A mesterséges intelligencia 3 módja forradalmasítja az egészségügyi szervezetek betegek kiszolgálását. Segíthetnek az olyan LLM-ek, mint a ChatGPT?
A gépi tanulás és a mesterséges intelligencia átalakítja az orvosi kezelést, beleértve a funkcionalitást, a diagnosztikát és egyebeket. Eközben a nagy nyelvi modellek - például a ChatGPT - még csak a kezdeti szakaszban vannak.
Az egészségügy digitalizálása régóta tart, a gyógyítás gyakorlata nyilvánvaló okokból a régebbi, gondosan átvizsgált módszerekhez kötődik.
De egyre inkább a mesterséges intelligencia különféle formáiban kúszik be a klinikára. Az alkalmazások között szerepel a prediktív analitika, az intelligens protézisek, a mobildiagnosztika és az agyimplantátumok. Ráadásul az olyan nagy nyelvi modellek (LLM) megjelenésével, mint a ChatGPT, megvizsgáljuk, hogy ez a technológia segíthet-e a mai egészségügyi ellátásban.
Bár a munka nagy része kísérleti tanulmányok formájában zajlik, egyértelmű, hogy a mesterséges intelligencia jelentős szerepet fog játszani az egészségügyi ellátás kialakításában az elkövetkező évtizedekben.
"A mélyreható tanulási mesterséges intelligencia végre túljutott ezen a folyamaton, amikor a technikai infrastruktúra kiépült, és a képzéshez rendelkezésre állnak az adatok, évekig tartó kemény munka után" - mondta Jeremy Howard, a Fast AI kutatási és oktatási startup társalapítója. .ai, és alapítója az első cégnek, amely a mélytanulást az orvostudományban alkalmazta, az Enliticet.
Mindezek után az erőfeszítések után: "Sokkal többet kell látnia az elkövetkező években", vagyis az orvostudományban alkalmazott mesterséges intelligencia - mondta Howard a ZDNET-nek adott interjújában.
Jelenleg a mesterséges intelligencia orvostudományban történő alkalmazásának legkorszerűbb módja kis léptékű tanulmányokból áll, amelyek a mesterséges intelligencia különféle jól bevált gépi tanulási formáit alkalmazzák. Ezek a programok évtizedek óta beváltak. Végre beviszik őket a klinikára, és különféle adatokra alkalmazzák őket, a valós idejű agytevékenység-leolvasásoktól az elektronikus egészségügyi nyilvántartásokig.
A gépi tanulási mesterséges intelligencia újabb típusai, például az OpenAI ChatGPT-je még mindig távol áll. Ez a technológia kap minden figyelmet, de túl új ahhoz, hogy megbízható legyen a klinika érzékeny területén.
A gépi tanulás használata már most is átalakuló volt a résztvevő betegek számára. Gert-Jan Oskam, a 40 éves kerékpárbaleset áldozata egy új agy-számítógép interfészt kapott, amely lehetővé tette számára, hogy újra álljon és járjon. Azt mondta a tekintélyes Nature folyóiratnak, hogy az eszköz "megváltoztatja az életet".
"A múlt héten volt valami, amit le kellett festeni, és senki sem segített nekem" - mondta Oskam. - Szóval, fogtam a járdát és a festéket, és magam csináltam, miközben álltam.
1. Működés visszaállítása mesterséges intelligencia segítségével
A mesterséges intelligencia legdrámaibb korai győzelmei közé tartozik az egészségügyben a még mindig csekély számban elért sikerek, amelyek különféle protézisekkel történtek a súlyos sérüléseket szenvedett egyének funkcionalitásának helyreállítására.
Lépjen félre, Elon Musk: a legendás „agy-számítógép interfész” vagy BCI, amelyet Musk elmondása szerint klinikai vizsgálatokba fog vetni, a Stanford csapata már elérte a MI gondosan kifejlesztett gépi tanulási formáinak alkalmazásának lenyűgöző példáját.
