Brit kutatók olyan orvosi mesterséges intelligenciát fejlesztettek, amely a ChatGPT-hez hasonló technológiával képes előre jelezni, milyen betegségek fenyegetnek valakit a következő évtizedekben. A Delphi-2M nevű orvosi MI rendszer 402 ezer ember egészségügyi adatain tanult, és több mint ezer különböző betegség kockázatát tudja megbecsülni egyidejűleg.
Ez az első olyan modell, amely nem csak egyetlen betegséget próbál előre jelezni, hanem az egészséges emberi testműködés teljes spektrumát képes kezelni egyszerre. Míg korábban külön-külön modelleket kellett fejleszteni a szívbetegségekre, rákra vagy cukorbetegségre, addig a Delphi-2M egyetlen rendszerben látja át ezeket, és még azt is figyelembe veszi, hogy a betegségek hogyan hatnak egymásra.
A kutatók a Nature folyóiratban publikálták eredményeiket, amelyben részletesen bemutatják, hogyan alkalmazták a nagy nyelvi modellek mögött álló transformer architektúrát az egészségügyi adatok elemzésére.
Logikailag hasonlóan az ismert ChatGPT és társai tanulási módszerében, a GPT transformer a szavak sorrendjéből tanulja meg a nyelvi „mondanivalóját”, a Delphi-2M a betegségek időbeli egymásutánjából tanulja meg az emberi egészséges működéshez szükséges élettani, genetikai jellemzők logikáját.
Számos betegség esetén a Delphi-2M orvosi MI hasonló vagy jobb eredményeket produkált, mint a jelenleg használt klinikai kockázatbecslő rendszerek. Kardiovaszkuláris betegségek és demencia esetén a hagyományos módszerekkel egyenértékű, halálozás előrejelzésében pedig felülmúlta azokat. Cukorbetegség esetén viszont rosszabbul teljesített, mint egy egyszerű HbA1c vércukorszint mérés, ami jelzi, hogy bizonyos területeken a laboreredmények továbbra is nélkülözhetetlenek.
Nem minden tejlfel…
A 80 év feletti korosztályra vonatkozó előrejelzéseket a kutatók megbízhatatlannak tartják, mert kevés követési adat áll rendelkezésre ebben a korcsoportban. A modell megtanulta továbbá, hogy különböző etnikai hátterű és szocioökonómiai helyzetű embercsoportokban eltérő a betegséggyakoriság, de ezek az összefüggések nem feltétlenül okozati kapcsolatok – gyakran az egészségügyi ellátáshoz való hozzáférés különbségeire utalnak.
A modell képes feltárni, hogyan hatnak egymásra a betegségek életünk folyamán.
Kiderült például, hogy a rákos megbetegedések tartósan, akár éveken át növelik a halálozási kockázatot, míg egy szívinfarktus vagy szepszis hatása körülbelül 5 éven belül elhalványul. A mentális egészségügyi problémák hajlamosak tartós betegségklasztereket alkotni.
A Delphi-2M képes teljes egészségügyi életutakat szimulálni
A kutatók 63 ezer ember adatait elemezték 60 éves korig, majd a modellel generálták le a 70-75 év közötti időszakot. Az eredmény meglepően pontos volt: a szimulált adatok populációs szinten szinte tökéletesen visszaadták a valóságban megfigyelt betegséggyakoriságokat.
Ez a képesség gyakorlati szempontból rendkívül értékes lehet. Egyrészt lehetővé teszi, hogy egészségügyi tervezők előre lássák, mekkora terhelés várható bizonyos betegségek esetén egy adott régióban vagy korosztályban. Másrészt olyan szintetikus adatokat lehet generálni, amelyeken további MI modellek fejleszthetők anélkül, hogy valódi betegadatokat kellene felhasználni.
Mindezekkel együtt, a korlátain belül, a modell kiválóan teljesít
A GPT-2 mögött álló technológiát úgy alakították át, hogy az egészségügyi adatokra is működjön. Három fő változtatást vezettek be: először a szövegben használt pozíciókövetés helyett az életkor folyamatos követését oldották meg. Másodszor a rendszer nemcsak azt jósolja meg, hogy mi lesz a következő esemény, hanem azt is, hogy mikor. Harmadszor biztosították, hogy a modell csak a múltbeli adatokat nézze, a jövőbe ne lásson bele véletlenül sem.
Jelenleg a rendszer csak a diagnózisokat, életkort, nemet, testtömeget, dohányzási és ivási szokásokat használja. A technológia azonban könnyen kibővíthető gyógyszerekkel, vérvizsgálatokkal, genetikai adatokkal, képalkotó vizsgálatokkal vagy akár okosórák mérési eredményeivel is.
A szerzők azt is elképzelhetőnek tartják, hogy a jövőben az orvosi MI beépül a ChatGPT-szerű rendszerekbe. Ahogy ma a ChatGPT internetről keres információt a pontosabb válaszokhoz, úgy hívhatna meg egy egészségügyi modellt is, amikor betegségkockázatokról kérdezzük.
A kutatók három fő alkalmazási területet tartanak alkalmazhatónak.
- Az első az orvosi döntéstámogatás, ahol azonosítani lehetne azokat a személyeket, akik a legnagyobb hasznot húznák bizonyos vizsgálatokból, vagy akiket életkor-alapú kritériumok nélkül is érdemes lenne szűrőprogramokba bevonni.
- A második az egészségügyi tervezés: aggregált szinten a modellek előre jelezhetik a várható betegségterhelést helyi, regionális vagy nemzeti szinten, segítve az egészségügyi kapacitások megfelelő elosztását.
- A harmadik a kutatás: szintetikus egészségügyi adatok generálásával olyan MI modellek fejleszthetők, amelyek soha nem láttak valódi betegadatokat.
A klinikai alkalmazáshoz azonban még szabályozási keretrendszerre van szükség, amely az orvosi MI területén még kialakulóban van. A Delphi-2M jelenlegi formájában inkább az egészségügyi rendszer szintű modellezésben lehetne azonnal alkalmazni, mintsem közvetlen betegellátásban.
