پیشگامی هوش مصنوعی در پیشبینی بیماریها
آیا مدل Delphi-2M آینده پزشکی را بازنویسی میکند؟
امیررضا جلال زاده
- ۶ اردیبهشت ۱۴۰۵
پزشکی مدرن همواره در تلاش برای پاسخ به یکی از اساسیترین سؤالات بوده است، آینده سلامت یک فرد چه خواهد بود؟ درک مسیر پیچیده بیماریها، از اولین نشانهها تا تشخیصهای متعدد و شرایط مزمن، شبیه به خواندن کتابی با پایانی نامعلوم است. اما اکنون پژوهشگران، با الهام از فناوری پشت مدلهای زبانی ابزاری ساختهاند که میتواند این کتاب را با دقتی بیسابقه بخواند و حتی فصلهای بعدی آن را پیشبینی کند. این نوآوری که Delphi-2M نام دارد، یک مدل هوش مصنوعی مبتنی بر معماری ترنسفورمر است که نه تنها مسیر بیماریهای انسانی را یاد میگیرد بلکه میتواند آینده سلامت افراد را نیز شبیهسازی کند. این دستاورد میتواند چشمانداز پزشکی پیشگیرانه، مدیریت بهداشت عمومی و تصمیمگیریهای بالینی را برای همیشه تغییر دهد.
Delphi-2M چگونه تاریخچه سلامت را میفهمد؟
برای درک عملکرد Delphi-2M، بهتر است ابتدا به ساختار مدلهای زبانی بزرگ (LLM) نگاهی بیندازیم. این مدلها با تحلیل میلیاردها کلمه و جمله، ساختار و منطق زبان را یاد میگیرند و میتوانند کلمه یا جمله بعدی را در یک متن پیشبینی کنند. محققان این ایده را به دنیای پزشکی تعمیم دادهاند. اگر تاریخچه سلامت یک فرد را به عنوان یک «داستان» در نظر بگیریم که از «کلمات» (تشخیصهای پزشکی، عوامل سبک زندگی) در «زمانهای» مشخص (سن فرد) تشکیل شده است، آیا یک مدل هوش مصنوعی نمیتواند منطق این داستان را بیاموزد و «کلمه» بعدی یا همان بیماری بعدی را پیشبینی کند؟
پاسخ مثبت است اما با چالشهایی منحصر به فرد. برخلاف کلمات در یک جمله که ترتیب گسستهای دارند، رویدادهای پزشکی در یک محور زمانی پیوسته رخ میدهند. مدل Delphi-2M با ایجاد تغییراتی هوشمندانه در معماری استاندارد GPT-2، این چالش را حل کرده است:
- درک زمان پیوسته: به جای رمزگذاری موقعیت گسسته کلمات، Delphi-2M از یک سیستم رمزگذاری مبتنی بر سن دقیق فرد استفاده میکند. این به مدل اجازه میدهد تا بفهمد که فاصله زمانی بین دو بیماری (مثلاً دو سال در برابر ده سال) اهمیت زیادی در پیشبینی آینده دارد.
- پیشبینی «چه زمانی» و نه فقط «چه چیزی»: مدلهای زبانی استاندارد فقط پیشبینی میکنند که کلمه بعدی چه خواهد بود Delphi-2M یک گام فراتر میرود و یک خروجی اضافی برای پیشبینی زمان وقوع رویداد بعدی نیز دارد. این قابلیت برای کاربردهای بالینی حیاتی است.
- واژگان پزشکی: «واژگان» این مدل شامل بیش از ۱۲۵۰ کد بیماری بر اساس طبقهبندی بینالمللی بیماریها (ICD-10)، به علاوه توکنهایی برای جنسیت، شاخص توده بدنی (BMI)، مصرف سیگار و الکل و حتی «مرگ» است.
مدل Delphi-2M با تحلیل دادههای عظیم، الگوهای پنهان همزمانی و توالی بیماریها را کشف میکند. برای مثال، یاد میگیرد که کدام بیماریها اغلب با هم رخ میدهند، کدام یک پیشزمینه دیگری است و چگونه مجموعهای از شرایط پزشکی، خطر ابتلا به یک بیماری خاص را در آینده افزایش یا کاهش میدهد.
