6 دقیقه
مدل هوش مصنوعی هزاران تشخیص را سال‌ها پیشبینی میکند
دانشمندان از مؤسساتی در بریتانیا، دانمارک، آلمان و سوئیس گزارش داده‌اند که یک مدل هوش مصنوعی توسعه داده‌اند که میتواند نرخ بیش از ۱۰۰۰ وضعیت پزشکی را سال‌ها پیش پیشبینی کند. این سامانه که Delphi-2M نام دارد، بر پایه فناوری شبکه‌های عصبی مبتنی بر ترنسفورمر ساخته شده — همان معماری سطح‌بالایی که در چت‌بات‌های مصرفی مانند ChatGPT بهکار می‌رود — و در مقاله‌ای در نشریه Nature توصیف شده است.
Delphi-2M عمدتاً با سوابق طولی سلامت از UK Biobank آموزش دیده است، منبع بزرگی از دادههای زیست‌پزشکی که اطلاعات دقیق سلامت، ژنتیک و سبک زندگی تقریباً ۵۰۰٬۰۰۰ شرکت‌کننده را در بر دارد. تیم پژوهشی عملکرد مدل را بیشتر با اعتبارسنجی روی تقریباً دو میلیون پرونده بیمار از پایگاه داده ملی سلامت دانمارک ارزیابی کرد و نشان داد بسیاری از سیگنالهای پیشبینی در فراتر از مرزهای کشوری قابل تکرار است.
چگونگی کارکرد مدل و زمینه علمی
مدل‌های ترنسفورمر بیشتر برای پردازش توالی‌های زبانی شناخته شده‌اند، جایی که الگوها و روابط بین واژه‌ها را می‌آموزند. پژوهشگران همان قابلیت یادگیری توالی را به جدول زمانی بالینی اعمال کردند: هر تشخیص، نتیجه آزمایش یا کد پزشکی در تاریخچه بیمار تبدیل به توکنی مرتبشده می‌شود که مدل میتواند از آن بیاموزد. همان‌طور که موریتس گرستونگ از مرکز تحقیقات سرطان آلمان در مقاله و اظهارات عمومی توضیح داده است، درک توالی تشخیصها «شبیه یادگیری دستور زبان در یک متن» است — مدل مشخص میکند کدام رویدادها معمولاً مقدم بر دیگران هستند و چه ترکیب‌هایی نشان‌دهنده ریسک بالاتر در آینده‌اند.
تیم گزارش میدهد Delphi-2M میتواند افرادی را که ریسک بسیار بالاتر یا پایین‌تری برای رویدادهایی مانند حمله قلبی دارند نسبت به آنچه محاسبه‌گرهای ریسک متداول پیشبینی می‌کنند، شناسایی کند. بر خلاف ابزارهای تک‌شرطی (برای مثال QRISK3 که برای برآورد ریسک قلبی‌عروقی در مراقبت‌های اولیه استفاده می‌شود)، Delphi-2M هدفش ارائه پیش‌بینی‌های چندبیماری و بلندمدت است: هم‌زمان هزاران وضعیت، در بازههای سالانه نه ماهانه.
این مدل همچنین از طیف گسترده‌ای از ورودی‌ها استفاده میکند که از تاریخچه‌های بالینی، آزمون‌های آزمایشگاهی و تشخیص‌های کد‌شده استخراج شده‌اند. نویسندگان نوشتند: «Delphi-2M الگوها در دادههای سلامت، تشخیص‌های پیشین، ترکیب و توالی وقوع آن‌ها را می‌آموزد»، امکانی که آن را برای «پیش‌بینی‌های مرتبط با سلامت» کاربردی میکند.
اعتبارسنجی، محدودیت‌ها و ملاحظات اخلاقی
گرچه نتایج اولیه امیدوارکننده‌اند، نویسندگان و بازبینان خارجی تأکید دارند Delphi-2M هنوز آماده استقرار بالینی نیست. اعتبارسنجی در دو مجموعه داده بزرگ اعتماد به سیگنالهای پیشبینی را تقویت میکند، اما هر دو مجموعه داده دارای سوگیری‌های شناخته‌شده‌ای در توزیع سنی، نمایندگی قومیتی و روش‌های محلی ارائه خدمات سلامت هستند. پیتر بنیستر، پژوهشگر فناوری سلامت و همکار در Institution of Engineering and Technology بریتانیا، به این محدودیت‌ها اشاره کرده و بر فاصله میان یک نمونه تحقیقاتی و بهبود مراقبت‌های روتین تأکید کرده است.
هم‌نویس تام فیتزجرالد از آزمایشگاه زیست‌شناسی مولکولی اروپا مزایای سیستمی را برجسته کرد و پیشنهاد داد مدل‌های پیشبینی از این نوع می‌توانند به بهینهسازی تخصیص منابع در خدمات سلامت تحت فشار کمک کنند. هم‌نویس ایوان بیرنی Delphi-2M را در برابر ابزارهای ریسک بالینی موجود مقایسه کرد و به دیدگاه بیماری-بیطرف و دوره زمانی چندساله آن اشاره نمود: «این مدل میتواند همه بیماری‌ها را هم‌زمان و در یک بازه طولانی پیشبینی کند.»
گوستاوو سودره، متخصص هوش مصنوعی پزشکی در King’s College London کار را «گامی مهم به‌سوی مدل‌سازی پیش‌بینی‌پذیر، قابل تفسیر و — از همه مهم‌تر — از نظر اخلاقی مسئول» توصیف کرد. قابلیت تفسیر هنوز هدفی مرکزی در پژوهش است، زیرا بسیاری از مدل‌های بزرگ رفتارهای درونی‌ای دارند که توضیح کامل آن برای کارشناسان انسانی دشوار است.
کاربردهای احتمالی و گام‌های بعدی
اگر بیشتر اعتبارسنجی شده و در مسیرهای مراقبتی ادغام شود، مدل‌هایی مانند Delphi-2M می‌توانند با نشانه‌گذاری بیمارانی برای پایش دقیق‌تر، مداخلات سبک زندگی یا آزمایشهای تشخیصی زودهنگام، بر پزشکی پیشگیرانه تأثیر بگذارند. سامانه‌های بهداشتی می‌توانند از پیش‌بینی‌های تجمیع‌شده برای برنامهریزی نیرو انسانی، ظرفیت تشخیصی و ابتکارات هدفمند سلامت عمومی استفاده کنند. با این حال، پیش از استقرار، اعتبارسنجی خارجی قوی، آزمایشهای بالینی آیندهنگر، ارزیابی عدالت در جوامع متنوع و چارچوبهای نظارتی روشن ضروری خواهند بود.
فناوری‌های مرتبط
این پژوهش با تحولات گسترده‌تر در هوش مصنوعی پزشکی پیوند دارد: فنوتایپینگ پرونده‌های الکترونیک سلامت، یادگیری فدراسیونی برای آموزش چند‌محلی بدون اشتراک‌گذاری داده خام، و ابزارهای قابل تفسیر هوش مصنوعی که نشان می‌دهند کدام ویژگی‌ها پیش‌بینی‌های ریسک فردی را هدایت می‌کنند.
دیدگاه کارشناسان
دکتر آنا رِیزِز، دانشمند دادههای زیست‌پزشکی و رابط علمی، می‌گوید: «Delphi-2M نشان میدهد چگونه مدل‌های توالی می‌توانند سیگنالهای بالینی معناداری را از جدول‌های زمانی پیچیده بیماران استخراج کنند. آزمون واقعی تبدیل این سیگنال‌ها به مداخلات عملی و عادلانه است. این نیازمند مطالعات آیندهنگر دقیق و همکاری بین پزشکان، دانشمندان داده و کارشناسان اخلاق است تا از تشدید نابرابری‌های سلامت جلوگیری شود.»
نتیجه‌گیری
Delphi-2M نمایانگر پیشرفتی قابل توجه در پزشکی پیشبینیکننده است: یک هوش مصنوعی مبتنی بر ترنسفورمر که قادر است با آموختن الگوها در تاریخچه‌های بیمار، ریسک بیش از ۱۰۰۰ بیماری را سال‌ها زودتر برآورد کند. اعتبارسنجی اولیه در مجموعهدادههای بریتانیایی و دانمارکی نویدبخش است، اما نویسندگان و کارشناسان بیرونی هشدار می‌دهند که دادههای مغرضانه، چالش‌های تفسیرپذیری و نیاز به آزمایشهای بالینی آیندهنگر به این معناست که این فناوری هنوز تا کاربرد روتین فاصله دارد. اگر این موانع برداشته شوند، ابزارهای پیشبینی بیماری-بیطرف می‌توانند به‌عنوان بخشی از مراقبت‌های پیشگیرانه و برنامهریزی سیستم‌های بهداشتی در آینده عمل کنند و مکمل — نه جایگزین — قضاوت بالینی باشند.
منبع: sciencealert
ارسال نظر