נייעס

דאס גרויסע שפראך מאָדעל (LLM) קען שרייבן איבערצייגנדיקע ארטיקלען באזירט אויף שנעלע ווערטער, דורכגיין פראפעסיאנעלע בקיאקייט עקזאמענס, און שרייבן פאציענט-פריינדלעכע און עמפאטישע אינפארמאציע. אבער, אין צוגאב צו די באקאנטע ריזיקעס פון פיקציע, שוואכקייט, און אומרעכטע פאקטן אין LLM, ווערן אנדערע אומגעלייזטע פראבלעמען ביסלעכווייז דער פאקוס, ווי למשל קינסטלעכע אינטעליגענץ מאָדעלן וואס אנטהאלטן פאטענציעל דיסקרימינירנדע "מענטשלעכע ווערטן" אין זייער שאַפונג און באַניץ, און אפילו אויב LLM פאבריצירט מער נישט אינהאַלט און עלימינירט קלאר שעדלעכע רעזולטאַטן, קענען "LLM ווערטן" נאך אלץ אפווייכן פון מענטשלעכע ווערטן.

אומצאליגע ביישפילן אילוסטרירן ווי די דאטן גענוצט צו טרענירן קינסטלעכע אינטעליגענץ מאדעלן קאדירן אינדיווידועלע און סאציאלע ווערטן, וואס קענען זיך פארשטארקן אינעם מאדעל. די ביישפילן שליסן איין א רייע אנווענדונגען, אריינגערעכנט אויטאמאטישע אינטערפרעטאציע פון ​​ברוסט רענטגן, קלאסיפיקאציע פון ​​הויט קראנקהייטן, און אלגאריטמישע באשלוס-מאכן וועגן מעדיצינישע רעסורסן צוטיילונג. ווי געזאגט אין א לעצטיגן ארטיקל אין אונזער זשורנאל, קענען פארזארגט טרענירונג דאטן פארשטארקן און אויפדעקן די ווערטן און פארזארגטקייטן וואס זענען פאראן אין דער געזעלשאפט. פארקערט, פארשונג האט אויך געוויזן אז קינסטלעכע אינטעליגענץ קען ווערן גענוצט צו רעדוצירן פארזארגטקייט. למשל, פארשער האבן אנגעווענדעט טיפע לערנען מאדעלן צו קני רענטגן פילמען און אנטדעקט פאקטארן וואס זענען פארפעלט געווארן דורך סטאנדארט שטרענגקייט אינדיקאטארן (גראדירט דורך ראדיאלאגן) אינעם קני געלענק, דערמיט פארקלענערן אומעקלערטע ווייטאג אונטערשיידן צווישן שווארצע און ווייסע פאציענטן.

כאָטש מער און מער מענטשן רעאַליזירן די פאָרורטייל אין קינסטלעכע אינטעליגענץ מאָדעלן, ספּעציעל אין טערמינען פון טריינינג דאַטן, פילע אנדערע אַרייַנגאַנג פונקטן פון מענטשלעכע ווערטן באַקומען נישט גענוג ופמערקזאַמקייט אין דעם אַנטוויקלונג און דיפּלוימאַנט פּראָצעס פון קינסטלעכע אינטעליגענץ מאָדעלן. מעדיצינישע קינסטלעכע אינטעליגענץ האט לעצטנס דערגרייכט ימפּרעסיוו רעזולטאַטן, אָבער צו אַ גרויסער מאָס, האט עס נישט עקספּליציט באַטראַכט מענטשלעכע ווערטן און זייער ינטעראַקציע מיט ריזיקירן אַסעסמאַנט און פּראָבאַביליסטישע ריזאַנינג, און עס איז אויך נישט מאָדעלירט געוואָרן.

כדי צו קאנקרעטיזירן די אבסטראקטע קאנצעפטן, שטעלט זיך פאר אז איר זענט אן ענדאקרינאלאג וואס דארף פארשרייבן רעקאמבינאנט מענטשלעכן וואוקס הארמאן פאר אן 8-יעריגן יינגל וואס איז אונטערן דריטן פראצענטיל פון זיין עלטער. דעם יינגל'ס סטימולירטער מענטשלעכער וואוקס הארמאן לעוועל איז אונטער 2 ng/mL (רעפערענץ ווערט,>10 ng/mL, רעפערענץ ווערט פאר פילע לענדער אינדרויסן פון די פאראייניגטע שטאטן איז>7 ng/mL), און זיין מענטשלעכן וואוקס הארמאן קאדירנדיקער גען האט דעטעקטירט זעלטענע אינאקטיוואציע מוטאציעס. מיר גלייבן אז די אנווענדונג פון מענטשלעכער וואוקס הארמאן טעראפיע איז קלאר און אומבאַדינגט אין דעם קלינישן סעטינג.