Az Elon Musk által reklámozott mesés "agy-számítógép interfész" már valóság. A svájci kutatók "digitális hidat" hoztak létre az agy mozgási régiói és a gerinc "lumbosacral" régiója között, amely a szándékot az izmok stimulálására fordítja, hogy a lábakat természetes módon mozgassák.
A Stanford gépészmérnöki részlegének kutatói által kifejlesztett "digitális híd" érzékelők és vezeték nélküli technológia segítségével irányítja az agyi jeleket a gerinckárosodás körül. Az eszköz visszaállítja a járást Oskam számára, aki egy évtizeddel ezelőtti kerékpárbalesetben szenvedett gerincvelő-sérülése után szinte nem tudott járni.
Henri Lorach kutatók és csapata májusban a Nature-ben leírta, hogyan ültettek be "agy-gerincvelő interfészt" Oskamba. A gerincvelő öt hónapos epidurális elektromos stimulációját követően korlátozott mértékben használta a lábát, és képes volt megtenni néhány lépést egy gyalogló segítségével.
Lorach és csapata két, egyenként 64 elektródából álló eszközt ültetett be az agy bármelyik féltekéjének azon részeire, amelyekről ismert, hogy szabályozzák a mozgást. Ezek az érzékelők elektrokortikográfnak vagy ECoG-nak nevezett jeleket gyűjtöttek, amelyek a mozgási szándékhoz kapcsolódnak. Az ECoG-jeleket vezeték nélkül vették fel a páciens által viselt 3D-nyomtatott fejhallgatón keresztül, amely USB-kábellel egy hátizsákban hordott "bázisállomás" számítógéphez van csatlakoztatva.
A hátizsákos számítógép az EKoG-mintákat parancsokká dekódolja, amelyeket ezután vezeték nélkül elküld egy harmadik eszközre, amelyet a gerinc "lumbosacralis" régiójába ültetnek be - gondoljunk csak a hát alsó részére és a farokcsontra. Az úgynevezett "impulzusgenerátor" a parancsokat elektromos stimulációvá alakítja, amely "bekapcsolja a tervezett mozgásokat közvetítő izmokat".
Az eredmény az, hogy a páciens képes volt "visszanyerni az intuitív kontrollt lábai mozgása felett, így képes volt állni, járni, lépcsőzni, sőt bonyolult terepen is áthaladni" - számolt be Lorach és csapata. A riportot kísérő videókon a beteg ülő helyzetből felállva és sétálva látható, jelen esetben a bázisállomási számítógépet hátizsák helyett gyalogjáróra állítva.
Fontos megérteni, hogy ez nem csak az agyérzékelő implantátumok kérdése. A gépi tanulási algoritmusok, amelyeket Lorach és csapata úttörőként dolgozott ki a mozgási szándék agyi jeleinek értelmezésére, kulcsfontosságú elemek.
Az "online adaptív felügyelt tanulási algoritmusként" ismert megközelítést alkalmazva a program úgy hangolódik, hogy a páciens ismételten megpróbálja mozgatni először a képernyőn látható avatar végtagjait, majd egy külső csontvázat.
A szoftver a gépi tanulás tudományának több szálát ötvözi, beleértve a „szakértők keverékét”, ahol különböző parancsok vezérlik a különböző végtagokat, majd az úgynevezett „Rejtett Markov-modell”, egyfajta évtizedek óta használatos algoritmus. A mozgási szándék kiszámítása valós időben történik, ahogy a páciens mozog. Az algoritmusról további részletek a csapat 2022-től megjelent korábbi közleményében találhatók.
A tudósok számos más módot is találnak arra, hogyan gyűjtsenek jeleket az agyból, és gépi tanulással dekódolják azokat a működőképesség helyreállítása érdekében.
A múlt hónapban Sean Metzger kutatók és a San Francisco-i Kaliforniai Egyetem Neurológiai Sebészeti Osztályának csapata a Nature-ben ismertetett egy beszéddekódolót, amely egy 47 éves stroke-áldozat hangját generálta, akit csaknem húsz évvel korábban elnémítottak.
