תמונה אולי שווה אלף מילים, אבל בכל זאת… לשניהם יש הרבה עבודה לעשות כדי להתעדכן ב-BiomedGPT.
סופר לאחרונה בכתב העת היוקרתי רפואת טבעBiomedGPT הוא סוג חדש של בינה מלאכותית (AI) שנועד לתמוך במגוון רחב של משימות רפואיות ומדעיות. מחקר חדש זה, שנערך בשיתוף עם מספר מוסדות, מתואר במאמר כ"מודל הבסיס הראשון של קוד פתוח וקל משקל של חזון-שפה, שתוכנן כגנרליסט המסוגל לבצע משימות ביו-רפואיות שונות".
עבודה זו משלבת שני סוגים של AI לכלי תומך החלטות עבור ספקים רפואיים. צד אחד של המערכת מאומן להבין תמונות ביו-רפואיות, ואחד מאומן להבין ולהעריך טקסט ביו-רפואי. השילוב של אלה מאפשר למודל להתמודד עם מגוון רחב של אתגרים ביו-רפואיים, תוך שימוש בתובנות שנאספו ממאגרי מידע ביו-רפואיים ומניתוח וסינתזה של דוחות מחקר מדעיים ורפואיים".
Lichao Sun, עוזר פרופסור למדעי המחשב והנדסה באוניברסיטת ליהי והמחבר הראשי של המחקר
'16 תוצאות מתקדמות' עבור רופאים ומטופלים
החידוש המרכזי שתואר ב-7 באוגוסט רפואת טבע המאמר, "מודל יסוד של חזון-שפה כללי למשימות ביו-רפואיות מגוונות", הוא שמודל AI זה לא צריך להיות מיוחד עבור כל משימה. בדרך כלל, מערכות AI מאומנות לעבודות ספציפיות, כמו זיהוי גידולים בקרני רנטגן או סיכום מאמרים רפואיים. עם זאת, מודל חדש זה יכול להתמודד עם משימות רבות ושונות באמצעות אותה טכנולוגיה בסיסית. הרבגוניות הזו הופכת אותו למודל "גנרלי" ולכלי חדש רב עוצמה בידי ספקים רפואיים.
"BiomedGPT מבוסס על מודלים בסיסיים, התפתחות עדכנית ב-AI", אומר Sun. "דגמי היסוד הם מערכות בינה מלאכותית גדולות ומאומנות מראש, שניתן להתאים למשימות שונות עם הכשרה מינימלית נוספת. המודל הגנרליסטי המתואר במאמר הוכשר על כמויות עצומות של נתונים ביו-רפואיים, כולל תמונות וטקסט, המאפשר לו לבצע ביצועים טובים על פני יישומים שונים."
"על ידי הערכת 25 מערכי נתונים על פני 9 משימות ביו-רפואיות ואופנים שונים", אומר קאי ג'אנג, סטודנט לדוקטורט מ-Lehigh שייעצו על ידי Sun, המשמש כמחבר ראשון של טֶבַע מאמר, "BiomedGPT השיגה 16 תוצאות מתקדמות. הערכה אנושית של BiomedGPT בשלוש משימות רדיולוגיה הציגה את יכולות הניבוי החזקות של המודל."
ג'אנג אומר שהוא גאה בכך שבסיס הקוד הפתוח זמין עבור חוקרים אחרים לשימוש כקרש קפיצה להנעת פיתוח ואימוץ נוסף.
הצוות מדווח כי הטכנולוגיה מאחורי BiomedGPT עשויה יום אחד לעזור לרופאים על ידי פרשנות של תמונות רפואיות מורכבות, לסייע לחוקרים על ידי ניתוח ספרות מדעית, או אפילו לסייע בגילוי תרופות על ידי חיזוי כיצד מולקולות מתנהגות.
"ההשפעה הפוטנציאלית של טכנולוגיה כזו היא משמעותית", אומר ג'אנג, "כיוון שהיא יכולה לייעל היבטים רבים של שירותי בריאות ומחקר, ולהפוך אותם למהירים ומדויקים יותר. השיטה שלנו מוכיחה שהכשרה יעילה עם נתונים מגוונים יכולה להוביל ל-AI ביו-רפואי מעשי יותר עבור שיפור האבחון ויעילות זרימת העבודה."
מאמץ צוות לאימות קליני ועוד
שלב מכריע בתהליך היה אימות היעילות והישימות של המודל במסגרות בריאות בעולם האמיתי.
"בדיקה קלינית כוללת יישום מודל הבינה המלאכותית על נתוני מטופל אמיתיים כדי להעריך את הדיוק, המהימנות והבטיחות שלו", אומר Sun. "בדיקה זו מבטיחה שהמודל מתפקד היטב על פני תרחישים שונים. התוצאות של בדיקות אלו עזרו לחדד את המודל, והדגימו את הפוטנציאל שלו לשפר את קבלת ההחלטות הקליניות ואת הטיפול בחולים".
בית החולים הכללי של מסצ'וסטס (MGH), חבר מייסד של מערכת הבריאות של Mass General Brigham ושלוחת הוראה של בית הספר לרפואה של הרווארד, מילא תפקיד מכריע בפיתוח ובתיקוף של מודל BiomedGPT. מעורבות המוסד התמקדה בעיקר במתן מומחיות קלינית והקלה על הערכת יעילות המודל במסגרות בריאות בעולם האמיתי. לדוגמה, המודל נבדק עם רדיולוגים ב-MGH, שם הוא הוכיח ביצועים מעולים במשימות כמו מענה לשאלות חזותיות והפקת דוחות רדיולוגיה. שיתוף הפעולה הזה עזר להבטיח שהמודל יהיה מדויק ומעשי לשימוש קליני.
תורמים אחרים ל-BiomedGPT כוללים חוקרים מאוניברסיטת ג'ורג'יה, סמסונג מחקר אמריקה, אוניברסיטת פנסילבניה, אוניברסיטת סטנפורד, אוניברסיטת מרכז פלורידה, UC-Santa Cruz, אוניברסיטת טקסס-Health, בית החולים לילדים של פילדלפיה ומרפאת מאיו.
"המחקר הזה הוא מאוד בינתחומי ושיתופי", אומר סאן. "המחקר כולל מומחיות ממגוון תחומים, כולל מדעי המחשב, רפואה, רדיולוגיה והנדסה ביו-רפואית. כל מחבר תורם ידע מיוחד הדרוש לפתח, לבדוק ולאמת את המודל על פני משימות ביו-רפואיות שונות. פרויקטים בקנה מידה גדול כמו זה דורשים לעתים קרובות גישה למערכי נתונים ומשאבים חישוביים מגוונים, יחד עם גישה למיומנויות בפיתוח אלגוריתמים, אימון מודלים, הערכה ויישום לתרחישים בעולם האמיתי, כמו גם בדיקות קליניות ואימות.
"זה היה מאמץ קבוצתי אמיתי", הוא אומר. "יצירת משהו שיכול באמת לעזור לקהילה הרפואית לשפר את תוצאות המטופלים במגוון רחב של נושאים היא אתגר מורכב מאוד. עם מורכבות כזו, שיתוף פעולה הוא המפתח ליצירת השפעה באמצעות יישום של מדע והנדסה."