די אנווענדונג פון מענטשלעכער וואוקס האָרמאָן טעראַפּיע אין די פאלגענדע סצענאַרן קען פאַראורזאַכן קאָנטראָווערסיע: אַ 14-יאָר-אַלט יינגל'ס הייך איז שטענדיק געווען אין די 10טע פּראָצענטיל פון זיינע חברים, און דער שפּיץ פון מענטשלעכן וואוקס האָרמאָן נאָך סטימולאַציע איז 8 ng/mL. עס זענען קיין באַקאַנטע פאַנגקשאַנאַל מוטאַציעס וואָס קענען ווירקן הייך, אדער אנדערע באַקאַנטע סיבות פון קורץ סטאַטור, און זיין ביין עלטער איז 15 יאָר אַלט (ד"ה קיין אַנטוויקלונג פאַרהאַלטונג). בלויז אַ טייל פון דער קאָנטראָווערסיע איז רעכט צו דיפעראַנסיז אין די שוועל ווערטן באַשטימט דורך עקספּערץ באזירט אויף דאַזאַנז פון שטודיעס וועגן מענטשלעכע וואוקס האָרמאָן לעוועלס געניצט פֿאַר דיאַגנאָסינג אפגעזונדערט וואוקס האָרמאָן דיפישאַנסי. לפּחות אַזוי פיל קאָנטראָווערסיע שטאַמט פון די ריזיקירן נוץ וואָג פון ניצן מענטשלעכע וואוקס האָרמאָן טעראַפּיע פון ​​די פּערספּעקטיווז פון פּאַטיענץ, פּאַציענט עלטערן, געזונטהייט פּראָפעססיאָנאַלס, פאַרמאַסוטיקאַל קאָמפּאַניעס און צאָלערס. פּעדיאַטריק ענדאָקרינאָלאָגס קען וועגן די זעלטן אַדווערס יפעקס פון טעגלעך ינדזשעקשאַנז פון וואוקס האָרמאָן פֿאַר 2 יאָר מיט די מאַשמאָעס פון קיין אָדער בלויז מינימאַל וווּקס אין דערוואַקסן גוף גרייס קאַמפּערד צו איצט. יינגלעך קען גלויבן אַז אפילו אויב זייער הייך קען בלויז פאַרגרעסערן מיט 2 סענטימעטער, עס איז ווערט ינדזשעקטינג וואוקס האָרמאָן, אָבער דער צאָלער און פאַרמאַסוטיקאַל פירמע קען האַלטן פאַרשידענע מיינונגען.

מיר נעמען קרעאַטינין-באַזירט eGFR ווי אַ בייַשפּיל, וואָס איז אַ ברייט גענוצטער ניר-פונקציע אינדיקאַטאָר פֿאַר דיאַגנאָזירן און סטיידזשינג כראָנישע ניר קרענק, באַשטעטיקן ניר טראַנספּלאַנט אָדער דאָנאַציע באדינגונגען, און באַשטימען רעדוקציע קרייטיריאַ און קאָנטראַינדיקאַטיאָנס פֿאַר פילע רעצעפּט דרוגס. EGFR איז אַ פּשוט רעגרעסיע גלייכונג געניצט צו אָפּשאַצן די געמאסטן גלאָמערולאַר פילטריישאַן קורס (mGFR), וואָס איז אַ רעפֿערענץ סטאַנדאַרט, אָבער די עוואַלואַציע אופֿן איז לעפיערעך אָוווערכאָלעם. די רעגרעסיע גלייכונג קען נישט זיין באַטראַכט ווי אַ קינסטלעך אינטעליגענץ מאָדעל, אָבער עס אילוסטרירט פילע פּרינציפּן וועגן מענטשלעכע ווערטן און פּראָבאַביליסטישע ריזאַנינג.

