AI'yı Teste Koymak
Yapay zekânın tıbbi araştırmada insan uzmanlığının yerini gerçekten alabilip alamayacağı veya geliştirebileceği sorusu teorik tartışmadan ampirik araştırmaya ilerlemiştir. UC San Francisco ve Wayne Devlet Üniversitesi araştırmacıları tarafından yürütülen yeni bir çalışma, üretici AI sistemlerinin geleneksel insan yaklaşımlarını çok geride bırakacak hızda sofistike tıbbi veri analizini işleyebileceğine dair şimdiye kadar en somut kanıtlardan bazılarını sağlamıştır.
Araştırma ekibi, sekiz ticari olarak kullanılabilir AI sohbet robotunu aynı analitik görevlerde insan araştırma ekiplerine karşı karşılaştıran başa baş bir karşılaştırma tasarladı. Veri setleri 1000'den fazla hamile kadının klinik bilgilerini içeriyordu ve hedefler önemliydi: prematüre doğum riskini tahmin etmek ve kan örnekleri ve plasenta doku verileri kullanarak gestasyonel yaşı tahmin etmek.
Bunlar basit analitik sorunlar değildir. Karmaşık biyolojik ilişkileri anlamayı, eksik değerler ve karıştırıcı değişkenlerle karışık gerçek dünya verilerini işlemeyi ve makine öğrenmesi boru hatları aracılığıyla veri setlerini işleyebilen kodu üretmeyi gerektirir. Bu, geleneksel olarak deneyimli biyoistatistikçiler ve veri bilimcilerin uzun süreler çalışmasını gerektiren tam olarak bu tür iştir.
Araştırmacıları Bile Şaşırtan Sonuçlar
Test edilen sekiz AI sisteminin dördü, atanan görevler için işlevsel ve kullanılabilir kod üretmiştir. Elli yüzde bir başarı oranı etkileyici olmayabilir, ancak bu dört sistemin performansı muhteşemdi. AI tarafından oluşturulan analizler, deneyimli insan araştırma ekipleri tarafından üretilen sonuçların kalitesiyle eşleşmiş veya aşmıştır.
Belki de en çarpıcı bulgu bir genç araştırmacı çiftini ilgilendiriyordu: bir yüksek lisans öğrencisi bir lise öğrencisiyle çalışmaktadır. AI yardımını kullanarak, bu nispeten deneyimsiz ikili, deneyimli programcıların genellikle saatler hatta günler alabilecek tahmin modellerini dakikalar içinde tamamladı. AI sadece işi hızlandırmakla kalmadı; sofistike tıbbi veri analizi yapma için giriş engelini köklü olarak düşürdü.
Proje zaman çizelgesinin tamamı boyunca ölçüldüğünde, avantajlar daha da belirgin hale geldi. AI destekli araştırma çabası yaklaşık altı ayda tamamlandı. Geleneksel insan ekipleri tarafından yapılan karşılaştırılabilir çalışma benzer bulgulara konsolide etmek için yaklaşık iki yıl almıştı. Bu, sonuç zamanında yaklaşık yüzde 75'lik bir azalmayı temsil eder.
Tıbbi Araştırmayı Demokratikleştirmek
Çalışmanın en önemli çıkarımlarından biri saf hızın ötesine geçmektedir. Üretici AI, tıbbi araştırmada ileri veri bilimi yeteneklerine erişimi demokratikleştirme potansiyeline sahiptir. Şu anda, bu çalışmada test edilen analiz türünü yürütmek kapsamlı programlama uzmanlığı veya uzmanlaşmış biyoistatistik ekiplerine erişim gerektirir. Her iki kaynak da nadirdir ve pahalıdır, özellikle küçük araştırma kurumlarında ve düşük gelirli ülkelerde.
Üretici AI, uzman kalitesine uygun analitik kodu güvenilir bir şekilde üretebilirse, veri odaklı tıbbi araştırmaya katılabilecek çok daha geniş bir araştırmacı yelpazesini etkinleştirebilir. İkna edici bir araştırma sorusu ve ilgili bir veri setine erişimi olan bir klinisyen, muhtemelen özel bir veri bilimi ekibini işe almaya gerek kalmadan hipotezden sonuçlara gidebilir.
Araştırmacılar bu potansiyeli acil terimlerle çerçevelendirerek, hızlanmanın şimdi yardıma ihtiyaç duyan hastalar için çok geç gelemeyeceğini belirttiler. Prematüre doğum araştırması gibi alanlarda, burada prematüre doğum dünya çapında yenidoğan ölümü nedenlerinden birinci kalırken, keşif hızını hızlandırmak doğrudan insani çıkarımlara sahiptir.
