Biotech
Maaari bang Tulungan ng Malalaking Modelo ng Wika (LLM) ang mga Neurologista sa Pagsusuri ng mga Biktima ng Stroke?
Idagdag ang Securities.io sa mga gusto mong mapagkunan sa Google
Ang artificial intelligence (AI) ay isa sa pinakamalaking teknolohikal na breakthrough ng dekadang ito. Ang paglulunsad ng ChatGPT ay partikular na nagdala ng AI sa mainstream, kung saan ang mga aplikasyon nito ay sumasaklaw sa iba’t ibang sektor, kabilang ang pangangalagang pangkalusugan. Kapansin-pansin, malamang na makikinabang nang malaki ang mga neurologista sa paggamit ng AI upang tumpak na matukoy ang mga lokasyon ng stroke sa loob ng utak, dahil naipakita ng isang kamakailang pag-aaral.
Pagdating sa stroke, isa ito sa nangungunang sanhi ng kamatayan sa mga Amerikano; tuwing 40 segundo, may isang tao sa US na nakakaranas ng stroke, at tuwing 3 minuto at 14 segundo, may isang tao na namamatay dahil dito. Higit pa sa kamatayan, ang mga stroke ay maaari ring magdulot ng pangmatagalang kapansanan. Kaya, ang pagtukoy sa lokasyon ng stroke sa utak ay makakatulong upang mahulaan ang mga epekto nito sa hinaharap, na maaaring mag-iba nang malaki, mula sa pagkapinsala sa kakayahang gumalaw ng isang tao hanggang sa makaapekto sa wika at kakayahan sa pagsasalita. Dagdag pa rito, maaaring makatulong ang AI sa pagtukoy ng prognosis ng isang tao at matukoy ang pinakamainam na paggamot.
Karaniwan, tumutulong ang mga brain scan na matukoy ang lokasyon ng mga lesyon, na mga lugar ng pinsala sa tisyu dulot ng stroke. Gayunpaman, hindi lahat ay may access sa mga neurologista para sa mga brain scan.
Upang matugunan ang puwang na ito, sinabi ng may-akda ng pag-aaral na si Jung-Hyun Lee, MD, isang miyembro ng American Academy of Neurology at ng State University of New York, Downstate Health Sciences University sa Brooklyn, “nais naming alamin kung maaaring tumpak na matukoy ng GPT-4 ang mga lesyon sa utak pagkatapos ng stroke batay sa kasaysayan ng kalusugan ng isang tao at sa neurologic exam.”
Kabilang sa iba pang mga kalahok ng pag-aaral sina Eunhee Choi, MD, Department of Internal Medicine, Lincoln Medical Center, NY; Robert McDougal, MD, Department of Biostatistics sa Yale School of Public Health at Program in Computational Biology and Bioinformatics sa Wu-Tsai Institute; at William W. Lytton, MD, Department of Neurology sa State University of New York Downstate Health Sciences University at Department of Neurology sa Kings County Hospital.
Inilathala sa online na journal ng American Academy of Neurology na Neurology® Clinical Practice, ipinakita ng pag-aaral ang kakayahan ng AI na iproseso ang teksto mula sa mga neurologic examination at kasaysayan ng kalusugan upang matukoy ang lokasyon ng lesyon sa utak.
Para dito, ginamit ng koponan ang malaking modelo ng wika (LLM) na GPT-4. Ang generative pre-trained transformer na ito ay sinanay sa napakalaking dami ng data at nagpakita ng “kapansin-pansing kakayahan” sa pagbuo ng mga tugon sa anyong teksto para sa mga query na batay sa teksto.
Ang pagsisikap na ito ay hindi unang ganito, dahil ang functionality ng mga LLM ay dati nang sinuri sa pagsagot sa mga bukas na tanong na itinatanong ng mga doktor. Gayunpaman, ang nakaraang software na binuo para sa pag-lokasyon ng lesyon ay medyo limitado ang saklaw. Ang layunin ng pag-aaral na ito ay suriin ang kakayahan ng GPT-4 sa pag-lokasyon ng mga akut na lesyon ng stroke batay sa klinikal na presentasyon, kaya ipinapakita ang potensyal na papel na maaaring gampanan ng AI bilang isang klinikal na kasangkapan sa neurologiya sa hinaharap.
