Büyük Dil Modelleri (LLM) Nörologların İnme Hastalarını Analiz Etmelerine Yardımcı Olabilir mi?

Yapay zeka (AI), bu on yılın en büyük teknolojik atılımlarından biridir. ChatGPT’nin piyasaya sürülmesi, AI’yi ana akıma özellikle sağlık sektörü dahil olmak üzere birçok alanda genişletti. Özellikle, nörologların AI kullanarak beyin içindeki inme bölgelerini doğru bir şekilde belirlemede büyük fayda sağlayabileceği düşünülüyor, çünkü yakın zamanda yapılan bir çalışma tarafından ortaya konuldu.

İnme konusuna gelince, bunlar Amerikalılar arasında önde gelen ölüm nedenlerinden biridir; ABD’de her 40 saniyede bir kişi inme geçiriyor ve her 3 dakika 14 saniyede bir kişi bu yüzden hayatını kaybediyor. Ölüm oranının yanı sıra, inme uzun vadeli sakatlıklara da yol açabilir. Bu nedenle, inmenin beyin içindeki konumunu belirlemek, uzun vadede etkilerini tahmin etmeye yardımcı olur; bu etkiler bireyin hareket kabiliyetini engellemekten dil ve konuşma yeteneklerini etkilemeye kadar geniş bir yelpazede değişebilir. Ayrıca, AI bir kişinin prognozunu belirlemeye ve en iyi tedaviyi seçmeye yardımcı olabilir.

Genellikle beyin taramaları lezyonların, yani inme kaynaklı doku hasarı bölgelerinin konumunu bulmaya yardımcı olur. Ancak, herkes beyin taramaları için nörologlara erişim sağlayamaz.

Bu boşluğu doldurmak için, “GPT-4’ün bir kişinin sağlık geçmişi ve nörolojik muayene bulgularına dayanarak inme sonrası beyin lezyonlarını doğru bir şekilde konumlandırıp konumlandıramayacağını belirlemek istedik,” dedi çalışma yazarı Jung-Hyun Lee, MD, Amerikan Nöroloji Akademisi üyesi ve Brooklyn’deki State University of New York, Downstate Health Sciences University’den.

Çalışmanın diğer katılımcıları arasında Eunhee Choi, MD, Lincoln Medical Center, NY İç Hastalıkları Bölümü; Robert McDougal, MD, Yale Halk Sağlığı Okulu Biyoistatistik Bölümü ve Wu-Tsai Enstitüsü Biyoinformatik ve Hesaplamalı Biyoloji Programı; ve William W. Lytton, MD, State University of New York Downstate Health Sciences University Nöroloji Bölümü ve Kings County Hospital Nöroloji Bölümü yer almaktadır.

Amerikan Nöroloji Akademisi’nin çevrimiçi dergisi Neurology® Clinical Practice’ta yayınlanan bu çalışma, AI’nın nörolojik muayene ve sağlık geçmişi metinlerini işleyerek beyin içindeki lezyon konumunu belirleme yeteneğini gösterdi.

Bunun için ekip, büyük dil modeli (LLM) GPT-4’ü kullandı. Bu üretken önceden eğitilmiş dönüştürücü, devasa miktarda veri üzerinde eğitilmiş olup, metin tabanlı sorgulara metin yanıtları üretmede “dikkate değer yetenekler” sergilemiştir.

Bu çaba, benzer bir ilk olmamakla birlikte, LLM’lerin daha önce doktorların sorduğu serbest biçimli sorulara yanıt vermede işlevselliği araştırılmıştır. Ancak, lezyon konumlandırma için geliştirilen önceki yazılımlar kapsam açısından oldukça sınırlıydı. Bu çalışmanın amacı, GPT‑4’ün klinik sunuma dayalı akut inme lezyonlarını konumlandırma yeteneğini değerlendirmek ve böylece AI’nın gelecekte nörolojide klinik bir araç olarak oynayabileceği potansiyel rolü ortaya koymaktır.

Büyük Potansiyel

Bu çalışmada araştırmacılar, inme geçirmiş 46 yayınlanmış vakanın sağlık geçmişi ve nörolojik fiziksel muayene bulgularını derledi. Bu metinsel veri daha sonra GPT-4’e aktarıldı. Sıfır‑Şut Düşünce Zinciri ve Metin Sınıflandırma istem teknikleri kullanılarak model, her hasta için üç kez tekrarlanan üç spesifik soruyu yanıtlamaya yönlendirildi: katılımcının tek ya da çoklu lezyonları olup olmadığı, lezyonların beynin hangi tarafında bulunduğu ve lezyonların beyin içinde hangi bölgede yer aldığı.

GPT‑4 sonuçlarını her katılımcının beyin taramalarıyla karşılaştırdıklarında, sonuçların beyin sapı ve beyin sapı dışı bölgeler dışındaki lezyonlar için oldukça tatmin edici olduğu, ancak beyin sapı ve omurilikteki lezyonlar için daha düşük performans gösterdiği bulundu.

GPT‑4, çoğu vaka için beyin lezyonlarının konumunu belirlemede yüksek bir doğruluk gösterdi; negatifleri doğru tanımlama oranı (%87) ve gerçek pozitifleri doğru tanımlama oranı (%74) elde etti. Model ayrıca en çok etkilenen beyin bölgelerini belirlerken %94 özgüllük ve %85 duyarlılık sağladı.

Araştırma ayrıca modelin katılımcıların lezyon sayısını %76, lezyon konumunu %83 ve ilgili beyin bölgelerini %87 oranında tutarlı bir şekilde belirlediğini ortaya koydu. Ancak, her katılımcı için üç soruya üç deneme boyunca verilen yanıtların tutarlılığı ciddi şekilde azaldı; GPT‑4 yalnızca %41 katılımcı için doğru yanıtlar verebildi.

Bu, GPT gibi üretken önceden eğitilmiş dönüştürücülerin “henüz klinikte kullanılmaya hazır olmadığını” göstermektedir. Yine de, inme sonrası lezyon konumlarını belirlemede umut vaat ediyorlar ve farklı dillerde çalışabilme yetenekleri sayesinde sağlık eşitsizliklerini azaltabilirler.

Çalışma ayrıca, özellikle telemedicine kullanımının artmasıyla birlikte, inme müdahalesi için nörolojik uzmanlığın artan önemine dikkat çekiyor. Model, daha fazla görüntüleme çalışması ya da nörolog konsültasyonu gerekip gerekmediğine dair zamanında kararlar alınmasına yardımcı olabilir.

Lee’ye göre:

“Kullanım potansiyelleri cesaret verici, özellikle çok sayıda ülkede nörolojik bakımın sınırlı olduğu hizmet dışı bölgelerde sağlık hizmetlerinin iyileştirilmesi ihtiyacının büyük olması nedeniyle.”

Dikkat çekici olarak, GPT‑4’ün doğruluğu beslediği veri kalitesine bağlıdır ve tıbbi geçmiş ve nörolojik muayene hakkında ayrıntılı bilgiler her zaman inme geçiren herkes için mevcut olmayabilir.

Çalışma, araştırmacıların tıbbi eğitim almamış veya ince ayar yapılmamış bir LLM ile çalıştıklarını vurguladı. Ayrıca, atipik vakaların raporlarının genellikle yeterli derecede ayrıntılı sağlık geçmişi ve nörolojik muayene içermediği belirtildi. Bu nedenle, yayımlanan vakalardaki yetersiz bilgi, mantık hataları veya temel bilgi tabanı eksiklikleri nedeniyle hatalar ortaya çıktı.

Dolayısıyla, lojistik, yasal, hasta güvenliği ve gizlilik, doğruluk ve tutarlılık sağlanması ve LLM’lerin klinik ortamlarda kullanılabilirliği için hastane iş akışlarıyla entegrasyonu konularında daha fazla araştırmaya ihtiyaç vardır.

2023’ün yapay zeka için bir sıçrama yılı olmasının nedenlerini öğrenmek için buraya tıklayın.

Sağlıkta LLM’lerin Artan Önemi ve Kullanımı

Çalışma büyük sonuçlar göstererek, LLM’lerin sağlık sektöründeki genişleyen rolünün bir başka örneğini sergiliyor – bu alan son zamanlarda büyük ilgi görüyor. Sonuçta, bu modeller sektörü birçok açıdan dönüştürüyor. Kullanımları keşif aşamasından pratik kullanıma doğru yavaş yavaş ilerliyor ve artık klinik araştırma ve hasta bakımını etkiliyor. Büyük veri işleme, gerçek zamanlı içgörüler sunma ve insan kalitesinde, belirli profesyonel bilgiye sahip metin üretme kapasiteleri sektörü devrim niteliğinde değiştiriyor.

İnternetten elde edilen metin, görüntü ve video gibi büyük ve karmaşık veri miktarları üzerinde eğitilen bu modeller, tıp da dahil olmak üzere çeşitli alanlarda çok yönlü uygulamalara sahiptir.

