A Systematic Review on the Generative AI Applications in Human Medical Genomics

Technische Samenvatting: Een Systematische Review over de Toepassingen van Generatieve AI in de Humane Medische Genomica

Probleemstelling
Traditionele statistische technieken en conventionele machine learning-methoden hebben historisch gezien bijgedragen aan de genetica en de diagnose van erfelijke ziekten, maar worstelen vaak met hoogdimensionele, complexe data en taken die een diep contextueel begrip vereisen. Hoewel deep learning enkele beperkingen heeft aangepakt, vereist het vakgebied een uitgebreide beoordeling van de meest geavanceerde Large Language Models (LLMs) en transformer-architecturen. Bestaande reviews missen vaak systematische strengheid, richten zich te nauw op specifieke modellen (bijv. ChatGPT) of specifieke ziekten, of slagen er niet in om onderscheid te maken tussen algemene gezondheidszorgtoepassingen en specifieke genetische diagnostiek. Er is een kritieke behoefte aan het in kaart brengen van de huidige capaciteiten en beperkingen van generatieve AI over de gehele diagnostische pijplijn voor erfelijke ziekten, van pre-analytische datorganisatie tot post-analytische besluitvormingsondersteuning.

Methodologie
Deze studie hanteert een systematische review-benadering die voldoet aan de PRISMA 2020-richtlijnen. De auteurs voerden een geautomatiseerde zoekopdracht op basis van trefwoorden uit over vier belangrijke repositories: PubMed, bioRxiv, medRxiv en arXiv.

• Zoekbereik: De zoekopdracht richtte zich op literatuur van 2023 tot januari 2025 om de meest recente ontwikkelingen in dit snel evoluerende veld vast te leggen.
• Query-strategie: De zoekopdracht combineerde termen gerelateerd aan genetica/geneeskunde (bijv. "NGS", "variantinterpretatie", "fenotype") met termen gerelateerd aan transformer-modellen en LLMs (bijv. "LLM", "GPT", "BERT", "RAG", "attention mechanism").
• Filterproces: Een initiële dataset van 57.558 artikelen werd teruggebracht naar 51.613 na automatische deduplicatie. Een primaire semantische analyse met behulp van TF-IDF-scores en reguliere expressies filterde op relevantie voor drie categorieën: LLM-gerelateerde termen, klinische termen en genetica-gerelateerde termen.
• Selectiecriteria: Artikelen werden handmatig geclassificeerd als "irrelevant", "gedeeltelijk relevant" (bespreken taalmodellen maar niet direct gericht op de scope van deze studie, of gebruiken verouderde modellen) en "volledig relevant" (gebruiken moderne transformer-architecturen in diagnostiek en genetica).
• Definitieve Dataset: De review analyseerde in totaal 172 studies (123 volledig relevant en 49 gedeeltelijk relevant), die toepassingen bestrijken in de diagnostiek (pre-analytische, analytische en post-analytische fasen) en educatie.

Belangrijkste Bijdragen en Resultaten
De review categoriseert de toepassing van LLMs en transformers in de drie standaardfasen van de medisch-genetische diagnostische pijplijn, naast educatieve toepassingen:

1. Pre-analytische Fase (Verbeteren van Vervolgstappen):

   • Kennisnavigatie & Literatuuronderzoek: LLMs worden gebruikt om gestructureerde kennis (genen, fenotypes, varianten) te extraheren uit ongestructureerde teksten en Elektronische Gezondheids Dossiers (EHRs). Encoder-gebaseerde modellen (bijv. BERT) domineren taken zoals Named Entity Recognition (NER) en relatie-extractie. Decoder-gebaseerde modellen (bijv. GPT-3.5/4) worden steeds vaker gebruikt voor vraagbeantwoording en hypothesegeneratie, hoewel ze kampen met uitdagingen rond hallucinaties en prompt-gevoeligheid. Tools zoals PubTator 3.0 en GeneGPT demonstreren de integratie van retrieval-augmented generation (RAG) en live API-toegang voor bewijsvoering.
   • Risicostratificatie: Transformer-modellen analyseren klinische aantekeningen, familiegeschiedenissen en multimodale data om individuele genetische aanleg te beoordelen en hoogrisicogroepen te identificeren. Modellen die gebruikmaken van attention-mechanismen hebben veelbelovende resultaten laten zien bij het voorspellen van ziekteverloop (bijv. hartfalen, kankeroverleving) door de integratie van EHRs, beeldvorming en genetische data.

2. Analytische Fase (Data-analyse en Interpretatie):

   • Medische Beeldanalyse: Vision Transformers (ViTs) worden steeds vaker toegepast om visuele kenmerken te koppelen aan genomische data. Toepassingen omvatten het detecteren van structurele afwijkingen in MRI/CT-scans, het voorspellen van genetische mutaties uit histologie en het identificeren van syndromale kenmerken in gezichtsafbeeldingen (bijv. GestaltMML). ViTs maken directe genetische voorspelling mogelijk vanuit visuele data, zoals het voorspellen van tumorsubtypen of karyotypering vanuit microscopische beelden.
   • Analyse van Varianteffecten: Foundation-modellen getraind op ruwe DNA-sequenties (bijv. Nucleotide Transformer, GENA-LM, MethylGPT) worden gebruikt om de functionele gevolgen van varianten op eiwitstructuur, regulatie en medicijnrespons te voorspellen. Modellen zoals AlphaMissense combineren structurele data met protein language modeling om de pathogeniteit van missense-varianten te classificeren.
   • Klinische Variantinterpretatie: LLMs ondersteunen bij het identificeren en classificeren van causale varianten. Tools zoals Genetic Transformer (GeneT) en MAVERICK gebruiken fine-tuned modellen om de redenering van experts te emuleren, waardoor de zoekruimte voor zeldzame ziektevarianten wordt verkleind. VarChat faciliteert interactie in natuurlijke taal voor het samenvatten van literatuur over varianten.

3. Post-analytische Fase (Diagnose en Beslissingen):

   • Patiëntclustering & Subtypering: Transformers integreren beeldvorming, genetische en longitudinale klinische data om patiënten te stratificeren en ziektesubtypen te identificeren (bijv. progressie van de ziekte van Alzheimer, tumor mutational burden).
   • Aggregatie van Data & Resultaten: Modellen worden gebruikt om heterogene databronnen samen te voegen voor prognose en behandeladvies. Generatieve modellen worden getest op hun vermogen om evidence-based behandelstrategieën voor oncolologie voor te stellen, hoewel de betrouwbaarheid varieert.
   • Generatie van Klinische Rapporten: LLMs ondersteunen bij de automatisering van rapportgeneratie en besluitvormingsondersteuning, waarbij ze clinici helpen bij het synthetiseren van genomische data en het communiceren van resultaten naar patiënten. Studies benadrukken echter de noodzaak van deskundig toezicht vanwege incidentele feitelijke onjuistheden.

4. Educatie:

   • LLMs dienen als conversatie-instrumenten voor medische studenten en professionals, waarbij ze Q&A-systemen en synthetisch visueel materiaal bieden (bijv. AI-gegenereerde gezichtsafbeeldingen voor training in syndromen) om privacyproblemen en tekorten aan docenten aan te pakken.

Betekenis en Claims
Het artikel beweert dat transformer-gebaseerde modellen de ziekte- en risicostratificatie, variantinterpretatie, medische beeldanalyse en rapportgeneratie in de humane medische genomica aanzienlijk vooruithelpen. De review dient als een uitgebreide classificatie en gids voor onderzoekers en praktijkbeoefenaars in dit evoluerende veld.

De auteurs nemen echter een bescheiden standpunt in met betrekking tot de huidige beperkingen:

• Integratieproblemen: Grote hindernissen blijven bestaan bij het integreren van multimodale data (genomische sequenties, beeldvorming en klinische dossiers) in verenigde, klinisch robuuste pijplijnen.
• Generaliseerbaarheid: Er zijn beperkingen in de generaliseerbaarheid van modellen over verschillende populaties en klinische settings.
• Betrouwbaarheid: Problemen zoals hallucinaties, modeldrift en biases (raciaal, demografisch en linguïstisch) blijven significante barrières voor volledige klinische implementatie.
• Rol van AI: De review benadrukt dat LLMs momenteel fungeren als ondersteunende instrumenten in plaats van vervangingen voor menselijke expertise. Menselijk toezicht blijft essentieel voor de besluitvorming, met name in diagnostische settings.

Het artikel concludeert dat hoewel LLMs de diagnostiek van erfelijke ziekten transformeren en de genetische educatie ondersteunen, hun succesvolle klinische implementatie afhangt van het aanpakken van dataintegriteit, bias en de ontwikkeling van betrouwbare, multimodale integratiestrategieën.