Galimybė akimirksniu ir tiksliai numatyti asmens sveikatos trajektoriją ateinančiais metais jau seniai laikoma medicinos viršūne. Tokia informacija turėtų didžiulį poveikį visoms sveikatos priežiūros sistemoms – tai slaugai nuo gydymo iki prevencijos.
Remiantis neseniai paskelbto dokumento išvadomis, tyrėjai žada tik tai. Naudodami pažangiausią dirbtinio intelekto (AI) technologiją, tyrėjai pastatė „Delphi-2M“. Šia priemonė siekia numatyti kitą asmens sveikatos įvykį ir kai jis greičiausiai įvyks per ateinančius 20 metų. Modelis tai daro dėl tūkstančio skirtingų ligų, įskaitant vėžį, diabetą ir širdies ligas.
Siekdama sukurti „Delphi-2M“, Europos tyrimų komanda naudojo beveik 403 000 JK biobanko žmonių duomenis kaip indėlį į AI modelį.
Paskutiniame apmokytame AI modelyje „Delphi-2M“ numatė kitą ligą, o kai ji įvyks atsižvelgiant į žmogaus lytį gimus, jų kūno masės indeksą, nesvarbu, ar jie rūkė, ar gėrė alkoholį, ir jų ankstesnių ligų tvarkaraštį.
Tai galėjo padaryti šias prognozes su 0,7 AUC (plotas po kreive). AUC agreguoja klaidingus teigiamus ir klaidingus neigiamus rodiklius, todėl jis gali būti naudojamas kaip tikslumas teorinėje aplinkoje. Tai reiškia, kad modelio prognozės gali būti aiškinamos kaip maždaug 70% tikslumas visose ligos kategorijose-nors šių prognozių tikslumas dar nebuvo patikrintas atsižvelgiant į realaus pasaulio rezultatus.
Tada tyrėjai pritaikė modelį Danijos „Biobank“ duomenims, norėdami išsiaiškinti, ar jis vis dar buvo efektyvus. Tai sugebėjo numatyti sveikatos rezultatus panašiu teoriniu tikslumu.
AI įrankiai
Straipsnio tikslas nebuvo manyti, kad „Delphi-2M“ yra pasirengęs naudoti gydytojus ar medicinos srityje. Veikiau tai turėjo parodyti komandos siūlomos AI architektūros galią ir naudą, kurią ji galėjo turėti analizuojant medicininius duomenis.
„Delphi-2M“ naudoja „transformatorių tinklą“ savo prognozėms padaryti. Tai ta pati technologijos architektūra, kuri „PowerS ChatGPT“. Tyrėjai modifikavo GPT2 transformatoriaus architektūrą, kad būtų naudojamos laiko ir ligos ypatybės, kad būtų galima numatyti, kada ir kas nutiks.
Nors praeityje kiti sveikatos prognozavimo modeliai naudojo transformatorių tinklus, jie buvo skirti tik prognozėms apie asmens riziką išsivystyti vienos ligos. Be to, jie pirmiausia buvo naudojami pagal mažesnio masto ligoninės įrašų duomenis.
Tačiau transformatorių tinklai yra ypač tinkami numatyti asmens riziką dėl daugybinių ligų. Taip yra todėl, kad jie gali lengvai pritaikyti savo dėmesį ir gali išsiaiškinti sudėtingą daugelio skirtingų ligų sąveiką nuo kelių skirtingų duomenų taškų.
Taip pat pasirodė, kad „Delphi-2M“ yra šiek tiek tikslesnis nei kiti daugialypės nustatymo prognozavimo modeliai, kuriuose naudojama skirtinga architektūra.
Pavyzdžiui, Miltonas naudojo standartinių mašininio mokymosi metodų derinį ir pritaikė juos tiems pačiiems JK „Biobank“ duomenims. Šis modelis parodė šiek tiek mažesnę prognozuojamą galią daugumai ligų, palyginti su „Delphi-2M“, ir jam reikia naudoti daugiau duomenų.
Be to, ne transformatorių modelius kitiems sunku patobulinti pridedant daugiau duomenų sluoksnių. Tai reiškia, kad šie modeliai negali būti taip lengvai pritaikyti ir patobulinti kaip „Transformerių“ modeliai, skirti naudoti skirtinguose kontekstuose ir tyrimuose.