דער ערשטער אריינגאנג-פונקט פאר מענטשלעכע ווערטן אריינצוגיין אין eGFR איז ווען מען סעלעקטירט דאטן פארן פאסן גלייכונגען. די ארגינעלע רייע גענוצט צו דיזיינען די eGFR פארמולע איז מערסטנס צוזאמענגעשטעלט פון שווארצע און ווייסע טיילנעמער, און איר אנווענדבארקייט צו פילע אנדערע עטנישע גרופעס איז נישט קלאר. די ווייטערדיגע אריינגאנג-פונקטן פאר מענטשלעכע ווערטן אין דעם פארמולע שליסן איין: סעלעקטירן mGFR גענויקייט אלס די הויפט ציל פארן אפשאצן ניר פונקציע, וואס איז אן אקצעפטירבארער לעוועל פון גענויקייט, ווי אזוי צו מעסטן גענויקייט, און ניצן eGFR אלס א שוועל פארן אויסרופן קלינישע באשלוס-מאכן (ווי באשטימען באדינגונגען פאר ניר טראנספלאנטאציע אדער פארשרייבן מעדיקאציע). צום סוף, ווען מען סעלעקטירט דעם אינהאלט פון דעם אינפוט מאדעל, וועלן מענטשלעכע ווערטן אויך אריינגיין אין דעם פארמולע.

למשל, פאר 2021, האבן גיידליינז פארגעשלאגן צו צופאסן די קרעאטינין לעוועלס אין דער eGFR פארמולע באזירט אויף פאציענט'ס עלטער, דזשענדער, און ראסע (נאר קלאסיפיצירט אלס שווארצע אדער נישט-שווארצע מענטשן). די צופאסונג באזירט אויף ראסע איז געצילט צו פארבעסערן די גענויקייט פון דער mGFR פארמולע, אבער אין 2020, האבן גרויסע שפיטעלער אנגעהויבן צו פרעגן די נוצן פון ראסע-באזירטער eGFR, ציטירנדיג סיבות ווי פארלענגערן דעם פאציענט'ס בארעכטיגונג פאר טראנספלאנטאציע און קאנקרעטיזירן ראסע אלס א ביאלאגישער באגריף. פארשונג האט געוויזן אז דיזיינען eGFR מאדעלן אין טערמינען פון ראסע קען האבן טיפע און פארשידענע אויסווירקונגען אויף גענויקייט און קלינישע רעזולטאטן; דעריבער, סעלעקטיוו פאקוסירן אויף גענויקייט אדער פאקוסירן אויף א טייל פון רעזולטאטן שפיגלט אפ ווערט משפטים און קען באהאלטן טראנספארענטע באשלוס-מאכן. צום סוף, האט די נאציאנאלע ארבעטס גרופע פארגעשלאגן א נייע פארמולע וואס איז געווארן איבערגעמאכט אן באטראכטן ראסע צו באלאנסירן פערפארמענס און גערעכטיקייט פראבלעמען. דאס ביישפיל אילוסטרירט אז אפילו א פשוטע קלינישע פארמולע האט אסאך אריינגאנג פונקטן אין מענטשלעכע ווערטן.

קאַמפּערד צו קלינישע פאָרמולעס מיט בלויז אַ קליינע צאָל פאָרויסזאָגן אינדיקאַטאָרן, קען LLM באַשטיין פון ביליאָנען ביז הונדערטער ביליאָנען פּאַראַמעטערס (מאָדעל וואָג) אָדער מער, וואָס מאַכט עס שווער צו פֿאַרשטיין. די סיבה פאַרוואָס מיר זאָגן "שווער צו פֿאַרשטיין" איז אַז אין רובֿ LLMs, קען דער גענויער וועג פון אַרויסרופֿן ענטפֿערס דורך פֿראַגעס נישט ווערן מאַפּט. די צאָל פּאַראַמעטערס פֿאַר GPT-4 איז נאָך נישט געוואָרן אַנאָנסירט; זײַן פֿאָרגייער GPT-3 האָט געהאַט 175 ביליאָן פּאַראַמעטערס. מער פּאַראַמעטערס מיינען נישט שטענדיק שטאַרקערע מעגלעכקייטן, ווײַל קלענערע מאָדעלן וואָס אַנטהאַלטן מער קאָמפּיוטיישאַנאַל ציקלען (ווי די LLaMA [Large Language Model Meta AI] מאָדעל סעריע) אָדער מאָדעלן וואָס זענען פֿײַן-אויסגעשטעלט באַזירט אויף מענטשלעכע פֿידבעק וועלן אַרבעטן בעסער ווי גרעסערע מאָדעלן. למשל, לויט מענטשלעכע אָפּשאַצערס, וועט דער InstrumentGPT מאָדעל (אַ מאָדעל מיט 1.3 ביליאָן פּאַראַמעטערס) אַוטפּערפאָרמען GPT-3 אין אָפּטימיזירן מאָדעל רעזולטאַטן.