عملکرد Delphi-2M در دنیای واقعی
هر مدل هوش مصنوعی به اندازه دادههایی که با آن آموزش دیده و آزموده شده، قدرتمند است. Delphi-2M بر روی یکی از غنیترین مجموعه دادههای پزشکی جهان آموزش دیده است. دادههای UK Biobank که شامل تاریخچه سلامت بیش از ۴۰۰ هزار بریتانیایی بوده. سپس برای سنجش قابلیت تعمیمپذیری، این مدل بدون هیچگونه تنظیم مجدد، بر روی دادههای سلامت ۱.۹ میلیون نفر از جمعیت دانمارک آزمایش شد.
نتایج شگفتانگیز بود Delphi-2M توانست نرخ وقوع بیش از ۱۰۰۰ بیماری مختلف را با دقتی بالا پیشبینی کند. عملکرد این مدل با استفاده از معیاری به نام AUC (سطح زیر نمودار مشخصه عملکرد گیرنده) سنجیده شد که توانایی مدل در تمایز بین افراد بیمار و سالم را اندازهگیری میکند. میانگین AUC برای پیشبینی بیماری بعدی در دادههای اعتبارسنجی داخلی حدود ۰.۷۶ بود که نشاندهنده قدرت پیشبینی قابل توجهی است. برای ۹۷ درصد تشخیصها، AUC بالاتر از ۰.۵ بود؛ به این معنی که مدل برای اکثریت قریب به اتفاق بیماریها دارای قدرت پیشبینی معناداری است.
نکته قابل توجه این است که Delphi-2M در پیشبینی برخی بیماریهای خاص، عملکردی قابل مقایسه یا حتی بهتر از الگوریتمهای ریسک بالینی تثبیتشده که تنها برای یک بیماری طراحی شدهاند، از خود نشان داد. به عنوان مثال، در پیشبینی بیماریهای قلبی-عروقی و زوال عقل، این مدل با ابزارهای استاندارد رقابت میکرد. این یک دستاورد بزرگ است زیرا Delphi-2M این کار را به طور همزمان برای صدها بیماری انجام میدهد.
شبیهسازی آینده سلامت و خلق دادههای مصنوعی
شاید هیجانانگیزترین قابلیت Delphi-2M، ماهیت «مولد» آن باشد. این مدل تنها یک ابزار پیشبینی نیست بلکه یک موتور شبیهسازی قدرتمند است. با دادن تاریخچه سلامت یک فرد تا سن مشخصی (مثلاً ۶۰ سالگی) به مدل، میتوان از آن خواست تا مسیرهای احتمالی سلامت آن فرد را برای ۲۰ سال آینده «تولید» یا «شبیهسازی» کند.
این قابلیت کاربردهای انقلابی شایان توجهی دارد:
- برنامهریزی بهداشت عمومی: سیاستگذاران میتوانند با شبیهسازی آینده سلامت گروههای مختلف جمعیتی، بار بیماریها را در دهههای آینده تخمین زده و منابع را به طور مؤثرتری تخصیص دهند.
- ارزیابی ریسک شخصی: یک فرد میتواند درک بهتری از تأثیر سبک زندگی خود (مانند سیگار کشیدن یا BMI بالا) بر مسیر سلامت آیندهاش پیدا کند و انگیزهای برای تغییرات مثبت بیابد.
- حل معمای حریم خصوصی: یکی از بزرگترین موانع در تحقیقات پزشکی، دسترسی به دادههای حساس بیماران است Delphi-2M میتواند مجموعه دادههای سلامتی کاملاً مصنوعی تولید کند که الگوهای آماری و ارتباطات بین بیماریها را حفظ میکنند اما به هیچ فرد واقعی تعلق ندارند. در یک آزمایش خارقالعاده، محققان یک مدل Delphi-2M جدید را صرفاً با استفاده از این دادههای مصنوعی آموزش دادند. نتیجه باورنکردنی بود، مدل جدید به میانگین AUC برابر با ۰.۷۴ دست یافت که تنها سه درصد کمتر از مدل اصلی آموزشدیده با دادههای واقعی بود. این یافته میتواند راه را برای توسعه مدلهای هوش مصنوعی قدرتمند بدون به خطر انداختن حریم خصوصی افراد هموار کند.
باز کردن جعبه سیاه
یکی از انتقادات رایج به مدلهای هوش مصنوعی پیچیده، ماهیت «جعبه سیاه» آنهاست؛ یعنی مشخص نیست که چگونه به نتایج خود میرسند. تیم Delphi-2M با استفاده از تکنیکهای هوش مصنوعی قابل توضیح (XAI) این جعبه سیاه را گشوده است.
