Οι βαθμολογίες εργαλείων κλινικής τεχνητής νοημοσύνης αξιολογούν τις υψηλότερες εξετάσεις ιατρικών αδειών στις Ηνωμένες Πολιτείες

Οι βαθμολογίες εργαλείων κλινικής τεχνητής νοημοσύνης αξιολογούν τις υψηλότερες εξετάσεις ιατρικών αδειών στις Ηνωμένες Πολιτείες

Ένα ισχυρό εργαλείο κλινικής τεχνητής νοημοσύνης που αναπτύχθηκε από ερευνητές βιοϊατρικής πληροφορικής του Πανεπιστημίου του ΜπάφαλοJama Network Open.

Επιτυγχάνοντας υψηλότερες βαθμολογίες στο USMLE από τους περισσότερους γιατρούς και όλα τα άλλα εργαλεία τεχνητής νοημοσύνης μέχρι στιγμής, η Σημασιολογική Κλινική Τεχνητή Νοημοσύνη (SCAI, προφέρεται «Sky») έχει τη δυνατότητα να γίνει ένας κρίσιμος συνεργάτης για τους γιατρούς, λέει ο επικεφαλής συγγραφέας Peter L. Elkin, MD, πρόεδρος του Τμήματος Βιοϊατρικής Πληροφορικής στο Ιατρικό Σχολείο Βιοϊατρικής και Ιατρικής Πληροφορικής και Jaco. ιατρός με UBMD Internal Medicine.

Σύμφωνα με τον Elkin, το SCAI είναι το πιο ακριβές εργαλείο κλινικής τεχνητής νοημοσύνης μέχρι σήμερα, σημειώνοντας την πιο προηγμένη έκδοση στο Βήμα 3 του USMLE, ενώ ένα εργαλείο GPT4 Omni σημείωσε 90,5% στην ίδια δοκιμή.

Ως γιατροί, έχουμε συνηθίσει να χρησιμοποιούμε τους υπολογιστές ως εργαλεία, αλλά το SCAI είναι διαφορετικό. Μπορεί να αυξήσει τη λήψη αποφάσεων και τη σκέψη σας με βάση το δικό του σκεπτικό. "

Peter L. Elkin, MD, Πρόεδρος του Τμήματος Βιοϊατρικής Πληροφορικής, Jacobs School of Medicine and Biomedical Sciences στο UB

Το εργαλείο μπορεί να απαντήσει σε ιατρικές ερωτήσεις που θέτουν οι γιατροί ή το κοινό

Οι ερευνητές δοκίμασαν το μοντέλο έναντι του USMLE, το οποίο απαιτείται για την αδειοδότηση ιατρών σε εθνικό επίπεδο, το οποίο αξιολογεί την ικανότητα του ιατρού να εφαρμόζει γνώσεις, έννοιες και αρχές και να επιδεικνύει βασικές δεξιότητες με επίκεντρο τον ασθενή. Ερωτήσεις με οπτικό στοιχείο έχουν εξαλειφθεί.

Ο Elkin εξηγεί ότι τα περισσότερα εργαλεία τεχνητής νοημοσύνης λειτουργούν με στατιστικά στοιχεία για να βρουν συσχετίσεις σε διαδικτυακά δεδομένα που μπορούν να χρησιμοποιήσουν για να απαντήσουν σε μια ερώτηση. «Ονομάζουμε αυτά τα εργαλεία παραγωγική τεχνητή νοημοσύνη», λέει. «Μερικοί έχουν υποθέσει ότι απλώς λογοκλοπούν ό,τι υπάρχει στο Διαδίκτυο επειδή οι απαντήσεις που σου δίνουν είναι αυτές που έγραψαν άλλοι». Ωστόσο, αυτά τα μοντέλα τεχνητής νοημοσύνης γίνονται πλέον συνεργάτες στη φροντίδα και όχι απλά εργαλεία που μπορούν να χρησιμοποιήσουν οι κλινικοί γιατροί στην πρακτική τους, λέει.

«Αλλά ο Scai απαντά σε πιο σύνθετες ερωτήσεις και εκτελεί πιο σύνθετη σημασιολογική συλλογιστική», λέει, «Έχουμε δημιουργήσει πηγές γνώσης που μπορεί να μοιάζουν περισσότερο με το πώς μαθαίνουν οι άνθρωποι κατά την εκπαίδευσή τους στην ιατρική σχολή».

Η ομάδα ξεκίνησε με λογισμικό επεξεργασίας φυσικής γλώσσας που είχε αναπτυχθεί προηγουμένως. Πρόσθεσαν μεγάλες ποσότητες έγκυρων κλινικών πληροφοριών που προέρχονται από ευρέως ανόμοιες πηγές, που κυμαίνονται από πρόσφατη ιατρική βιβλιογραφία και κλινικές κατευθυντήριες γραμμές έως γονιδιωματικά δεδομένα, πληροφορίες φαρμάκων, συστάσεις εξιτηρίου, δεδομένα ασφάλειας ασθενών και πολλά άλλα. Οποιαδήποτε δεδομένα θα μπορούσαν να είναι προκατειλημμένα, όπως: Β. κλινικές σημειώσεις δεν συμπεριλήφθηκαν.