די ספעציפישע טרענירונג דעטאלן פון GPT-4 זענען נאכנישט ארויסגעגעבן געווארן, אבער די דעטאלן פון פריערדיגע דורות מאדעלן, אריינגערעכנט GPT-3, InstrumentGPT, און פילע אנדערע אפענע-קוואל LLMs, זענען שוין ארויסגעגעבן געווארן. היינטצוטאג קומען פילע AI מאדעלן מיט מאדעל קארטלעך; די עוואלואציע און זיכערהייט דאטן פון GPT-4 זענען ארויסגעגעבן געווארן אין א ענליכער סיסטעם קארטל וואס ווערט צוגעשטעלט דורך די מאדעל שאפונג פירמע OpenAI. די שאפונג פון LLM קען מען גראב צוטיילן אין צוויי שטאפלען: די ערשטע פאר-טרענירונג שטאפעל און די פיין-טונינג שטאפעל וואס האט צום אפטימיזירן די מאדעל רעזולטאטן. אין דער פאר-טרענירונג שטאפעל ווערט דער מאדעל צוגעשטעלט מיט א גרויסן קארפוס אריינגערעכנט דעם אריגינעלן אינטערנעט טעקסט כדי עס צו טרענירן צו פאראויסזאגן דאס נעקסטע ווארט. דער אויסזעענדיק פשוטער "אויטאמאטישער פארענדיגונג" פראצעס פראדוצירט א שטארקן יסודות'דיגן מאדעל, אבער ער קען אויך פירן צו שעדליכע אויפפירונג. מענטשליכע ווערטן וועלן אריינגיין אין דער פאר-טרענירונג שטאפעל, אריינגערעכנט אויסקלויבן פאר-טרענירונג דאטן פאר GPT-4 און באשליסן צו אראפנעמען אומפאסיגע אינהאלט ווי פארנאגראפישער אינהאלט פון די פאר-טרענירונג דאטן. טראץ די אנשטרענגונגען, קען דער באזישער מאדעל נאך אלץ נישט זיין נוצלעך און נישט פעאיק צו אנטהאלטן שעדליכע רעזולטאטן. אין דער נעקסטער שטאפעל פון פיין-טונינג וועלן ארויסקומען פילע נוצליכע און אומשעדליכע אויפפירונגען.

אין דער פיין-טונינג סטאַגע, ווערט די נאַטור פון שפּראַך מאָדעלן אָפט טיף געביטן דורך סופּערווייזד פיין-טונינג און פארשטארקונג לערנען באַזירט אויף מענטשלעכע באַמערקונגען. אין דער סופּערווייזד פיין-טונינג סטאַגע, וועלן געהייערטע קאָנטראַקטאָר פּערסאָנעל שרייבן ענטפער ביישפילן פֿאַר פּראָמפּט ווערטער און גלייך טרענירן דעם מאָדעל. אין דער פארשטארקונג לערנען סטאַגע באַזירט אויף מענטשלעכע באַמערקונגען, וועלן מענטשלעכע עוואַלואַטאָרן סאָרטירן די מאָדעל אַוטפּוט רעזולטאַטן ווי אינפוט אינהאַלט ביישפילן. דערנאָך וועלן זיי אָנווענדן די אויבן דערמאָנטע פאַרגלייַך רעזולטאַטן צו לערנען דעם "באַלוינונג מאָדעל" און ווייטער פֿאַרבעסערן דעם מאָדעל דורך פארשטארקונג לערנען. אַמייזינג נידעריק-לעוועל מענטשלעכע באַטייליקונג קען פיין-טונען די גרויסע מאָדעלן. למשל, דער InstrumentGPT מאָדעל האָט גענוצט אַ מאַנשאַפֿט פון אַרום 40 קאָנטראַקטאָר פּערסאָנעל רעקרוטירט פון קראַודסאָרסינג וועבסיטעס און דורכגעגאנגען אַ סקרינינג טעסט אַימעד צו סעלעקטירן אַ גרופּע פון ​​אַנאָטאַטאָרס וואָס זענען סענסיטיוו צו די פּרעפֿערענצן פון פאַרשידענע באַפעלקערונג גרופּעס.

