Large Language Models as Unified Multimodal Learners for Clinical Prediction
यह शोध पत्र यह प्रदर्शित करता है कि विविध इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड मोडैलिटीज़ को एक एकल प्राकृतिक भाषा अनुक्रम में परिवर्तित करना और एक प्रीट्रेंड लार्ज लैंग्वेज मॉडल को एंड-टू-एंड फाइन-ट्यून करना, विशिष्ट मल्टीमॉडल आर्किटेक्चर और तैनात ग्रेडिएंट बूस्टिंग सिस्टम के समान या उनसे बेहतर क्लिनिकल प्रेडिक्शन प्रदर्शन प्राप्त करता है, जिससे जटिल, कार्य-विशिष्ट फ्यूजन डिजाइनों की आवश्यकता समाप्त हो जाती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
चिकित्सा डेटा की दुनिया की कल्पना एक विशाल, अराजक पुस्तकालय के रूप में करें। एक शेल्फ पर, आपके पास संख्याओं से भरी व्यवस्थित, सुव्यवस्थित बहीखाते हैं: हृदय गति, रक्तचाप, लैब के परिणाम और रोगियों की आयु। दूसरी शेल्फ पर, आपके पास डॉक्टरों द्वारा लिखे गए हाथ से लिखे गए बिखरे हुए जर्नल हैं, जो कहानियों, टिप्पणियों और इस बात के विवरणों से भरे हुए हैं कि एक रोगी कैसा महसूस कर रहा है। दशकों तक, स्वास्थ्य परिणामों की भविष्यवाणी करने वाले कंप्यूटरों को दो अलग-अलग पुस्तकालयाध्यक्षों (लाइब्रेरियन) को काम पर रखना पड़ता था: एक जो केवल संख्याओं को समझता था और दूसरा जो केवल कहानियों को समझता था। ये पुस्तकालयाध्यक्ष अलग-अलग कमरों में काम करते थे, अपने निष्कर्षों का सारांश निकालने की कोशिश करते थे, और फिर एक तीसरे व्यक्ति को निर्णय लेने के लिए उन सारांशों को अजीब तरह से जोड़ने के लिए मजबूर होना पड़ता था। यह धीमा, जटिल था, और चिकित्सा के हर नए प्रकार के प्रश्न के लिए एक नया लाइब्रेरी सिस्टम शून्य से बनाना पड़ता था।
यहाँ 'लार्ज लैंग्वेज मॉडल' (LLM) का प्रवेश होता है। इन्हें इन सुपर-स्मार्ट, भूखे पाठकों के रूप में सोचें जिन्होंने पुस्तकालय की लगभग हर किताब को पढ़ डाला है। वे मानव भाषा को समझने में इतने कुशल हैं कि वे एक कहानी को पढ़ सकते हैं और तुरंत उस संख्या का अर्थ समझ सकते हैं यदि उसे शब्दों में लिखा गया हो। शोधकर्ता एक बड़ा सवाल पूछ रहे हैं: क्या हम बस सारा डेटा—साफ-सुथरे बहीखाते और बिखरे हुए जर्नल—इस एक सुपर-रीडर को दे सकते हैं, सब कुछ एक सरल कहानी में अनुवादित कर सकते हैं, और इसे उत्तर खोजने दें? यदि यह काम करता है, तो हमें हर नई चिकित्सा समस्या के लिए जटिल, कस्टम लाइब्रेरी बनाने की आवश्यकता नहीं होगी। हम बस एक सार्वभौमिक अनुवादक (यूनिवर्सल ट्रांसलेटर) का उपयोग कर सकते हैं।
यह शोध पत्र, जिसका शीर्षक "लार्ज लैंग्वेज मॉडल्स एज़ यूनिफाइड मल्टीमॉडल लर्नर्स फॉर क्लिनिकल प्रेडिक्शन" है, सीधे उसी विचार में उतरता है। शोधकर्ताओं के एक दल ने, जो जर्मनी के एआई और मेडिकल केंद्रों से है, यह परीक्षण किया कि क्या वे रोगी के सभी विभिन्न प्रकार के डेटा—वाइटल साइन्स, लैब के परिणाम और डॉक्टर के नोट्स—को लेकर उन्हें बस एक लंबे वाक्य या पैराग्राफ में बदल सकते हैं। संख्याओं और टेक्स्ट को एक साथ जोड़ने के लिए डिज़ाइन किए गए विशेष, जटिल कंप्यूटर आर्किटेक्चर का उपयोग करने के बजाय, उन्होंने बस इस "सुपर-स्टोरी" को मानक, प्री-ट्रेन्ड एआई मॉडल (जैसे लामा, जेम्मा और अन्य) में फीड किया और उनसे पूछा कि रोगी के साथ क्या होने की भविष्यवाणी की जा सकती है।
परिणाम आश्चर्यजनक रूप से प्रभावी थे। टीम ने इस "एक-कहानी" दृष्टिकोण का परीक्षण तीन बहुत अलग चिकित्सा चुनौतियों पर किया: यह भविष्यवाणी करना कि क्या आईसीयू (ICU) में रहने के दौरान किसी रोगी की मृत्यु हो जाएगी, यह अनुमान लगाना कि क्या किडनी ट्रांसप्लांट विफल हो जाएगा, और यह तय करना कि आपातकालीन कक्ष (इमरजेंसी रूम) में दौरे की तात्कालिकता कितनी है। हर मामले में, डेटा को टेक्स्ट में बदलने और एआई को इसे पढ़ने देने की सरल विधि ने ठीक उतना ही अच्छा प्रदर्शन किया, या उससे भी बेहतर किया, जितना कि उन जटिल, कस्टम-निर्मित सिस्टमों ने जिनका उपयोग डॉक्टर वर्तमान में करते हैं। वास्तव में, किडनी ट्रांसप्लांट भविष्यवाणी के लिए, उनके नए तरीके ने उस विशिष्ट कंप्यूटर प्रोग्राम को भी पछाड़ दिया जो वर्तमान में एक वास्तविक जर्मन अस्पताल में चल रहा है।
यह शोध पत्र सुझाव देता है कि हमें हर चिकित्सा पहेली के लिए एक नई, फैंसी मशीन आविष्कार करने की आवश्यकता नहीं है। इसके बजाय, हम बस सब कुछ उस भाषा में अनुवाद कर सकते हैं जिसे एआई पहले से ही धाराप्रवाह बोलता है। हालांकि लेखक नोट करते हैं कि भारी मात्रा में डेटा को टेक्स्ट में बदलने से कभी-कभी "कहानी" बहुत लंबी हो सकती है (जो एआई के लिए एक साथ पढ़ना कठिन हो सकता है), उनके निष्कर्ष बताते हैं कि यह एकीकृत, टेक्स्ट-आधारित दृष्टिकोण कंप्यूटर को रोगी के स्वास्थ्य की पूरी तस्वीर समझने में मदद करने का एक शक्तिशाली, सरल तरीका है। यह हर काम के लिए कस्टम उपकरण बनाने से लेकर एक अविश्वसनीय रूप से बहुमुखी उपकरण का उपयोग करने की ओर एक बदलाव है जो उन सभी को संभाल सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।