با تحلیل فضای داخلی مدل (embedding space)، مشخص شد که بیماریها به طور طبیعی بر اساس دستهبندیهای پزشکی (مانند بیماریهای قلبی، عفونی یا سرطانها) خوشهبندی میشوند، حتی اگر این دستهبندیها به طور مستقیم به مدل آموزش داده نشده باشند. این نشان میدهد که مدل به درک عمیقی از ارتباطات بیولوژیکی و بالینی بین بیماریها رسیده است.
علاوه بر این، با استفاده از روشی به نام SHAP، محققان توانستند تأثیر هر رویداد پزشکی در گذشته را بر روی ریسک یک بیماری خاص در آینده اندازهگیری کنند. برای مثال، تحلیلها نشان داد که مجموعهای از تشخیصهای مرتبط با دستگاه گوارش، ریسک سرطان پانکراس را تا ۱۹ برابر افزایش میدهد. همچنین مشخص شد که تأثیر بیماریها بر ریسک مرگ در طول زمان متفاوت است. در حالی که تأثیر یک سرطان ممکن است برای سالها باقی بماند، تأثیر یک عفونت حاد مانند عفونت خون پس از چند سال به شدت کاهش مییابد. این سطح از شفافیت، اعتماد به مدل را افزایش داده و بینشهای بالینی جدیدی را فراهم میکند.
محدودیتها و چالشهای اخلاقی
با وجود تمام قابلیتهای چشمگیر، Delphi-2M آینهای از دادههایی است که با آن آموزش دیده و این دادهها بدون نقص نیستند. محققان به طور واضح به این محدودیتها اشاره میکنند:
- سوگیری در دادهها: دادههای موجود UK Biobank به طور کلی سالمتر از جمعیت عمومی بریتانیا هستند (پدیده «داوطلب سالم»). این بدان معناست که مدل ممکن است ریسک بیماریها را برای جمعیت عمومی کمتر از حد واقعی تخمین بزند.
- تأثیر منابع داده: دادههای پزشکی از منابع مختلفی مانند گزارشهای بیمارستانی، مراقبتهای اولیه و خوداظهاری بیماران جمعآوری میشوند. مدل یاد گرفته است که بین این منابع ارتباط برقرار کند. برای مثال، نرخ پیشبینیشده برای بیماریهایی که عمدتاً در بیمارستان تشخیص داده میشوند برای افرادی که سابقه بستری در بیمارستان دارند، به طور مصنوعی بالاتر است.
- انعکاس نابرابریهای اجتماعی: مدل نشان میدهد که نرخ بیماریها در گروههای قومیتی و طبقات اجتماعی-اقتصادی مختلف متفاوت است. این یافته تأییدی بر نابرابریهای بهداشتی موجود در جامعه است و هشداری جدی در مورد استفاده از این مدلها در تصمیمگیریهای بالینی محسوب میشود زیرا ممکن است این نابرابریها را تشدید کند.
گامی بزرگ به سوی پزشکی آینده
مدل Delphi-2M یک نقطه عطف در حوزه کاربرد هوش مصنوعی در پزشکی است. این مدل نشان میدهد که معماریهای ترنسفورمر، پتانسیل عظیمی برای مدلسازی سیستمهای پیچیده بیولوژیکی دارند. با این حال، این تنها آغاز راه است.
آینده این فناوری در ادغام دادههای چندوجهی نهفته است. نسخههای بعدی این مدل میتوانند دادههای ژنومی، نتایج آزمایشهای خون، تصاویر پزشکی و حتی دادههای جمعآوریشده از دستگاههای پوشیدنی (مانند ساعتهای هوشمند) را در تحلیلهای خود بگنجانند. چنین مدلی میتواند به یک دستیار هوشمند برای پزشکان تبدیل شود و به شناسایی افراد در معرض خطر بالا برای برنامههای غربالگری، پیشنهاد آزمایشهای تشخیصی مناسب و ارائه توصیههای پیشگیرانه کاملاً شخصیسازیشده کمک کند.
در نهایت، Delphi-2M یک ابزار تشخیصی نهایی نیست بلکه یک قطبنمای قدرتمند است که میتواند مسیرهای احتمالی آینده سلامت را به ما نشان دهد. این مدل با آشکار ساختن الگوهای پیچیده بیماری و فراهم کردن ابزاری برای شبیهسازی آینده، به پزشکان، سیاستگذاران و عموم مردم این قدرت را میدهد تا با آگاهی بیشتری برای آیندهای سالمتر برنامهریزی کنند.
