5 Minutės
Dirbtinio intelekto modelis prognozuoja tūkstančius diagnozių metais prieš jų atsiradimą
Mokslininkai iš institucijų Jungtinėje Karalystėje, Danijoje, Vokietijoje ir Šveicarijoje pranešė apie dirbtinio intelekto modelio, galinčio prognozuoti daugiau nei 1 000 medicininių būklių rodiklius metais į priekį, sukūrimą. Sistema, pavadinta Delphi-2M, remiasi transformerių pagrindu veikiančia neuroninių tinklų technologija — ta pačia aukšto lygio architektūra, kuri naudojama vartotojams skirtuose pokalbių robotuose, tokiuose kaip ChatGPT — ir buvo aprašyta straipsnyje žurnale Nature.
Delphi-2M buvo apmokytas daugiausia naudojant ilgesnio laikotarpio sveikatos įrašus iš UK Biobank, didelio biomedicinos tyrimų šaltinio, kuriame yra išsami sveikatos, genetinė ir gyvenimo būdo informacija apie maždaug 500 000 dalyvių. Tyrėjų komanda toliau vertino modelio našumą, patvirtindama jį beveik dviem milijonams pacientų įrašų iš Danijos nacionalinės sveikatos duomenų bazės, taip parodydama daugelių prognozavimo signalų tarpvalstybinį atkuriamumą.
Kaip modelis veikia ir mokslinis kontekstas
Transformerių modeliai labiausiai žinomi už gebėjimą apdoroti kalbos sekas, kur jie mokosi žodžių modelių ir ryšių tarp jų. Tyrėjai tą patį sekų mokymosi gebėjimą taikė klinikiniams laikotarpiams: kiekviena diagnozė, tyrimo rezultatas ar medicininis kodas paciento istorijoje tampa tvarkingu žetonu, iš kurio modelis gali mokytis. Kaip straipsnyje ir viešuose komentaruose paaiškino Moritz Gerstung iš Vokietijos vėžio tyrimų centro, diagnozių sekų supratymas yra „šiek tiek panašus į gramatikos mokymąsi tekste“ — modelis identifikuoja, kurie įvykiai dažnai ankstesni nei kiti ir kurios kombinacijos signalizuoja padidėjusią ateities riziką.
Komanda praneša, kad Delphi-2M gali nustatyti asmenis, kuriems rizika patirti tokius įvykius kaip širdies priepuolis yra gerokai didesnė arba mažesnė nei prognozuoja įprasti rizikos skaičiuotuvai. Skirtingai nei vienos ligos įrankiai (pavyzdžiui, QRISK3, naudojamas pirminėje sveikatos priežiūroje širdies ir kraujagyslių rizikai įvertinti), Delphi-2M siekia pateikti daugialypę, ilgalaikę prognozę: tūkstančius būklių vienu metu, metais, o ne mėnesiais.
Modelis taip pat naudoja plačią įvesties duomenų įvairovę, gaunamą iš klinikinių istorijų, laboratorinių tyrimų ir koduotų diagnozių. „Delphi-2M mokosi modelių sveikatos priežiūros duomenyse, kokios diagnozės jį lydi, kokiose kombinacijose jos atsiranda ir kokia yra jų seka,“ rašė autoriai, leidžiantys tai, ką jie vadina „sveikatai svarbiomis prognozėmis“.
Patvirtinimas, apribojimai ir etinės svarstyklės
Nors ankstyvieji rezultatai yra daug žadantys, autoriai ir išoriniai recenzentai pabrėžia, kad Delphi-2M dar nėra pasiruošęs klinikiniam taikymui. Patvirtinimas naudojant dvi dideles duomenų bazes sustiprina pasitikėjimą modelio prognoziniais signalais, tačiau abi duomenų bazės turi žinomų šališkumų dėl amžiaus pasiskirstymo, etninės atstovybės ir vietinių sveikatos priežiūros praktikų. Peter Bannister, sveikatos technologijų tyrėjas ir Jungtinės Karalystės Inžinerijos ir technologijų instituto narys, atkreipė dėmesį į šiuos apribojimus ir pabrėžė atstumą tarp tyrimo prototipo ir patobulintos kasdienės priežiūros.
