Stora språkmodeller hjälper till att förutsäga epileptogena zoner för operation

Stora språkmodeller hjälper till att förutsäga epileptogena zoner för operation

Epilepsi, en av de vanligaste neurologiska sjukdomarna som kännetecknas av återkommande anfall, drabbar över 70 miljoner människor världen över. Cirka 3,4 miljoner människor i USA lever med detta utmanande tillstånd. Omkring en tredjedel av epilepsifallen kan inte kontrolleras med medicin. För dessa patienter kan kirurgisk resektion av den epileptogena zonen (EZ), ett område vars avlägsnande kan resultera i anfallsfrihet – en tidsperiod under vilken en person med epilepsi inte upplever anfall – vara ett effektivt alternativ för att minska eller eliminera anfall.

Men den nuvarande framgångsfrekvensen för resektiv kirurgi, där kirurgen tar bort några av hjärnvävnaderna där anfallen uppstår, är cirka 50 % till 60 %. En av anledningarna är att EZS inte har identifierats exakt. För att identifiera ECS genomgår patienter en serie tester inklusive MRI, elektroencefalografi eller EEG och intrakraniellt EEG. Epileptologer använder dessa data och bilder för att beskriva vad som kallas anfallssemiologi - symptomen och beteenden under anfall. Denna information används för att förutsäga EZS:s plats.

Språkepileptologerna som används för att beskriva semiologin för anfallsanfall kan dock skilja sig från ett epilepsicentrum till ett annat.

"Olika epilepsicentra kan använda olika termer som beskriver samma semiologi av anfall", säger Feng Liu, biträdande professor vid Institutionen för system och företag, Schaefer School of Engineering and Science vid Stevens Institute of Technology. "Till exempel kan termerna 'asymmetrisk hållning' och 'asymmetrisk tonisk aktivitet' användas för att beskriva samma sak", delar han med sig av ett exempel där han syftar på en hållning där ena armen eller benet sträcks ut medan den andra är böjd. "Det finns många termer som kan referera till samma sak, men olika centra kan använda olika terminologi för att beskriva dem."

Detta skapar en viss inkonsekvens som innebär utmaningar för kirurger. På grund av den beskrivande karaktären hos anfallssemiologin kan stora språkmodeller eller LLM:er som ChatGPT utbildade på en enorm kohort av offentliga register vara ett värdefullt verktyg för att identifiera EZS.

Liu och hans team av medarbetare utvärderade det kliniska värdet av att använda ChatGPT för att tolka anfallens semiologi för att förutsäga EZ-lokalisering.

Stora språkmodeller som ChatGPT kan vara värdefulla verktyg för att analysera komplex textinformation, hjälpa till att tolka semiologiska beskrivningar av anfallsanfall och exakt lokalisera de epileptogena zonerna. "

Feng Liu, biträdande professor, Institutionen för system och företagande, Schäfer School of Engineering and Science, Stevens Institute of Technology

För studien undersökte teamet fem styrelsecertifierade epileptologer som ansökte om en 100-frågor onlineundersökning om platsen för EZS, med tanke på beskrivningen av anfallssemiologi. Teamet använde sedan Chatgpt för att slutföra samma uppgift och jämförde ChatGPT:s prestanda med epileptologernas.

ChatGPT-svar visade sig matcha svaren från epileptologer, eller svaren från epileptologer relaterade till de regioner där epileptogena zoner ofta finns, såsom hjärnans frontallob och tinningloben. Emellertid gav epileptologer mer exakta svar i regioner där EZS sällan finns, såsom insula och cingulate cortex. Dessa resultat kommer att publiceras iJournal of Medical Internet Researchden 12 maj.

För att ytterligare förbättra LLM:s prestanda byggde teamet den första LLM speciellt byggd för anfallshemibody-tolkning kallad Episemollm, värd på en Stevens GPU-server. Denna plattform kan vara en användbar beslutsfattande assistent under den preoperativa inställningsfasen för neurokirurger och epileptologer.

"Våra resultat visar att LLM och finjusterad LLM kan fungera som ett värdefullt verktyg för att stödja preoperativ utvärdering för epilepsikirurgi", säger Liu. "Det bästa resultatet skulle vara för människor och AI att arbeta tillsammans."

Källor: