Медициналық зерттеулердегі генеративті жасанды интеллект мүмкіндіктері

Медициналық деректерді талдаудағы ЖИ тиімділігі

Генеративті жасанды интеллектіні медициналық зерттеулерде қолданудың алғашқы кезеңдерінде Сан-Францискодағы Калифорния университеті мен Уэйн университетінің мамандары ЖИ-дің медициналық деректердің үлкен көлемін дәстүрлі компьютерлік ғылымдар мамандарының командаларына қарағанда әлдеқайда жылдам өңдей алатынын анықтады. Кейбір жағдайларда ЖИ көмегімен алынған нәтижелер адам командаларына қарағанда жақсырақ болды, ал адамдарға осындай деректерді талдау үшін бірнеше ай қажет болған.

Тиімділікті объективті салыстыру үшін зерттеушілер әртүрлі топтарға бірдей тапсырмалар берді: бір топ тек адам тәжірибесіне сүйенсе, екіншісі ЖИ құралдарын пайдаланды. Тапсырма — 1000-нан астам жүкті әйелдің деректері негізінде мерзімінен бұрын босануды болжау болды. Тіпті тәжірибесі аз зерттеушілер ЖИ көмегімен болжау модельдерін тез құра алды. Жүйе бағдарламалық кодты бірнеше минутта жасады, ал тәжірибелі бағдарламашыларға бұл үшін сағаттар немесе күндер қажет болатын. ЖИ-дің артықшылығы — қысқа әрі нақты сұраныстар негізінде аналитикалық код құра білуінде. Дегенмен, тек сынақтан өткен ЖИ жүйелерінің жартысы ғана қолдануға жарамды код жасай алды, бірақ сәтті құралдар үлкен мамандар командасын қажет етпеді.

Жоғары жылдамдықтың арқасында жас зерттеушілер бірнеше ай ішінде эксперименттерді аяқтап, нәтижелерін тексеріп, ғылыми журналға жіберді. Мұндай ЖИ құралдары деректер ғылымындағы негізгі қиындықтардың бірі — аналитикалық тізбектер құруды жеңілдетуі мүмкін.

Мерзімінен бұрын босану зерттеулерінің маңызы

Деректерді талдауды жеделдету мерзімінен бұрын босануды анықтауға арналған диагностикалық құралдарды дамытуға ықпал етуі мүмкін, ал бұл нәресте өлімінің және балалардағы ұзақ мерзімді бұзылыстардың негізгі себептерінің бірі болып табылады. АҚШ-та күн сайын шамамен 1000 бала мерзімінен бұрын дүниеге келеді.

Мерзімінен бұрын босанудың себептері әлі толық зерттелмеген. Мүмкін болатын қауіп факторларын анықтау үшін тоғыз түрлі зерттеуде шамамен 1200 жүкті әйелден микробиомдық ақпарат жиналды. Мұндай талдау тек ашық деректер алмасу мен әртүрлі зерттеу топтарының тәжірибесін біріктіру арқылы мүмкін болды.

Алайда осындай ауқымды әрі күрделі деректер жиынтығын өңдеу қиындық тудырды. Бұл мәселені шешу үшін зерттеушілер DREAM атты жаһандық краудсорсинг байқауына жүгінді, онда әлемнің түкпір-түкпірінен 100-ден астам команда мерзімінен бұрын босанумен байланысты паттерндерді анықтау үшін машиналық оқыту модельдерін жасады. Көптеген топтар жұмысты үш айда аяқтады, бірақ нәтижелерді біріктіру мен жариялауға екі жылға жуық уақыт кетті.

ЖИ-ді жүктілік пен микробиом деректерінде сынау

Генеративті ЖИ талдау мерзімін қысқарта ала ма деген сұраққа жауап беру үшін зерттеу топтары сегіз ЖИ жүйесіне DREAM тапсырмаларында қолданылған деректер жиынтығында адам араласуынсыз алгоритмдер құруды тапсырды. ЖИ чат-боттарына мұқият дайындалған табиғи тілдегі нұсқаулар беріліп, олар медициналық деректерді бастапқы байқау қатысушылары сияқты талдады.

Тапсырмаларға вагиналды микробиом деректерін мерзімінен бұрын босанудың белгілерін анықтау үшін талдау және жүктілік мерзімін бағалау мақсатында қан немесе плацента үлгілерін зерттеу кірді. Жүктілік мерзімін бағалау көбіне жуық шамамен жүргізіледі, бірақ дәл осы көрсеткіш әйелдерге көрсетілетін медициналық көмектің түрін анықтайды. Дұрыс емес бағалар босануға дайындықты қиындатады.

Нәтижесінде сегіз ЖИ құралынан тек төртеуі адам командаларының нәтижелерімен салыстырмалы тиімділікке ие модельдер жасай алды, ал кейбір жағдайларда ЖИ тіпті жақсы нәтиже көрсетті. Бүкіл процесс — жұмысты бастаудан мақала жіберуге дейін — бар болғаны алты айға созылды.

ЖИ қолданудың болашағы мен шектеулері

ЖИ жүйелері мұқият бақылауды қажет етеді, себебі олар қате нәтижелер беруі мүмкін, сондықтан адам сараптамасы әлі де маңызды. Дегенмен, генеративті ЖИ-дің медициналық деректердің үлкен көлемін жылдам өңдеу қабілеті зерттеушілерге кодты түзетуге аз уақыт жұмсап, нәтижелерді түсіндіруге және маңызды ғылыми сұрақтар қоюға көбірек мүмкіндік береді. Бұл деректер ғылымында тәжірибесі шектеулі мамандарға ірі коллаборациялар құруға немесе техникалық іске асыруға көп уақыт жұмсамай-ақ маңызды биомедициналық мәселелерді шешуге жол ашады.