Malaking Potensyal
Sa pag-aaral na ito, nagtipon ang mga mananaliksik ng mga kasaysayan ng kalusugan at mga neurologic physical exam ng 46 na nailathalang kaso ng mga taong nagkaroon ng stroke. Ang tekstuwal na datos na ito ay ipinasok sa GPT-4. Gamit ang Zero-Shot Chain-of-Thought at Text Classification na mga teknik sa prompting, inatasan ang modelo na sagutin ang tatlong tiyak na tanong tungkol sa bawat pasyente, inuulit ng tatlong beses: kung ang kalahok ay may iisang o maraming lesyon, saang bahagi ng utak matatagpuan ang mga lesyon, at saang rehiyon ng utak natagpuan ang mga lesyon.
Sa paghahambing ng mga resulta ng GPT-4 sa mga brain scan ng bawat kalahok, natuklasan ng mga mananaliksik na medyo kasiya-siya ang mga resulta, maliban sa mga lesyon sa cerebellum at spinal cord.
Ipinakita ng GPT-4 ang mataas na antas ng katumpakan sa pagtukoy ng lokasyon ng mga lesyon sa utak para sa karamihan ng mga kaso, na nakamit ang specificity na 87% (porsyento ng mga negatibo na tama ang pagkakakilala) at 74% sensitivity (porsyento ng mga positibo na tama ang pagkakakilala). Nakamit din ng modelo ang specificity na 94% at sensitivity na 85% habang tinutukoy ang mga pinakaapektadong rehiyon ng utak.
Natuklasan din ng pag-aaral na ang modelo ay palaging natukoy ang bilang ng mga lesyon sa utak sa 76% ng mga kalahok, ang lokasyon ng mga lesyon sa 83%, at ang mga tiyak na rehiyon ng utak na kasangkot sa 87% ng mga kaso. Gayunpaman, sa pagsusuri ng mga tugon ng modelo sa lahat ng tatlong tanong sa tatlong pagtatangka para sa bawat kalahok, bumaba nang malaki ang konsistensiya nito, kung saan ang GPT-4 ay nakapagbigay lamang ng tamang sagot para sa 41% ng mga kalahok.
Ipinapakita nito na ang mga LLM, tulad ng generative pre-trained transformers (GPT), ay “hindi pa handa para magamit sa klinika.” Gayunpaman, ipinapakita nila ang pangako sa pagtukoy ng lokasyon ng mga lesyon pagkatapos ng stroke at maaaring mabawasan ang mga hindi pagkakapantay-pantay sa pangangalagang pangkalusugan, salamat sa kanilang kakayahang gumana sa iba’t ibang wika.
Binibigyang-diin din ng pag-aaral ang lumalaking kahalagahan ng ekspertisang neurologic para sa interbensyon sa stroke, lalo na sa pagtaas ng paggamit ng telemedicine. Bukod pa rito, maaaring makatulong ang modelo sa napapanahong mga desisyon upang tasahin ang pangangailangan ng karagdagang imaging studies o kahit konsultasyon sa neurologista.
Ayon kay Lee:
“Ang kanilang potensyal para magamit ay nakakaengganyo, lalo na dahil sa malaking pangangailangan para sa pinabuting pangangalagang pangkalusugan sa mga lugar na kulang ang serbisyo sa maraming bansa kung saan limitado ang access sa pangangalagang neurologic.”
Mahalagang tandaan na ang katumpakan ng GPT-4 ay nakasalalay sa kalidad ng data na pinapasok dito, at ang detalyadong impormasyon tungkol sa kasaysayan ng medikal at neuro exam ay maaaring hindi palaging magamit para sa lahat ng may stroke.
Binibigyang-diin ng pag-aaral na ang mga mananaliksik ay gumamit ng LLM na walang medikal na pagsasanay o fine-tuning. Dagdag pa rito, napansin na ang mga ulat ng mga hindi pangkaraniwang kaso ay madalas kulang sa sapat na detalyadong kasaysayan ng kalusugan at neurologic examinations. Dahil dito, nagmula ang mga kamalian mula sa kakulangan ng impormasyon sa mga nailathalang kaso, pati na rin sa mga pagkabigo sa lohika o puwang sa pinagbabatayang kaalaman.
