

Tidigare i år gick medicinteknikföretaget Siemens Healthineers (SHL.SW ) (SHL.DE ) samarbete med Indian Institute of Science (IISc) för att lansera Siemens Healthineers‑Computational Data Sciences (CDS) Collaborative Laboratory for AI in Precision Medicine. Laboratoriets fokus är att utveckla öppen källkod AI‑verktyg för att automatisera exakt segmentering av patologiska fynd i neuroavbildningsdata. Detta kommer att hjälpa till med mer exakt diagnos av neurologirelaterade sjukdomar och analys av deras kliniska effekt.

Detta är bara början på den växande AI‑trenden inom den medicinska sektorn. AI:s roll förväntas bli mycket större. För närvarande används den för att generera realtids‑, patient‑specifika 3D‑modeller under operationer, och AI kommer att utvecklas ytterligare för att erbjuda interaktiva vårdupplevelser som transformerar patientutbildning och engagemang. Även inom genredigering förväntas AI gå bortom att bara analysera komplex genetisk data för att ge mer exakta förutsägelser om gen‑sjukdoms‑associationer för mycket skräddarsydd genredigering.

AI‑drivna immersiva virtual‑reality‑terapisessioner för behandling av psykisk ohälsa är ett annat sätt tekniken kan utnyttjas inom sektorn. Dessutom finns nanobotar som kan utnyttja AI för att identifiera och åtgärda ett brett spektrum av medicinska tillstånd i ett tidigt stadium.

Dock är tillämpningen av LLM:er inom sjukvården inte utan bekymmer. Det finns etiska frågor kring integritet, transparens och säkerhet som forskare, vårdpersonal och medicinska organisationer måste vara medvetna om. Dessa modeller kan också användas för att sprida desinformation på grund av brist på ansvar, vilket också bör beaktas. Dessutom finns en inneboende begränsning i att reproducera befintliga fördomar.

Regeringar världen över arbetar med att tackla de problem som AI medför. Europa har redan skapat ett juridiskt ramverk för AI, medan Storbritanniens Department of Health and Social Care planerar att förbättra transparensen kring data som används i utvecklingen av medicintekniska produkter med AI.

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

Slutsats

LLM:er ser redan en växande användning inom den medicinska industrin, och de förväntas fortsätta växa både i antalet antaganden och i sin påverkan. Det är dock viktigt att dessa modeller används ansvarsfullt och att underliggande data är av högsta kvalitet utan några inneboende fördomar eller desinformation för att leverera mer exakta resultat och bättre patientutfall.

Click here to learn all about investing in artificial intelligence.