Az úgynevezett multimodális beszéddekóder egy beültetett ECoG-detektort is használt a „szándékolt mondatok” dekódolására az agy szenzomotoros kéregének területein lévő jelekből. Ez a terület felelős "az ajkak, a nyelv és az állkapocs megkísérelt mozgásáért". A jeleket a kutatók "hangtraktus-reprezentációk"-ként dekódolják, amelyeket azután többféle kimenetté alakítanak: szöveg a képernyőn, kimondott szavak generált hangja, és beszéd avatar mozdulatai.
Az úgynevezett multimodális beszéddekóder egy beültetett ECoG detektort is használt az agy szenzomotoros kéregének területein lévő jelekből a "szándékolt mondatok" dekódolására, egy jól bevált típusú gépi tanulási algoritmus, a "kétirányú visszatérő neurális hálózat" vagy "RNN", egy program, amelyet régóta használtak idősoros adatok modellezésére.
A kulcs ismét nem csak az érzékelőkben rejlik, hanem a gépi tanulási algoritmusokban is. A hangpályás kísérletek ECoG-jéből származó jeleket egy másik jól bevált típusú gépi tanulási algoritmusba táplálták be, amelyet "kétirányú visszatérő neurális hálózatnak" vagy "RNN-nek" neveznek, egy program, amelyet régóta használnak idősoros adatok, adatok modellezésére. amely ugyanazokat a változókat méri különböző időpontokban, hogy felismerje a trendeket. Az RNN-t először úgy hangolták, hogy előre jelezze a páciens által beszélni próbált több előrevetített mondatot (amelyeket a páciensnek a képernyőn mutattak meg) - ez az agyi aktivitás és a kimenet meghatározott készletének korrelációs formája.
Két hét ilyen képzés után azonban az RNN spontán szövegkimenetet produkált a páciens által kimondani kívánt, felszólítás nélküli mondatokból. A program percenként akár 78 szót is képes volt generálni. Ez többször gyorsabb volt, mint az a percenkénti 14 szó, amelyet a páciens a meglévő segédeszközével, egy fejkövető berendezéssel tudott előállítani, ahol a páciensnek bólogatnia kellett a szavakra a képernyőn, hasonlóan ahhoz, amit Steven Hawking néhai fizikus használt. .
Hasonlóképpen, az RNN-t arra tudták betanítani, hogy az ECoG-t úgy értelmezze, hogy megfeleljen egy hullámformának, amely aztán egy vokódert vezérelve beszédet generál. Miután két hétig hangolták a rendszert a pácienssel, az általuk kifejlesztett „beszéd-neuroprotézis rendszer” olyan lenyűgöző eredményeket mutatott, hogy „úgy gondoljuk... ezek az eredmények meghaladták a teljesítmény, az általánosíthatóság és a kifejezőképesség egy fontos küszöbét, hamarosan gyakorlati előnyökkel járhat a beszédzavarban szenvedők számára" - írja Metzger és csapata.
2. Az AI hordozhatóvá teheti az orvosi diagnosztikát
Az orvosi diagnosztika egyik fő buktatója, hogy a betegeknek el kell menniük egy egészségügyi intézménybe, ahol óriási berendezések és képzett szakemberek által manuálisan megvizsgált adatok segítségével végezhetők el a vizsgálatok. Néhány új diagnosztikai kísérlet azonban a mesterséges intelligencia gépi tanulási formáit használja, hogy kivonja az ügyet a klinikából.
Végezzen alvásvizsgálatokat, amelyek általában hét órás tartózkodást foglalnak magukban egy létesítményben, elektródákra csatlakoztatva, és a személyzet egész éjszaka figyelemmel kíséri. Meg lehetne csinálni inkább otthon, telefonnal és pár felragasztható tapasszal?
A georgiai Atlantában található Georgia Institute of Technology csapata beágyazott rugalmas áramkörrel ellátott szilikonból készült vezeték nélküli alvásfoltokat dolgozott ki, amint arról a közelmúltban beszámolt a tekintélyes Science folyóirat. A javítások gépi tanulást használnak az alvási adatok mérésére, ahelyett, hogy élő technikus figyelné a pácienst éjszaka.
A tapaszokat a páciens otthon is felerősítheti az arcra, egyet a homlokra, egyet az állára. Adatokat gyűjtenek elektroencefalogramokhoz (EEG) és elektrookulogramokhoz (EOG), amelyek kétféle mérési módszer az alvási apnoe kimutatására. A tapaszok napokig használhatók, ellentétben az alvásklinikán használt gél alapú elektródákkal.
A javítások Bluetooth-on keresztül továbbítják az EEG- és EOG-adatokat az ágy melletti mobileszközre, a mobileszköz pedig az úgynevezett „konvolúciós neurális hálózatot” vagy „CNN-t”, a gépi tanulás igáslóját használja. A CNN segítségével az aktivitás spektrumaként ábrázolt adatok elemezhetők az alvási apnoe kimutatására.
Az otthoni alvásvizsgálathoz használt szilikon arctapaszok rugalmas áramköröket tartalmaznak, így alvás közben is viselhetők. Vezeték nélkül csatlakoznak egy mobileszközhöz adatgyűjtés és -elemzés céljából.
Shinjae Kwon vezető szerző és csapata nyolc alanyon végzett kísérletek során azt találta, hogy "a rendszer teljesítménye nagy, 88,52%-os pontosságot mutat" az obstruktív alvási apnoe kimutatásában. Ezenkívül az otthoni foltok és a CNN kimutatása "nagy egyetértést" mutatott a "poliszomnográfia" néven ismert, arany standard klinikai alvásvizsgálatok 82,4%-os kimutatásával.
Kwon és csapata arra számít, hogy nagyszabású vizsgálatot fognak végezni a rendszerről, és kiterjesztik az érzékelők képességeit az alvási apnoe egyéb mutatóinak kimutatására, beleértve a vér oxigéntelítettségét, szén-dioxidot és mozgásokat.
Tekintettel arra, hogy a mobileszköz válogatja és szűri a CNN-adatokat, Kwok és csapata erőfeszítései egy sokkal nagyobb trendre mutatnak rá: az adatok terepen történő gyűjtése és elemzése mesterséges intelligencia segítségével egy mobileszközön. A képzett technikusok által általában manuálisan végzett mérés automatizálásával egyes diagnózisok kiterjeszthetők a klinika falain kívülre.
A Stanford Egyetem Chayakrit Krittanawong vezette csapatának 2021-es tanulmánya több mint egy tucat példát sorolt fel a fogyasztói szintű viselhető egészségügyi szívmonitorozásra az Apple Watch EKG-monitorozása mellett. Ide tartoznak az izraeli OrCam Technologies szemüvegei és a MEGAComfort cipőbetétei.
Ezek a hordható eszközök "biojeleket" állítanak elő, amelyeket a csapat "fiziológiai jelekként határoz meg, amelyek folyamatosan mérhetők és monitorozhatók, hogy információt nyújtsanak az elektromos, kémiai és mechanikai aktivitásról". A gépi tanulás jó jelölt az adatok összesítésére, elemzésére és értelmezésére.
Krittanawong és csapata 100 alanyon végzett kisléptékű tanulmányokat ismertet, amelyekben hordható tapaszt használtak az alany mellkasán viselt eldobható érzékelőkkel. Az eldobható elemmel működő érzékelő számos adatot észlelt az alany bőréről, beleértve az elektrokardiogram hullámformáit, a bőr hőmérsékletét és az alany testtartását. Az összes adatot folyamatosan streamelték Bluetooth vezeték nélkül egy mobiltelefonra, majd feltöltötték a felhőbe a gépi tanulás segítségével történő elemzés céljából.
A tapaszokat a beültethető szívfigyelő eszközök alternatívájaként használták, hogy előre jelezzék a szívelégtelenség miatti kórházi kezelés kockázatát. A felhőelemzéssel a javítások és a mobileszközök a hagyományos orvosi minőségű beültethető monitorokhoz hasonló érzékenységgel és specifitással teljesítettek.
3. Jobb prediktív elemzés a betegbiztonság érdekében
Az AI jelenlegi klinikai környezetben legszélesebb körben elterjedt alkalmazásai közé tartozik a prediktív algoritmusok használata - olyan programok, amelyek képesek például előre jelezni a páciens kórházi újrafelvételének esélyét. Gyakran használják az elektronikus egészségügyi nyilvántartásokból (EHR) származó adatokat, mivel az ilyen nyilvántartások hatalmas mennyiségű adat könnyen elérhető tárházát képezik.
A Utah Egyetem Orvostudományi Karának idei tanulmánya az EHR-adatok alapján megállapította, hogy "az AI széles körben alkalmazzák a jelenlegi klinikai műveletekben" David Classen vezető szerző és csapata szerint.
Ezeknek a prediktív eszközöknek azonban megkérdőjelezhető pontossága volt. A Michigani Egyetem Orvostudományi Karának 2021-es tanulmánya a szepszis kezelésére szolgáló Epic szoftverrel kapcsolatban rendkívül alacsony pontosságot talált az eszköz szepszis előrejelzésében, ami kétségeket ébreszt a gyakorlatban való hasznosságával kapcsolatban.
Ez azt sugallja, hogy a kutatóknak jobb módszerekre van szükségük ahhoz, hogy kikövetkezzék, mit mond nekik az EHR az összes adat alapján.
A prediktív analitika élvonalbeli példájaként a Stanford Egyetem Orvostudományi Karának tudósai 22 104 pár anya és újszülöttük EHR-jeit gyűjtötték össze, összekapcsolták a feljegyzéseket, és arra jutottak, hogy a koraszülöttek halálozási arányának előrejelzése jobb. , az 5 év alatti gyermekek vezető halálozási oka.
Davide de Francesco és csapata februárban a Science Translational Medicine-ben publikált munkája az anya egészségügyi nyilvántartásában szereplő jellemzőket használta az újszülöttkori kimenetel előrejelzésére. A fő cél az, hogy pontosabb képet kapjunk a csecsemőhalandóságról, mint a maroknyi jellemzően használt jellemző, az úgynevezett „megjelenés, pulzus, grimasz, aktivitás és légzés” vagy Apgar pontszám a születéskor/szüléskor.
Ehelyett a kutatók több adatpontot tápláltak be az anya többszöri látogatásaiból a szülés előtt egy másik, időben tesztelt típusú gépi tanulási algoritmusba, amelyet "hosszú rövid távú memóriának" vagy "LSTM-nek" neveztek, és amelyet az RNN-ekhez hasonlóan használnak. együtt idősoros adatokat. Az LSTM-et arra képezték ki, hogy összefüggésbe hozza az olyan dolgok kódjait, mint az anyai eljárások, gyógyszerek és a születést megelőző megfigyelések a csecsemő újszülöttkori kórlapjában szereplő állapotokkal, mint például a hipotenzió vagy a szepszis.
A szerzők azt találták, hogy a hagyományos kockázatértékeléshez képest jelentősen megnőtt a csecsemő jelentett kimenetelének előrejelzési képessége.
Pontosabban, az LSTM program általánosíthat bizonyos anyai állapotok fokozott kockázatát. „Az újszülöttkori kimenetelekkel erősen összefüggő kódok között szerepelt […] opioid-függőség remisszióban, magzati-anyai vérzés, különféle veleszületett szívbetegségek” - írják.
Sőt, olyan dolgokat is állíthatnak, amelyek megvédik a koraszülöttet a születést követő hetekben és hónapokban.
"Az újszülöttkori kimenetelekkel szembeni védő összefüggésre utaló figyelemre méltó laboratóriumi mérések közé tartozik a szérumalbumin, a szérumfehérje, a vérlemezkék, a bazofilek, a limfociták és az eozinofilek" - írják. "Ezek az adatok azt sugallják, hogy kölcsönhatás van a szülés előtti egy héttel az anyai immunrendszer és a magzat relatív egészségi állapota között, amely az újszülöttkori időszakra és azon túl is terjed."
A Stanford-i munka azt sugallja, hogy amint a kifinomultabb mély tanulási modellek átveszik a hatalmat a viszonylag primitív prediktív rendszerek közül, sokkal több információ hever ott, és várja a visszafejtést.
Nagy nyelvi modellek (LLM) az egészségügyben?
A fent tárgyalt gépi tanulási mesterséges intelligencia módszerek - RNN-ek, CNN-ek, LSTM-ek és Rejtett Markov-modellek - mind meglehetősen jól bevált mesterséges intelligencia megközelítések, amelyek évtizedek óta léteznek. Az újdonság az, hogy most új, magasabb szintű kifinomultsággal és új adatokkal kerülnek bevezetésre.
De mi a helyzet a mélytanulás igazán új algoritmusaival, a divatos „generatív mesterséges intelligenciával”, mint például az OpenAI ChatGPT?
A generatív mesterséges intelligencia nagyon-nagyon korai napjai az orvostudományban és az egészségügyben. A nagy nyelvi modellek formájában megjelenő mesterséges intelligencia csak fokozatosan lép be a kísérleti tanulmányok területére, és visszatartják az olyan dolgokkal kapcsolatos aggodalmak, mint a nyelvi modellek „hallucinációi”, vagyis a hamis információk állítására való hajlam.
Valójában a Weill Cornell Medicine augusztusi tanulmánya arról számolt be, hogy „az LLM-ek hajlamosak lehetnek tényszerűen ellentmondó összefoglalók készítésére és túlságosan meggyőző vagy bizonytalan kijelentésekre, ami félretájékoztatásból adódó esetleges károkhoz vezethet”.
A ChatGPT megalkotója, az OpenAI valójában azt mondta a Nature Medicine folyóiratnak, hogy „modelleit nem szabad orvosi diagnosztikára, osztályozásra vagy életveszélyes problémák kezelésére használni”.
A generatív mesterséges intelligencia kockázatai és etikai kérdései számos szabályozási akadályt jelentenek.
Júliusban Meskó Bertalan, a Magyar Orvosi Futurista Intézet és Eric Topol, a Scripps Research Translational Institute kutatói írt egy áttekintő írást, amelyben megállapították, hogy „az LLM-ek óriási ígéretet jelentenek az egészségügy jövője szempontjából, de használatuk kockázatokkal és kockázatokkal is jár. etikai kihívások."
Meskó és Topol azt jósolja, hogy a szabályozók "új szabályozási kategóriát hoznak létre az LLM-ek számára, mivel ezek határozottan különböznek az AI-alapú orvosi technológiáktól, amelyek már átmentek a szabályozáson".
"Minden bizonnyal rendkívül hasznosnak tűnik" - mondja Jeremy Howard, a generatív mesterségesintelligencia munkatársa -, "de nagyon nehéz olyan szigorúan bevezetni, amely illeszkedik az amerikai orvosi rendszer jelenlegi korlátaihoz és folyamataihoz."
Howard azt jósolja, hogy a hiányosságok ellenére a generatív mesterséges intelligencia értékes lehet az orvosi készségek hiányának pótlásában.
"A világ lakosságának nagy része közel sem jut elegendő orvoshoz" - mondta. "Lehet, hogy ez a következő lehet: Szeretne egy közösségi egészségügyi dolgozót, aki hat hónapos képzéssel rendelkezik ennek az AI-rendszernek a hatékony használatában, szemben a semmivel?"