Kaya, may pangangailangan para sa karagdagang pananaliksik hinggil sa logistikal, legal, kaligtasan ng pasyente at privacy, pagtiyak ng katumpakan at konsistensiya, at integrasyon sa mga workflow ng ospital para sa praktikal na paggamit ng LLM sa mga klinikal na setting.
Lumalagong Kahalagahan at Paggamit ng LLMs sa Pangangalagang Pangkalusugan
Ang pag-aaral ay nagpapakita ng magagandang resulta, na naglalahad ng isa pang halimbawa ng lumalawak na papel ng mga LLM sa pangangalagang pangkalusugan—isang larangan na nakakuha ng maraming atensyon. Sa katunayan, binabago nila ang sektor sa napakaraming paraan. Ang kanilang paggamit ay unti-unting lumilipat mula sa yugto ng pagsisiyasat patungo sa praktikal na paggamit, na ngayon ay nakakaapekto sa klinikal na pananaliksik at pangangalaga sa pasyente. Ang kanilang kakayahang magproseso ng napakalaking datos, magbigay ng real-time na insight, at lumikha ng teksto na may kalidad ng tao at may tiyak na propesyonal na kaalaman ay nagrerebolusyon sa sektor.
Sinanay sa malaking dami ng kumplikadong datos, kabilang ang teksto, larawan, at video na nakuha mula sa internet, ang mga modelong ito ay may maraming aplikasyon sa iba’t ibang larangan, kabilang ang medisina.
Nagsimulang makakuha ng atensyon noong inilabas ng OpenAI na suportado ng Microsoft (MSFT ) ang unang LLM nito, ang GPT-1, noong 2018. Ang malawak na pag-aampon nito ay pinasigla ng pampublikong accessibility at maginhawang paggamit. Ang mga tampok na ito ay resulta ng pag-incorporate ng reinforcement learning mula sa feedback ng tao (RLHF), na tumulong upang magbigay ng mas kredibleng at katulad ng tao na output kumpara sa mga naunang bersyon.
Mula nang ilunsad ang LLM-based chatbot na ChatGPT, ilang kumpanyang teknolohikal, tulad ng Meta (Llama), Google (BARD), Amazon (AMZN ), at Anthropic (Claude) na suportado ng Salesforce , ay naglabas ng kanilang mga LLM. Samantala, ang pinakabagong bersyon ng OpenAI, ang GPT-4, ay nagpapakita ng pinahusay na kakayahan, tulad ng paglagpas sa passing score ng US Medical Licensing Exam (USMLE).
Sa ganitong paraan, ipinakita ng ChatGPT ang kakayahan nito para sa medikal na layunin, kaya sa pamamagitan ng fine-tuning ng mga LLM at pagbibigay ng karagdagang pagsasanay, maaari nating gamitin ang mga LLM upang mapabuti ang pangangalaga sa pasyente. Ang komunikasyon ng tao ay isang mahalagang bahagi nito, ang kakayahan ng GPT na magpakita ng katulad ng tao ay nagbigay-daan upang maging epektibo ito sa kasiyahan ng pasyente at pag-enable ng optimal na klinikal na kinalabasan.
Habang ang pagproseso ng napakalaking dami ng datos ay maaaring nakakatakot para sa tao, madaling magawa ito ng mga LLM sa fraction ng oras. Pinapasimple nila ang prosesong ito sa pamamagitan ng pag-aayos ng datos, na nagbibigay-daan sa atin na magamit ito nang maayos. Hindi lamang dati nang datos; patuloy na sinusuri ng mga LLM ang mga bagong datos tulad ng vital signs at sintomas ng pasyente na maaaring lubos na makatulong sa mga propesyonal sa pangangalagang pangkalusugan sa paggawa ng real-time at mabilis na desisyon.