13 εκατομμύρια ιατρικά στοιχεία

Το SCAI περιέχει 13 εκατομμύρια ιατρικά γεγονότα καθώς και όλες τις πιθανές αλληλεπιδράσεις μεταξύ αυτών των γεγονότων. Η ομάδα χρησιμοποίησε βασικά κλινικά δεδομένα γνωστά ως σημασιολογικά δίκτυα (σχέση υποκειμένου-αντικειμένου όπως «η πενικιλλίνη αντιμετωπίζει την πνευμονιοκοκκική πνευμονία») σημασιολογικά δίκτυα. Το εργαλείο μπορεί στη συνέχεια να αναπαραστήσει αυτά τα σημασιολογικά δίκτυα με τέτοιο τρόπο ώστε να είναι δυνατό να εξαχθούν λογικά συμπεράσματα από αυτά.

«Διδάξαμε σε μοντέλα μεγάλων γλωσσών πώς να χρησιμοποιούν σημασιολογικό συλλογισμό», λέει ο Elkin.

Άλλες τεχνικές που συνέβαλαν στο SCAI περιλαμβάνουν γραφήματα γνώσης, σχεδιασμένα για νέους συνδέσμους σε ιατρικά δεδομένα καθώς και προηγουμένως «κρυμμένα» μοτίβα, καθώς και για την επίτευξη δημιουργίας ανάκτησης, που επιτρέπει στο μεγάλο γλωσσικό μοντέλο να έχει πρόσβαση και να ενσωματώνει πληροφορίες από εξωτερικές βάσεις γνώσης αμέσως. Αυτό μειώνει την «παράθεση», την τάση των εργαλείων τεχνητής νοημοσύνης να ανταποκρίνονται πάντα σε μια προτροπή, ακόμη κι αν δεν παρέχει αρκετές πληροφορίες για να προχωρήσουν.

Ο Elkin προσθέτει ότι η χρήση τυπικής σημασιολογίας για την ενημέρωση του μεγάλου γλωσσικού μοντέλου παρέχει σημαντικό πλαίσιο που είναι απαραίτητο για την SCAI να κατανοήσει με μεγαλύτερη ακρίβεια και να απαντήσει σε μια συγκεκριμένη ερώτηση.

«Μπορεί να έχει μια συνομιλία μαζί σου».

«Το SCAI διαφέρει από άλλα μεγάλα γλωσσικά μοντέλα επειδή μπορεί να συνομιλήσει μαζί σας και, ως συνεργασία ανθρώπου-υπολογιστή, μπορεί να αυξήσει τη λήψη αποφάσεων και τη σκέψη σας με βάση το δικό του σκεπτικό», λέει ο Elkin.

Και καταλήγει: «Προσθέτοντας σημασιολογία σε μεγάλα γλωσσικά μοντέλα, τους παρέχουμε τη δυνατότητα να συλλογίζονται με τρόπο παρόμοιο με την άσκηση της ιατρικής που βασίζεται σε στοιχεία».

Επειδή μπορεί να έχει πρόσβαση σε τόσο τεράστιες ποσότητες δεδομένων, η SCAI μπορεί επίσης να βελτιώσει την ασφάλεια των ασθενών, να βελτιώσει την πρόσβαση στην περίθαλψη και να «εκδημοκρατίσει την εξειδικευμένη φροντίδα», λέει ο Elkin, καθιστώντας τις ειδικές και υποειδικές ιατρικές πληροφορίες προσβάσιμες στην πρωτοβάθμια περίθαλψη, ακόμη και στους ασθενείς.

Ενώ η δύναμη του Scai είναι εντυπωσιακή, ο Elkin τονίζει ότι η αποστολή του είναι να αυξήσει, όχι να αντικαταστήσει, τους γιατρούς.

«Η τεχνητή νοημοσύνη δεν θα αντικαταστήσει τους γιατρούς», λέει, «ένας γιατρός που χρησιμοποιεί AI μπορεί να αντικαταστήσει έναν γιατρό που δεν το κάνει».

Εκτός από τον Elkin, οι συν-συγγραφείς του UB από το Τμήμα Βιοϊατρικής Πληροφορικής περιλαμβάνουν τον Guresh Mehta. Frank Lehouillier; Melissa Resnick, PhD; Crystal Tomlin, PhD; Skyler Resendez, PhD; και Jiaxing Liu.

Η Sarah Mullin, PhD, του Roswell Park Comprehensive Cancer Center, και ο Jonathan R. Nebeker, MD, και ο Steven H. Brown, MD, αμφότεροι του Τμήματος Υποθέσεων Βετεράνων, είναι επίσης συν-συγγραφείς.

Το έργο χρηματοδοτήθηκε από επιχορηγήσεις από τα Εθνικά Ινστιτούτα Υγείας και το Τμήμα Υποθέσεων Βετεράνων.

Πηγές: