Tento nástroj by mohl předvídat vaše riziko rakoviny nebo srdečních chorob let předem. Tady je, jak
Schopnost okamžitě a přesně předpovídat trajektorii zdraví člověka v nadcházejících letech bylo dlouho považováno za vrchol medicíny. Tento druh informací by měl hluboký účinek na systémy zdravotní péče jako celku – přesunující péči od léčby k prevenci.
Podle zjištění nedávno zveřejněné práce vědci slibují právě to. Pomocí špičkové umělé inteligence (Ai) technologieVědci postavili Delphi-2M. Tento nástroj se snaží předpovědět další zdravotní událost osoby a kdy se pravděpodobně stane v příštích 20 letech. Model to dělá pro tisíc různých nemocí, včetně rakovina, Diabetes a srdeční choroby.
Pro vývoj Delphi-2M použil evropský výzkumný tým údaje od téměř 403 000 lidí z UK Biobank Jako vstup do Ai model.
V konečném vyškoleném modelu AI Delphi-2M předpovídal další onemocnění a kdy k tomu dojde na základě pohlaví člověka při narození, indexu jejich tělesné hmotnosti, ať už kouří nebo pil alkohol a jejich časový osu předchozích nemocí.
Byla schopna tyto předpovědi provést s 0,7 AUC (plocha pod křivkou). AUC agreguje falešně pozitivní a falešně negativní rychlosti, takže může být použit jako proxy pro přesnost v teoretickém prostředí. To znamená, že předpovědi modelu by mohly být interpretovány tak, že mají přibližně 70% přesnost ve všech kategoriích nemoci-ačkoli přesnost těchto předpovědí dosud nebyla testována z hlediska reálných výsledků.
Poté použili model na dánská data biobank, aby zjistili, zda je stále efektivní. Byl schopen předpovídat zdravotní výsledky s podobnou teoretickou mírou přesnosti.
Nástroje AI
Účelem příspěvku nebylo naznačovat, že Delphi-2M je připraven k použití lékaři nebo v lékařské oblasti. Spíše to bylo ilustrovat sílu navrhované architektury AI týmu a výhodu, kterou by mohl mít při analýze lékařských údajů.
Delphi-2M používá k předpovědi „transformátorovou síť“. To je stejné technologie Architektura, která pohání chatgpt. Vědci upravili architekturu transformátoru GPT2 tak, aby používali čas a vlastnosti nemoci k předpovědi, kdy a co se stane.
Ačkoli jiné modely predikce zdraví v minulosti používaly transformátorové sítě, byly navrženy pouze tak, aby předpovědi o riziku člověka z rozvoje jediného onemocnění. Navíc byly primárně použity na údajích o záznamech v nemocnici v menším měřítku.
Transformátorové sítě jsou však zvláště vhodné pro předpovídání rizika člověka s více nemocemi. Je to proto, že mohou snadno přizpůsobit své zaměření a jsou schopni vyřešit složité interakce mezi mnoha různými chorobami z více odlišných datových bodů.
Delphi-2M se také ukázalo jako o něco přesnější než jiné modely predikce více odolných, které používají jinou architekturu.
Například Milton používá kombinaci standardních technik strojového učení a aplikoval je na to samé UK Biobank data. Tento model vykazoval poněkud nižší prediktivní sílu pro většinu onemocnění ve srovnání s Delphi-2M-a potřeboval k tomu použít více dat.
Kromě toho jsou modely netransformátorů pro ostatní pro ostatní přidány přidáním více datových vrstev. To znamená, že tyto modely nelze tak snadno přizpůsobit a zlepšit jako transformátorové modely pro použití v různých kontextech a studiích.
O autorech
Natalia Levina je profesorkou na Katedře správy informačních systémů a analytics, Warwick Business School, University of Warwick a New York University.
Hila Lifshitz-Assaf je profesorem managementu ve Warwick Business School na University of Warwick.
João Sedoc je docentem technologie, operací a statistik na New York University.
Tento článek je znovu publikován z Konverzace Podle licence Creative Commons. Přečtěte si Původní článek.
Na modelu Delphi-2M je zvláštní, že může být propuštěn veřejnosti jako model s otevřeným zdrojovým kódem bez ohrožení soukromí pacientů. Autoři byli schopni vytvářet syntetická data, která napodobují britská data biobank a zároveň odstraňují osobní údaje – to vše bez výrazného poklesu prediktivní síly. Delphi-2M navíc vyžaduje méně výpočetních zdrojů než typické modely transformátoru AI.
To umožní ostatním vědcům trénovat model od nuly a možná přizpůsobit model a informace pro jejich potřeby. To je důležité pro rozvoj otevřené vědy a je obecně obtížné ho provést v lékařském prostředí.
Ještě příliš brzy
Ať už se Delphi-2M stává základním modelem nástrojů AI, které jsou navrženy tak, aby předpovídaly budoucí zdravotní rizika pacienta, ukazuje, že takové modely jsou na cestě.
Vzhledem ke své vrstvené architektuře a přírodě s otevřeným zdrojovým kódem se budoucí modely podobné Delphi-2M budou i nadále vyvíjet začleněním ještě bohatších dat-jako jsou elektronické zdravotní záznamy, lékařské obrazy, nositelné technologie a údaje o poloze. To by zlepšilo jeho prediktivní síly a přesnost v průběhu času.
Ale zatímco schopnost prevence onemocnění a poskytování včasné diagnózy má velký slib, existuje několik klíčových upozornění, pokud jde o tento prediktivní nástroj.
Za prvé, s těmito nástroji je spojeno mnoho problémů souvisejících s daty. Jak jsme již psali, kvalita dat a školení, které nástroj AI obdrží, způsobuje nebo porušuje předpovědi.
Britský datový soubor Biobank používaný k vytváření DelphI-2M neměl dostatečné údaje o různých rasech a etnických skupinách, aby umožnil hloubkové trénink a analýzu výkonu.
Zatímco nějakou analýzu provedli výzkumníci DelphI-2M, aby ukázali, že přidání etnicity a rasy výsledky příliš nezúčastnily, v mnoha kategoriích stále nebylo dostatečné údaje, které by dokonce provedly hodnocení.
Pokud by se někdy použily ve skutečném světě, budou pravděpodobně používány a vrstveny údaje o osobní zdravotní péči na základním modelech, jako je Delphi-2M. Zatímco zahrnutí těchto osobních údajů zlepší přesnost predikce, přichází také s riziky-například kolem zabezpečení osobních dat a použití dat mimo kontext.
Může být také obtížné škálovat model do zemí, jejichž systémy zdravotní péče se liší od těch, které se používají k návrhu datového souboru. Například může být těžší aplikovat Delphi-2M na americký kontext, kde se údaje o zdravotní péči šíří kolem několika nemocničních systémů a soukromých klinik.
V současné době je příliš brzy na to, aby Delphi-2M použili pacienti nebo lékaři. Zatímco Delphi-2M poskytoval zobecněné předpovědi na základě údajů, které byly použity k jeho tréninku, je příliš brzy na použití těchto předpovědí pro osobní zdravotní doporučení pro jednotlivého pacienta.
Doufejme však, že s pokračujícími investicemi do výzkumu a budování modelů ve stylu Delphi-2M bude někdy možné do modelu zadat osobní údaje o zdraví pacienta a získat osobní předpověď.