Kalite Sorusu
Hız doğruluk pahasına olur ise anlamsızdır ve araştırmacılar bu endişeyi ele almakta dikkatli davranmışlardır. İşlevsel kod üreten AI sistemleri, insan ekiplerinkiyle istatistiksel olarak karşılaştırılabilir sonuçlar üretmiştir. Bazı spesifik analitik görevlerde, AI çıktıları aslında üstündü, desenleri tanımlıyor veya daha yüksek öngörü doğruluğu ile modeller üreterek.
Ancak, çalışma önemli sınırlamalar da ortaya koymuştur. Test edilen AI sistemlerinin yarısı hiç kullanılabilir kod üretememiş, hata içeren çıktılar üreterek, anlamsız sonuçlar üreterek veya basitçe derlenmemiştir. Bu tutarsızlık, üretici AI'nın tıbbi veri analizi için henüz bir hızlı çözüm olmadığını vurgulamaktadır.
Araştırmacılar, insan gözetiminin işlem boyunca gerekli kalması gerektiğini vurguladı. AI sistemleri, makul görünen ancak temel olarak kusurlu sonuçlar üretebilir, bazen güven duyulan yanlışlık veya halüsinasyon olarak adlandırılan bir fenomen. Uzman incelemesi olmadan, bu tür hatalar yayınlanan araştırmaya yayılabilir ve sonuçta klinik uygulamayı etkileyebilir.
İnsan yargısının vazgeçilmez kaldığı kritik alanlar şunlardır:
- AI tarafından seçilen analitik yaklaşımın belirli araştırma sorusuna uygun olup olmadığını değerlendirmek
- Sonuçların biyolojik olarak makul olup olmadığını ve mevcut tıbbi bilgiyle tutarlı olup olmadığını değerlendirmek
- AI'nin tanıyamayabileceği veya hesaba katmayabileceği verilerdeki olası önyargıları tanımlamak
- Sonuçları uygun klinik bağlamda yorumlamak ve bunları eylem alınabilir tıbbi içgörülere çevirmek
- Hasta veri gizliliği ve araştırma bütünlüğü etrafındaki etik hususların korunmasını sağlamak
Araştırma Işgücü Üzerine Çıkarımlar
Çalışma, tıbbi araştırma işgücünün geleceği hakkında önemli sorular ortaya koymaktadır. AI araçlarıyla donatılmış genç araştırmacılar deneyimli ekiplerin çalışmalarıyla eşdeğer analizler üretebilirse, biyomedikal veri bilimindeki geleneksel kariyer yolu evrim geçirmesi gerekebilir.
AI, vasıflı araştırmacıları yer almak yerine çalışmalarının doğasını değiştirmesi daha muhtemeldir. Deneyimli araştırmacılar, kod yazma ve veri işlemeyi zamanlarının çoğunu harcamak yerine, daha yüksek düzeylik görevlerine odaklanabilir: araştırma soruları formüle etmek, çalışmalar tasarlamak, sonuçları yorumlamak ve bulguları klinik uygulamalara çevirmek. AI hesaplama işini ele alır; insanlar bilimsel yargı ve bağlamsal anlayış sağlar.
Bu değişim aynı zamanda tıbbi araştırmada devam eden bir darboğazı giderebilir. Birçok umut verici çalışma, veriler yok veya sorular önemli olmadığı için durgun değil, hesaplama işini yapmak için yeterli nitelikli analist olmadığı için durgun kalmıştır. Üretici AI bu geriye dönük işleri temizlemesine yardımcı olabilir, araştırma alanları arasında ilerlemeyi aynı anda hızlandırabilir.
Sonra Ne?
Araştırmacılar araştırmalarını ek tıbbi alanlara ve daha karmaşık analitik görevlere genişletmeyi planlıyor. Ayrıca, kalite kontrol yönergeleri, doğrulama protokolleri ve yayınlanan araştırmalarda AI katılımının uygun açıklanması dahil olmak üzere araştırma iş akışlarına üretici AI'yı entegre etmek için en iyi uygulamalar geliştirmeyi amaçlamaktadırlar.
AI yetenekleri geliştirmeye devam ettikçe ve araçlar daha güvenilir hale geldikçe, tıbbi araştırmada AI üretilen ve insan tarafından üretilen analiz arasındaki denge daha da kaymaya muhtemeldir. Mevcut çalışma, bu kaymanın sadece mümkün olmadığını değil, zaten devam etmekte olduğunu ve tıbbi keşfin hızı ve erişilebilirliğine önemli faydalar getirdiğini gösteren güçlü kanıtlar sağlamaktadır.
Araştırma atılımlarını bekleyen hastalar için hızlanma çok geç gelemez. İki yıllık analitik işi altı aya sıkıştırma yeteneği, klinik uygulamaya ulaşan içgörülerin önemli ölçüde daha erken gelebildiği, potansiyel olarak geleneksel araştırma zaman çizelgelerinin yavaş öğütülmede kaybedilecek olan yaşamları kurtarabilir anlamına gelir.
Bu makale Science Daily tarafından yapılan raporlamaya dayanmaktadır. Orijinal makalesi okuyun.