ווי די צוויי עקסטרעמע ביישפילן, נעמליך די פשוטע קלינישע פאָרמולע [eGFR] און די שטאַרקע LLM [GPT-4], ווייַזן, שפּילן מענטשלעכע באַשלוס-מאכן און מענטשלעכע ווערטן אַן אומפאַרלאַנגבאַרע ראָלע אין שאַפן מאָדעל רעזולטאַטן. קענען די קינסטלעכע אינטעליגענץ מאָדעלן כאַפּן זייערע פֿאַרשיידענע פּאַציענט און דאָקטער ווערטן? ווי אַזוי עפנטלעך פירן די אַפּליקאַציע פון ​​קינסטלעכער אינטעליגענץ אין מעדיצין? ווי דערמאָנט ווייטער, קען אַ ווידער-אונטערזוכונג פון מעדיצינישער באַשלוס-אַנאַליז צושטעלן אַ פּרינציפּיעלע לייזונג צו די פּראָבלעמען.

מעדיצינישע באַשלוס אַנאַליז איז נישט באַקאַנט צו פילע קליניקער, אָבער עס קען אונטערשיידן צווישן פּראָבאַביליסטישע ריזאַנינג (פֿאַר אומזיכערע רעזולטאַטן שייך צו באַשלוס-מאכן, אַזאַ ווי צי צו געבן מענטשלעך וווּקס האָרמאָן אין די קאָנטראָווערסיאַל קליניש סצענאַר געוויזן אין פיגור 1) און באַטראַכטונג פאַקטאָרן (פֿאַר סוביעקטיווע ווערטן אַטאַטשט צו די רעזולטאַטן, וועמענס ווערט איז קוואַנטיפיצירט ווי "נוצלעכקייט", אַזאַ ווי דער ווערט פון אַ 2 סענטימעטער פאַרגרעסערונג אין זכר הייך), פּראַוויידינג סיסטעמאַטיש סאַלושאַנז פֿאַר קאָמפּלעקס מעדיצינישע דיסיזשאַנז. אין באַשלוס אַנאַליז, קליניקער מוזן ערשטער באַשטימען אַלע מעגלעך דיסיזשאַנז און פּראָבאַביליטיז פֿאַרבונדן מיט יעדער רעזולטאַט, און דאַן ינקאָרפּערייט די פּאַציענט (אָדער אנדערע פּאַרטיי) נוצלעכקייט פֿאַרבונדן מיט יעדער רעזולטאַט צו סעלעקטירן די מערסט פּאַסיק אָפּציע. דעריבער, די גילטיקייט פון באַשלוס אַנאַליז דעפּענדס אויף צי די רעזולטאַט סעטינג איז קאַמפּרענסיוו, ווי געזונט ווי צי די מעסטונג פון נוצלעכקייט און די שאַצונג פון פּראָבליאַנס זענען פּינטלעך. ידעאַללי, דעם צוגאַנג העלפּס ענשור אַז דיסיזשאַנז זענען עווידענס-באזירט און אַליינד מיט פּאַציענט פּרעפֿערענצן, דערמיט נעראָוינג די ריס צווישן אָביעקטיוו דאַטן און פּערזענלעך ווערטן. דעם אופֿן איז געווען ינטראָודוסט אין די מעדיציניש פעלד עטלעכע דעקאַדעס צוריק און געווענדט צו יחיד פּאַציענט באַשלוס-מאכן און באַפעלקערונג געזונט אַסעסמאַנט, אַזאַ ווי פּראַוויידינג רעקאָמענדאַציעס פֿאַר קאָלאָרעקטאַל ראַק סקרינינג צו די אַלגעמיינע באַפעלקערונג.