„Delphi-2M“ modelis ypatingas yra tai, kad jis gali būti išleistas visuomenei kaip atvirojo kodo modelis nepakenkiant pacientų privatumui. Autoriai sugebėjo sukurti sintetinius duomenis, kurie imituoja JK „Biobank“ duomenis, pašalindami asmenį identifikuojančią informaciją – be reikšmingo numatomosios galios kritimo. Be to, „Delphi-2M“ mokyti reikia mažiau skaičiavimo išteklių nei tipiški AI transformatorių modeliai.
Tai leis kitiems tyrėjams išmokyti modelį nuo nulio ir galbūt pritaikyti modelį ir informaciją apie jų poreikius. Tai svarbu tobulinant atvirą mokslą ir paprastai sunku tai padaryti medicininėje aplinkoje.
Vis tiek per anksti
Nesvarbu, ar „Delphi-2M“ tampa pagrindų AI įrankių, skirtų numatyti būsimą paciento sveikatos riziką, modelį, jis parodo, kad tokie modeliai kaip šis yra pakeliui.
Dėl savo sluoksniuotos architektūros ir atvirojo kodo pobūdžio būsimi modeliai, panašūs į „Delphi-2M“, toliau tobulės įtraukdami dar turtingesnius duomenis, tokius kaip elektroniniai sveikatos įrašai, medicininiai vaizdai, nešiojamos technologijos ir vietos duomenys. Tai pagerintų jo nuspėjamąsias galias ir tikslumą laikui bėgant.
Nors galimybė užkirsti kelią ligoms ir suteikti ankstyvą diagnozę labai žada, yra keletas pagrindinių įspėjimų, kai kalbama apie šią numatomą įrankį.
Pirma, su tokiomis priemonėmis susijusi su duomenimis yra daugybė susijusių problemų. Kaip jau rašėme anksčiau, duomenų ir mokymo, kurį gauna AI įrankis, kokybė daro arba sugriauna jo prognozes.
JK „Biobank“ duomenų rinkinyje, naudojamame „Delphi-2M“ kūrimui, nebuvo pakankamai duomenų apie įvairias rases ir etnines grupes, kad būtų galima išsamiai mokyti ir atlikti veiklos analizę.
Nors „Delphi-2M“ tyrėjai atliko tam tikrą analizę, norėdami parodyti, kad pridedant etninę priklausomybę ir rasę rezultatai per daug nesukėlė, tačiau daugelyje kategorijų vis dar nebuvo pakankamai duomenų, kad būtų galima atlikti net vertinimą.
Jei kada nors bus naudojami realiame pasaulyje, asmeninės sveikatos priežiūros duomenys tikriausiai bus naudojami ir sluoksniuoti ant pamatų modelių, tokių kaip „Delphi-2M“. Nors šių asmens duomenų įtraukimas pagerins numatymo tikslumą, jis taip pat kyla su rizika, pavyzdžiui, apie asmens duomenų saugumą ir duomenų naudojimą ne kontekste.
Taip pat gali būti sunku išplėsti modelį šalims, kurių sveikatos priežiūros sistemos skiriasi nuo tų, kurios naudojamos duomenų rinkiniui suprojektuoti. Pavyzdžiui, gali būti sunkiau pritaikyti „Delphi-2M“ į JAV kontekstą, kur sveikatos priežiūros duomenys yra paplitę aplink kelias ligoninių sistemas ir privačias klinikas.
Šiuo metu „Delphi-2m“ dar per anksti naudoti pacientus ar gydytojus. Nors „Delphi-2M“ pateikė apibendrintas prognozes, pagrįstas duomenimis, kurie buvo naudojami jį mokyti, dar per anksti naudoti šias prognozes individualioms pacientams suasmenintos sveikatos rekomendacijos.
Tačiau tikiuosi, kad toliau investuojant į „Delphi-2M“ stiliaus modelių tyrimus ir kuriant ir kuriant, kada nors bus įmanoma įvesti paciento asmeninių sveikatos duomenis į modelį ir gauti suasmenintą prognozę.