Bendrautorius Tom Fitzgerald iš Europos molekulinės biologijos laboratorijos akcentavo sistemos lygio pranašumus, siūlydamas, kad tokio tipo prognozuojantys modeliai galėtų padėti optimizuoti išteklių paskirstymą įtemptose sveikatos tarnybose. Bendrautorius Ewan Birney palygino Delphi-2M su esamais klinikiniais rizikos įrankiais, nurodydamas jo ligų-agnostišką, daugelio metų aprėptį: „Jis gali apimti visas ligas tuo pačiu metu ir per ilgą laikotarpį.“
Gustavo Sudre, medicininio DI specialistas King’s College Londone, apibūdino darbą kaip „reikšmingą žingsnį link mastelinių, interpretuojamų ir — svarbiausia — etiškai atsakingų prognozavimo modelių.“ Interpretacija išlieka pagrindiniu mokslinių tyrimų tikslu, kadangi dauguma didelių modelių vis dar demonstruoja vidinį elgesį, kurį žmogaus ekspertams sunku visiškai paaiškinti.
Galimos taikymo sritys ir tolesni žingsniai
Jeigu modeliai, tokie kaip Delphi-2M, bus toliau patvirtinti ir integruoti į priežiūros procesus, jie galėtų paveikti prevencinę mediciną, pažymėdami pacientus, kuriems reikėtų artimesnio stebėjimo, gyvenimo būdo intervencijų arba ankstyvesnių diagnostinių tyrimų. Sveikatos sistemos galėtų naudoti agreguotas prognozes personalo planavimui, diagnostikos pajėgumų planavimui ir tikslingoms visuomenės sveikatos iniciatyvoms. Tačiau prieš diegiant reikės tvirto išorinio patvirtinimo, prospektyvinių klinikinių tyrimų, sąžiningumo vertinimų skirtingų populiacijų atžvilgiu ir aiškių reguliavimo aplinkybių.
Susijusios technologijos
Šie tyrimai persidengia su platesnėmis medicininio DI naujovėmis: elektroninių sveikatos įrašų fenotipavimu, federuoto mokymosi metodais, leidžiančiais treniruotis daugelyje vietų be žaliųjų duomenų dalijimosi, ir aiškiai interpretuojamais DI įrankiais, kurie parodo, kokie požymiai lemia atskirų asmenų rizikos prognozes.
Eksperto įžvalga
Dr. Anna Reyes, biomedicinos duomenų mokslininkė ir mokslo komunikatorė, komentuoja: „Delphi-2M demonstruoja, kaip sekų modeliai gali išgauti kliniškai reikšmingus signalus iš sudėtingų paciento laikotarpių. Tikras iššūkis bus šiuos signalus paversti veiksmingomis, teisingomis intervencijomis. Tam reikalingi kruopštūs prospektyvūs tyrimai ir bendradarbiavimas tarp klinikų, duomenų mokslininkų ir etikų, kad būtų išvengta esamų sveikatos skirtumų stiprinimo.“
Išvada
Delphi-2M žymi reikšmingą pažangą prognozuojamojoje medicinoje: transformerių pagrindu veikiantis DI, gebantis įvertinti riziką daugiau nei 1 000 ligų metais į priekį, mokantis modelių paciento istorijose. Ankstyvas patvirtinimas UK ir Danijos duomenų rinkiniuose rodo potencialą, tačiau autoriai ir išoriniai ekspertai įspėja, kad šališki duomenys, aiškinamumo iššūkiai ir būtinybė atlikti prospektyvinius klinikinius tyrimus reiškia, jog technologija dar nėra pasirengusi kasdienei naudojimo praktikai. Jeigu šie iššūkiai bus sprendžiami, ligų-agnostiškos prognozavimo priemonės galėtų tapti prevencinės priežiūros ir sveikatos sistemos planavimo dalimi, papildančia — bet ne pakeičiančia — klinikinį sprendimų priėmimą.
Šaltinis: sciencealert
Komentarai