אין מעדיצינישער באַשלוס אַנאַליז, זענען פאַרשידענע מעטאָדן דעוועלאָפּעד געוואָרן צו באַקומען נוצלעכקייט. רובֿ טראַדיציאָנעלע מעטאָדן באַקומען גלייך ווערט פון יחיד פּאַציענטן. די פּשוטסטע מעטאָד איז צו נוצן אַ שאַץ וואָג, וואו פּאַציענטן אָפּשאַצן זייער מדרגה פון פּרעפֿערענץ פֿאַר אַ געוויסן רעזולטאַט אויף אַ דיגיטאַל וואָג (אַזאַ ווי אַ לינעאַר וואָג ריינדזשינג פון 1 צו 10), מיט די מערסט עקסטרעמע געזונט רעזולטאַטן (אַזאַ ווי גאַנץ געזונט און טויט) ליגן אין ביידע עקן. די צייט וועקסל מעטאָד איז נאָך אַ אָפט געניצט מעטאָד. אין דעם מעטאָד, פּאַטיענץ דאַרפֿן צו מאַכן אַ באַשלוס וועגן ווי פיל געזונט צייט זיי זענען גרייט צו פאַרברענגען אין וועקסל פֿאַר אַ פּעריאָד פון שלעכט געזונט. די נאָרמאַל גאַמבלינג מעטאָד איז נאָך אַ אָפט געניצט מעטאָד פֿאַר באַשטימען נוצלעכקייט. אין דעם מעטאָד, פּאַטיענץ זענען געפרעגט וועלכע פון ​​די צוויי אָפּציעס זיי פּרעפֿערירן: אָדער לעבן אַ זיכער נומער פון יאָרן אין נאָרמאַל געזונט מיט אַ ספּעציפיש וואַרשיינלעכקייט (p) (t), און טראָגן די ריזיקירן פון טויט מיט אַ 1-p וואַרשיינלעכקייט; אָדער מאַכן זיכער צו לעבן פֿאַר t יאָרן אונטער קראָס געזונט באדינגונגען. פרעגן פּאַטיענץ קייפל מאָל אין פאַרשידענע p-ווערטן ביז זיי ווייַזן קיין פּרעפֿערענץ פֿאַר קיין אָפּציע, אַזוי אַז נוצלעכקייט קענען זיין קאַלקיאַלייטיד באזירט אויף פּאַציענט ריספּאָנסעס.
אין צוגאב צו מעטאָדן גענוצט צו אַרויסברענגען יחידישע פּאַציענט פּרעפֿערענצן, זענען מעטאָדן אויך דעוועלאָפּט געוואָרן צו באַקומען נוצלעכקייט פֿאַר דער פּאַציענט פּאָפּולאַציע. ספּעציעל פאָקוס גרופּע דיסקוסיעס (ברענגען פּאַציענטן צוזאַמען צו דיסקוטירן ספּעציפֿישע יקספּיריאַנסיז) קענען העלפֿן פֿאַרשטיין זייערע פּערספּעקטיוון. כּדי עפֿעקטיוו צוזאַמענשטעלן גרופּע נוצלעכקייט, זענען פֿאַרשידענע סטרוקטורירטע גרופּע דיסקוסיע טעקניקס פֿאָרגעלייגט געוואָרן.
אין פּראַקטיק, די דירעקטע איינפיר פון נוצלעכקייט אין דעם קלינישן דיאַגנאָז און באַהאַנדלונג פּראָצעס איז זייער צייט-פאַרברענגענדיק. אַלס אַ לייזונג, ווערן אַנקעטע-פֿראַגעבאָגן געוויינטלעך פאַרטיילט צו ראַנדאָם אויסגעקליבענע פּאָפּולאַציעס צו באַקומען נוצלעכקייט סקאָרס אויף דער פּאָפּולאַציע מדרגה. עטלעכע ביישפילן אַרייַננעמען די יוראָקאָל 5-דימענסיאָנאַלע פֿראַגעבאָגן, די 6-דימענסיאָנאַלע נוצלעכקייט וואָג קורצע פֿאָרעם, די געזונט נוצלעכקייט אינדעקס, און די קענסער ספּעציפֿיש אייראפעישער קענסער פאָרשונג און באַהאַנדלונג אָרגאַניזאַציע קוואַליטעט פון לעבן פֿראַגעבאָגן קאָר 30 געצייַג.