Nature сэтгүүлд саяхан нийтлэгдсэн судалгаагаар эрдэмтэд хүний эрүүл мэндийн ирээдүйг нарийн урьдчилан таамаглаж чадах шинэ хиймэл оюун ухааны загварыг танилцууллаа. Delphi-2M хэмээх уг загвар нь хүний өнгөрсөн өвчлөлийн түүх, амьдралын хэв маяг, биеийн онцлог зэрэг мэдээлэлд үндэслэн ирээдүйд ямар өвчин тусах магадлалтайг тооцоолж, бүр өвчний траекторыг 20 жилийн хугацаанд урьдчилан “зурах” чадвартай юм.
Зураг 1. Delphi
Судалгааны арга зүй
Delphi-2M нь GPT (Generative Pretrained Transformer) загварын сайжруулсан хувилбар бөгөөд хүний өвчний явцыг насны туршид тасралтгүй цагийн тэнхлэг дээр тооцоолж чаддаг. Судалгаанд:
Оролтод ICD-10 оношийн кодууд, нас, хүйс, биеийн жингийн индекс (BMI), архи болон тамхины хэрэглээний үзүүлэлтүүдийг ашигласан. Харин эдгээрийг загвар нь өөрөө таамаглаагүй, зөвхөн нэмэлт оролтын мэдээлэл болгон ашигласан байна.
Зураг 2. Delphi — GPT архитектурын өөрчлөгдсөн хувилбар бөгөөд эрүүл мэндийн траекторыг загварчилдаг. ( a. ICD-10 онош, амьдралын хэв маяг болон “health padding” токен дээр суурилсан эрүүл мэндийн траекторыг үзүүлсэн схем. Эдгээр мэдээллийг тус бүр өөр өөр насанд бүртгэсэн байдаг. b. Сургалт, баталгаажуулалт болон туршилтын өгөгдөл: UK Biobank (зүүн талд) болон Данийн өвчний бүртгэл (баруун талд). c. Delphi загварын архитектур. Улаанаар тэмдэглэсэн хэсгүүд нь үндсэн GPT-2 загвартай харьцуулахад хийгдсэн өөрчлөлтийг харуулна. “N ×” нь трансформер блокийг дарааллаар нь N удаа хэрэглэхийг илэрхийлнэ. d. Загварт өгсөн оролт (prompt) ба гарсан үр дүнгийн (samples) жишээ. Эдгээр нь (нас:токен) хосуудаас бүрдэнэ. e. Delphi-ийн масштабын хууль. Янз бүрийн сургалтын өгөгдлийн хэмжээнд загварын параметрийн тоо хэрхэн нэмэгдэхэд баталгаажуулалтын алдааны хамгийн бага утга өөрчлөгдөж байгааг харуулсан. f. Ablation шинжилгээний үр дүн. Нас ба хүйсэд суурилсан суурь загвартай харьцуулсан cross-entropy-ийн зөрүү (y тэнхлэг)-г насны ангиллаар (x тэнхлэг) харуулсан. g. Үйл явдал болох хүртэлх хугацааны таамаглалын нарийвчлал. Дараагийн токен бүрийн бодитоор ажиглагдсан (y тэнхлэг) болон хүлээгдсэн (x тэнхлэг) хугацааг цэгүүдээр (саарал) харуулсан. Цэнхэр шугам нь x тэнхлэгийн дараалсан интервал бүрийн дундажийг илэрхийлнэ. )
Гарсан үр дүн
Delphi-2M нь 1000 гаруй өвчний эрсдэлийг нэгэн зэрэг урьдчилан таамаглаж чадсан бөгөөд нарийвчлалын хувьд нэг өвчнийг оношлох зорилготой өмнөх AI загваруудтай ойролцоо түвшинд хүрчээ. Гэхдээ Delphi-2M-ийн онцлог нь генератив шинж чанартай бөгөөд өвчний дараалал болон тохиолдох хугацааг урьдчилан загварчлах чадвартай.
SHAP (Shapley Additive Explanations) болон UMAP зэрэг тайлбарлагдсан AI аргуудыг ашигласнаар судлаачид өвчнүүдийн хавсарсан эрсдэлийн бүлгүүдийг тодорхойлжээ. Жишээлбэл, сэтгэцийн эмгэгүүд нэг бүлгээрээ бөөгнөрсөн байхад жирэмслэлттэй холбоотой өвчнүүд зөвхөн тодорхой хугацаанд илэрч, дараа нь бүрэн алга болдог нь тогтоогдсон.
Судалгааны ач холбогдол
Энэ судалгаа нь хүний эрүүл мэндийг зөвхөн нэг оношоор бус, олон өвчний хавсарлын хам сүлжээ, тэдгээрийн цаг хугацааны уялдаа дээр тулгуурлан ойлгох ёстойг харуулж байна. Delphi-2M нь хувь хүнд тохирсон эрүүл мэндийн эрсдэлийг тооцоолж, урьдчилан сэргийлэх арга хэмжээг илүү зөв төлөвлөхөд тусална. Мөн хүн амын түвшинд өвчлөлийн ирээдүйн ачааллыг тооцоолсноор эрүүл мэндийн систем, эдийн засгийн төлөвлөлтөд шинэ боломж нээх юм.
Гэвч эрдэмтэд Delphi-2M нь сургалтын өгөгдлийн гадаад нөлөө, гажуудлыг дагаж байгаа тул бодит амьдралд хэрэглэхийн өмнө болгоомжтой үнэлэх шаардлагатайг онцолжээ.
Дүгнэлт
Delphi-2M бол хүний эрүүл мэндийн явцыг урт хугацаанд урьдчилан таамаглах анхны өргөн хүрээний генератив AI загваруудын нэг юм. Энэ нь зөвхөн хувь хүний эрүүл мэндийн эрсдэлийг тодорхойлоод зогсохгүй, бүхэл бүтэн улс орон, хүн амын түвшний өвчлөлийн төлөв байдлыг урьдчилан харах боломжийг олгоно. Тиймээс уг судалгаа нь ирээдүйд нарийвчилсан анагаах ухаан болон эрүүл мэндийн бодлого төлөвлөлтийн шинэ үеийн суурь болох өндөр ач холбогдолтой.
Эх сурвалж:Энд дарна уу
Мэдээ бэлтгэсэн: ЭША Д. Билэггдэмбэрэл