İlk olarak, Microsoft (MSFT ) destekli OpenAI, 2018’de ilk LLM’si GPT‑1’i piyasaya sürdüğünde dikkat çekmeye başladı. Geniş benimsenmesi, kamuya açık erişilebilirliği ve kullanışlılığı sayesinde gerçekleşti. Bu özellikler, modelin insan geri bildirimiyle pekiştirilmiş öğrenme (RLHF) sürecinin entegrasyonu sayesinde, önceki sürümlerine göre daha güvenilir ve insan benzeri çıktılar sağlamasına yol açtı.

ChatGPT gibi LLM tabanlı sohbet botu uygulamasının lansmanından bu yana, Meta (Llama), Google (BARD), Amazon (AMZN ) ve Salesforce destekli Anthropic (Claude) gibi birçok teknoloji şirketi kendi LLM’lerini piyasaya sürdü. Bu arada, OpenAI’nin en yeni sürümü GPT‑4, ABD Tıp Lisans Sınavı (USMLE) geçme puanını aşmak gibi gelişmiş yetenekler gösteriyor.

Bununla birlikte, ChatGPT tıbbi amaçlar için yeteneklerini gösterdi; bu yüzden LLM’leri ince ayar yaparak ve ek eğitim sağlayarak hasta bakımını iyileştirebiliriz. İnsan iletişimi kritik bir parça; GPT’nin insan benzeri yeteneği, hasta memnuniyetinde ve optimal klinik sonuçların sağlanmasında oldukça etkili olmasını sağladı.

İnsanlar için devasa veri işlemek göz korkutucu olabilse de, LLM’ler bunu çok daha kısa sürede kolayca yapabilir. Verileri düzenleyerek bu süreci hızlandırır ve onları verimli bir şekilde kullanmamıza olanak tanır. Sadece geçmiş veriler değil; LLM’ler aynı zamanda hayati belirtiler ve hasta semptomları gibi yeni, gelen verileri de sürekli analiz eder ve bu da sağlık profesyonellerinin gerçek zamanlı ve hızlı kararlar almasına büyük ölçüde yardımcı olur.

Bilimsel literatür, klinik deneyler, tedavi kılavuzları ve tıbbi kayıtlar gibi geniş veri setlerini analiz ederek, LLM’ler yeni tedavileri tanımlamaya ve etkili terapiler geliştirmeye yardımcı olarak tıbbi araştırmayı hızlandırıyor. Bu modeller aynı zamanda korelasyonlar kurabilir ve hastalıkların anlaşılmasını ilerletecek kalıpları tespit edebilir, böylece tıbbi araştırmayı hızlandırır.

Ayrıca, bu modeller sağlık profesyonellerinin doğru tanı koyma ve kişiselleştirilmiş tedavi planlaması gibi klinik kararlar almasına değerli içgörüler sağlar; bu da hasta bakımını iyileştirir. Sadece profesyonellere değil, hastalara da anlaşılır ve erişilebilir bilgiler sunarak durumlarını daha iyi anlamalarına ve sağlık yolculuklarına aktif katılım sağlamalarına yardımcı olur.

AI’nın çok yönlü bir araç olmasını sağlayan özellikleri öğrenmek için buraya tıklayın.

Sağlıkta Yeniliği Sürüklemek

Bu kadar büyük fayda ve potansiyel göz önüne alındığında, sağlıkta üretken AI pazarı 2022’de 1 milyar doların üzerindeydi ve Generative AI Tracker’a göre 2032’ye kadar 22 milyar dolara çıkması bekleniyor.

AI’nın tıbbi cihaz sektöründeki kullanımına gelince, kardiyoloji bu trendin öncüsü, 2022’de FDA tarafından onaylanan AI destekli tıbbi cihazların %57’sinin kardiyoloji alanında olmasıyla. Bu trendin gelecekte de devam etmesi bekleniyor; tıbbi cihaz şirketlerinin AI harcamalarının 2019 ile 2024 arasında %20,6 CAGR ile artması öngörülüyor.

Gelecekte, AI’nın 3D biyoyazıcılarla entegrasyonunu görerek, her hastanın özel ihtiyaçlarına göre tam fonksiyonel organların oluşturulmasını sağlayabiliriz.

Bu potansiyel, birçok ana akım kuruluşun sağlık sektörü için özel AI destekli çözümler başlatmasına yol açtı. Örneğin, Microsoft, klinisyen‑hasta konuşmalarını yakalayan, notlara dönüştüren ve Elektronik Sağlık Kayıtları’na (EHR) entegre eden Nuance Dragon Ambient eXperience (DAX) adlı özel bir çözüm sunuyor.

Google, zaten Vertex AI platformu üzerinden erişilebilen sağlık odaklı bir LLM olan MedLM’yi tanıttı. Şirket, sağlık AI modellerini en son araştırmalarıyla eğiterek AI’yı sağlık sektörüne uygulamaya devam ediyor. Model, hemşire devirlerini kolaylaştırma hem de klinisyenlerin dokümantasyonunu destekleme gibi çözümler geliştirmek için ortak kuruluşlar tarafından kullanıldı.

Geçtiğimiz ay Google, modeline yeni yetenekler ekleyerek MedLM for Chest X-rays‘ı başlattı; bu sayede radyoloji çalışma şekli değişiyor. Amaç, jeneratif AI’nın sağlık kuruluşlarına göğüs röntgenlerini çeşitli kullanım senaryoları için sınıflandırmada yardımcı olması.

Bununla da sınırlı değil. Google Research, Fitbit ile iş birliği yaparak kişisel sağlık için büyük bir dil modeli geliştirmekte; bu model, Fitbit mobil uygulamasında wellness özelliklerini güçlendirecek ve bireysel sağlık ve fitness hedeflerine göre kişiselleştirilmiş koçluk sunacak.

Amazon Web Services (AWS) da HealthScribe adlı bir çözüm sunuyor; bu çözüm, danışma konuşmalarını analiz ederek değerlendirme, mevcut hastalık öyküsü ve tedavi planı gibi bölümler için özet klinik notlar oluşturuyor. Kuruluşlar bu notları klinik uygulamalara entegre ederek hasta ziyaretlerini daha verimli bir şekilde özetleyebiliyor.

Bu yılın başlarında tıbbi teknoloji şirketi Siemens Healthineers (SHL.SW ) (SHL.DE ), Hindistan Bilim Enstitüsü (IISc) ile ortaklık kurarak AI ile Hassas Tıpta Siemens Healthineers‑Computational Data Sciences (CDS) İşbirliği Laboratuvarı’nı başlattı. Laboratuvar, nörogörüntüleme verilerindeki patolojik bulguların hassas segmentasyonunu otomatikleştiren açık kaynak AI araçları geliştirmeye odaklanıyor. Bu, nörolojik hastalıkların daha doğru teşhisi ve klinik etkilerinin analizine yardımcı olacak.

Bu, tıp sektöründeki AI trendinin sadece başlangıcı. Yapay zekanın rolünün çok daha büyük olması bekleniyor. Şu anda gerçek zamanlı, hasta‑spesifik 3D modelleri cerrahide üretmek için kullanılıyor; AI, hasta eğitimi ve katılımını dönüştürmek için etkileşimli sağlık deneyimleri sunmaya doğru evrimleşecek. Genom düzenlemede bile, AI sadece karmaşık genetik verileri analiz etmekle kalmayıp, yüksek derecede özelleştirilmiş gen düzenlemeleri için daha doğru gen‑hastalık ilişkilendirme tahminleri sağlayacak.

AI destekli sürükleyici sanal gerçeklik terapi oturumları, zihinsel sağlık tedavisinde bir başka kullanım alanı. Ayrıca, nanobotlar AI’yı kullanarak çok çeşitli tıbbi durumları erken aşamalarda tanımlayıp müdahale edebilecek.

Bununla birlikte, LLM’lerin sağlıkta uygulanması endişelerden uzak değil. Gizlilik, şeffaflık ve güvenlik gibi etik kaygılar, araştırmacıların, sağlık profesyonellerinin ve tıbbi kuruluşların dikkate alması gereken konular. Bu modeller, sorumluluk eksikliği nedeniyle yanlış bilgi yayabilir; ayrıca mevcut önyargıların yeniden üretilmesi gibi sınırlamalara da sahiptir.

Dünya genelindeki hükümetler, AI’nın yarattığı sorunları ele almak için çalışıyor. Avrupa, AI için zaten bir yasal çerçeve oluşturdu; Birleşik Krallık Sağlık ve Sosyal Bakım Bakanlığı ise AI kullanan tıbbi cihazların geliştirilmesinde kullanılan verilerin şeffaflığını artırmayı planlıyor.

AI ve nörolojinin artan sinerjisi hakkında daha fazla bilgi edinmek için buraya tıklayın.

Sonuç

LLM’ler zaten tıp sektöründe artan bir kullanım görüyor ve benimsenme ve etki açısından daha da büyümesi bekleniyor. Ancak, bu modellerin sorumlu bir şekilde kullanılması ve temel verilerin hiçbir yerleşik önyargı ve yanlış bilgi içermeden üstün kalitede olması, daha doğru sonuçlar ve daha iyi hasta sonuçları sağlamak için önemlidir.

Yapay zekaya yatırım yapmanın tüm ayrıntılarını öğrenmek için buraya tıklayın.