Возможности генеративного искусственного интеллекта в медицинских исследованиях

Эффективность ИИ в анализе медицинских данных

В ходе ранних испытаний генеративного искусственного интеллекта в медицинских исследованиях специалисты из Калифорнийского университета в Сан-Франциско и Университета Уэйна установили, что ИИ способен обрабатывать большие объемы медицинских данных значительно быстрее, чем традиционные команды специалистов по компьютерным наукам. В ряде случаев результаты, полученные с помощью ИИ, превосходили те, что были достигнуты человеческими командами, которым для анализа аналогичных данных требовались месяцы.

Для объективного сравнения эффективности исследователи поручили одинаковые задачи разным группам: одни опирались исключительно на человеческий опыт, другие использовали ИИ-инструменты. Задача заключалась в прогнозировании преждевременных родов на основе данных более чем 1000 беременных женщин. Даже менее опытные исследователи с помощью ИИ смогли быстро разработать рабочие модели прогнозирования. Система генерировала программный код за считанные минуты, тогда как опытные программисты обычно тратят на это часы или дни. Преимущество ИИ заключалось в возможности создавать аналитический код на основе кратких и конкретных запросов. Однако только половина протестированных ИИ-систем смогла создать пригодный для использования код, но успешные инструменты не требовали больших команд специалистов для управления.

Благодаря высокой скорости работы младшие исследователи смогли завершить эксперименты, проверить результаты и отправить их в научный журнал всего за несколько месяцев. Такие инструменты ИИ могут устранить одно из основных узких мест в науке о данных — построение аналитических цепочек.

Значение исследований преждевременных родов

Ускорение анализа данных может способствовать развитию диагностических инструментов для выявления преждевременных родов, которые являются одной из основных причин смертности новорожденных и долгосрочных нарушений у детей. В США ежедневно преждевременно рождается около 1000 детей.

Причины преждевременных родов до сих пор полностью не изучены. Для выявления возможных факторов риска была собрана микробиомная информация примерно от 1200 беременных женщин в рамках девяти отдельных исследований. Такой анализ возможен только при открытом обмене данными и объединении опыта различных исследовательских групп.

Однако обработка столь масштабных и сложных массивов данных оказалась сложной задачей. Для ее решения исследователи обратились к глобальному краудсорсинговому соревнованию DREAM, где более 100 команд со всего мира разрабатывали модели машинного обучения для выявления паттернов, связанных с преждевременными родами. Большинство групп завершили работу за три месяца, но на консолидацию результатов и публикацию ушло почти два года.

Тестирование ИИ на данных о беременности и микробиоме

Для проверки, может ли генеративный ИИ сократить сроки анализа, исследовательские группы поручили восьми ИИ-системам самостоятельно сгенерировать алгоритмы на тех же наборах данных, что использовались в задачах DREAM, без прямого программирования человеком. Чат-боты ИИ получили тщательно составленные инструкции на естественном языке и анализировали медицинские данные аналогично участникам оригинального конкурса.

Задачи включали анализ данных вагинального микробиома для выявления признаков преждевременных родов и изучение образцов крови или плаценты для оценки срока беременности. Оценка срока беременности часто является приблизительной, но именно она определяет тип медицинской помощи, которую получают женщины. Неточные оценки усложняют подготовку к родам.

В результате только четыре из восьми ИИ-инструментов создали модели, сопоставимые по эффективности с результатами человеческих команд, а в некоторых случаях ИИ показал лучшие результаты. Весь процесс — от начала работы до подачи статьи — занял всего шесть месяцев.

Перспективы и ограничения использования ИИ

ИИ-системы требуют тщательного контроля, поскольку могут выдавать ошибочные результаты, и человеческая экспертиза остается необходимой. Однако благодаря быстрой обработке больших медицинских массивов данных генеративный ИИ позволяет исследователям тратить меньше времени на отладку кода и больше — на интерпретацию результатов и постановку значимых научных вопросов. Это открывает возможности для специалистов с ограниченным опытом в науке о данных сосредоточиться на поиске ответов на важные биомедицинские задачи без необходимости создавать крупные коллаборации или тратить много времени на техническую реализацию.