Sa pamamagitan ng pagsusuri ng malawak na dataset mula sa siyentipikong literatura, clinical trials, mga gabay sa paggamot, at medikal na rekord, pinapabilis ng mga LLM ang pananaliksik medikal upang matulungan tuklasin ang mga bagong paggamot at bumuo ng epektibong therapy. Ang mga modelong ito ay maaari ring tumulong sa paggawa ng mga korelasyon at pagtuklas ng mga pattern na maaaring magpabuti ng ating pag-unawa sa mga sakit at pabilisin ang pananaliksik medikal.
Higit pa rito, nagbibigay ang mga modelong ito ng mahalagang insight na tumutulong sa mga propesyonal sa pangangalagang pangkalusugan na gumawa ng klinikal na desisyon, tulad ng tumpak na diagnosis at personalized na plano ng paggamot, na nagreresulta sa pinabuting pangangalaga sa pasyente. Hindi lamang para sa mga propesyonal kundi pinapalakas din ng mga LLM ang mga pasyente sa pamamagitan ng pagbibigay ng nauunawaan at madaling ma-access na impormasyon upang mas maintindihan nila ang kanilang kondisyon at makilahok sa kanilang paglalakbay sa pangangalaga.
I-click dito upang malaman kung ano ang nagpapagawa sa AI na isang jack of all trades.
Pagpapaandar ng Inobasyon sa Pangangalagang Pangkalusugan
Dahil sa napakalaking benepisyo at potensyal, ang merkado ng generative AI sa pangangalagang pangkalusugan ay umabot sa isang halaga nahigit sa $1 bilyon noong 2022 at inaasahang lalago sa $22 bilyon pagsapit ng 2032, ayon sa Generative AI Tracker.
Pagdating sa paggamit ng AI sa sektor ng medikal na kagamitan,ang cardiology ang nangunguna sa trend na ito, na 57% ng mga AI-enabled na medikal na kagamitan na inaprubahan ng FDA noong 2022 ay nasa ilalim ng cardiology, ayon sa GlobalData. Inaasahan na magpapatuloy ang trend na ito sa hinaharap, kung saan ang paggastos sa AI ng mga kumpanyang medikal na kagamitan ay inaasahang lalago sa 20.6% CAGR mula 2019 hanggang 2024.
Sa hinaharap, maaari pa nating makita ang integrasyon ng AI sa 3D bioprinting upang magbigay-daan sa paglikha ng ganap na functional na mga organ na iniayon sa partikular na pangangailangan ng bawat pasyente.
Ang potensyal na ito ay nagdudulot ng maraming pangunahing organisasyon na naglulunsad ng mga espesyal na solusyon na pinapagana ng AI para sa industriya ng pangangalagang pangkalusugan. Halimbawa, ang Microsoft ay nagbibigay ng isang espesyal na solusyon na tinatawag na Nuance Dragon Ambient eXperience (DAX). Kinukuha nito ang mga pag-uusap ng clinician-patient, isinasalin ito sa mga tala, at iniintegrate sa mga EHR.
Ang Google ay inilunsad na ang MedLM, isang LLM na nakatuon sa pangangalagang pangkalusugan na magagamit sa pamamagitan ng platform na Vertex AI. Mula noon, sinasanay ng kumpanya ang kanilang health AI models sa pinakabagong pananaliksik upang ilapat ang AI sa industriya ng pangangalagang pangkalusugan. Ginagamit ng mga partner na organisasyon ang modelo upang bumuo ng mga solusyon tulad ng pagpapadali ng nurse handoffs at pagsuporta sa dokumentasyon ng mga clinician.
Kahapon lang, nagdagdag ang Google ng mga bagong kakayahan sa kanilang modelo at inilunsad ang MedLM for Chest X-rays upang baguhin ang paraan ng paggawa ng radiology. Ang layunin ay magkaroon ng generative AI na sumusuporta sa mga organisasyon ng pangangalagang pangkalusugan sa pamamagitan ng pagtulong sa pag-categorize ng chest X-rays para sa iba’t ibang gamit.
Hindi pa rito nagtatapos. Ang Google Research ay nakikipagtulungan sa Fitbit upang bumuo ng isang malaking modelo ng wika para sa personal na kalusugan na maaaring magpatakbo ng mga wellness feature sa mobile app ng Fitbit. Ang modelong ito ay binubuo upang mag-alok ng indibidwal na coaching sa lahat batay sa kanilang personal na kalusugan at layunin sa fitness.
Nag-aalok din ang Amazon Web Services (AWS) ng HealthScribe, na nag-aanalisa ng mga pag-uusap sa konsultasyon upang lumikha ng buod na klinikal na tala para sa mga segment tulad ng assessment, history of present illness, at treatment plan. Maaaring i-integrate ng mga organisasyon ang mga tala na ito sa mga klinikal na aplikasyon upang mas epektibong i-recap ang mga pagbisita ng pasyente.
Sa unang bahagi ng taong ito, ang kumpanyang medikal na teknolohiya na Siemens Healthineers (SHL.SW ) (SHL.DE ) ay nakipagtulungan sa Indian Institute of Science (IISc) upang ilunsad ang Siemens Healthineers-Computational Data Sciences (CDS) Collaborative Laboratory for AI in Precision Medicine. Ang layunin ng Laboratory ay mag-develop ng open-source AI tools upang i-automate ang eksaktong segmentation ng pathological findings sa neuroimaging data. Makakatulong ito sa mas tumpak na diagnosis ng mga sakit na may kaugnayan sa neurologiya at sa pagsusuri ng kanilang klinikal na epekto.
Ito ay simula pa lamang ng lumalaking trend ng AI sa sektor medikal. Inaasahan na mas malaki pa ang papel ng artificial intelligence. Sa kasalukuyan, ginagamit ito upang lumikha ng real-time, patient-specific 3D models sa mga operasyon, at inaasahang mag-evolve pa upang mag-alok ng interactive na karanasan sa pangangalagang pangkalusugan na magbabago sa edukasyon at pakikilahok ng pasyente. Maging sa genome editing, inaasahan na lalampas ang AI sa simpleng pagsusuri ng komplikadong genetic data upang magbigay ng mas tumpak na prediksyon ng gene-disease association para sa lubos na naka-target na gene editing.
Ang AI-powered immersive virtual reality therapy sessions para sa paggamot ng kalusugan ng pag-iisip ay isa pang paraan kung paano magagamit ang teknolohiya sa sektor. Pagkatapos, may mga nanobots na maaaring gamitin ang AI upang tuklasin at tugunan ang malawak na hanay ng mga kondisyong medikal sa kanilang maagang yugto.
Gayunpaman, ang aplikasyon ng mga LLM sa pangangalagang pangkalusugan ay hindi walang alalahanin. May mga etikal na alalahanin sa privacy, transparency, at seguridad na dapat isaalang-alang ng mga mananaliksik, propesyonal sa pangangalagang pangkalusugan, at mga medikal na organisasyon. Ang mga modelong ito ay maaari ring magamit upang magpalaganap ng maling impormasyon dahil sa kakulangan ng pananagutan, na dapat ding isaalang-alang. Hindi dapat kalimutan na may likas na limitasyon sa pag-reproduce ng umiiral na bias.
Ang mga pamahalaan sa buong mundo ay nagtatrabaho upang harapin ang mga isyung dulot ng AI. Ang Europa ay nakagawa na ng legal na balangkas para sa AI, habang ang UK Department of Health and Social Care ay nagbabalak na pagbutihin ang transparency ng data na ginagamit sa pag-develop ng mga medikal na device na gumagamit ng AI.
I-click dito upang malaman ang lumalaking sinerhiya ng AI at neurology.
Konklusyon
Ang mga LLM ay kasalukuyang nakikita ang lumalaking paggamit sa industriya ng medisina, at inaasahang lalago pa ang kanilang pag-aampon at epekto. Gayunpaman, mahalaga na ang mga modelong ito ay ginagamit nang responsable at ang pinagbabatayang data ay may pinakamataas na kalidad nang walang anumang likas na bias at maling impormasyon upang magbigay ng mas tumpak na resulta at mas magagandang kinalabasan para sa pasyente.
I-click dito upang malaman ang lahat tungkol sa pamumuhunan sa artificial intelligence.
