രോഗിയുടെ സ്വകാര്യത കാത്തുസൂക്ഷിച്ചുകൊണ്ട് ടെക്സ്റ്റ് അധിഷ്ഠിത റേഡിയോളജി റിപ്പോർട്ടുകളിൽ നിന്ന് ഡാറ്റ വേർതിരിച്ചെടുക്കുന്നതിന് പ്രാദേശികമായി പ്രവർത്തിക്കുന്ന വലിയ ഭാഷാ മോഡലുകൾ (എൽഎൽഎം) പ്രായോഗികമായ ഓപ്ഷനാണെന്ന് റേഡിയോളജിക്കൽ സൊസൈറ്റി ഓഫ് നോർത്ത് അമേരിക്കയുടെ (ആർഎസ്എൻഎ) ജേണലായ റേഡിയോളജിയിൽ പ്രസിദ്ധീകരിച്ച നാഷണൽ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ഹെൽത്ത് ക്ലിനിക്കൽ സെന്ററിൽ (എൻഐഎച്ച് സിസി) നിന്നുള്ള പുതിയ പഠനം പറയുന്നു.

മനുഷ്യസമാനമായ രീതിയിൽ ടെക്സ്റ്റ് മനസിലാക്കാനും സൃഷ്ടിക്കാനും പരിശീലിപ്പിച്ച ആഴത്തിലുള്ള പഠന മോഡലുകളാണ് എൽഎൽഎമ്മുകൾ. അടുത്തിടെ പുറത്തിറങ്ങിയ എൽഎൽഎം മോഡലുകളായ ചാറ്റ്ജിപിടി, ജിപിടി -4 എന്നിവ ശ്രദ്ധ നേടി. എന്നിരുന്നാലും, സ്വകാര്യത പരിമിതികൾ കാരണം അവ ആരോഗ്യസംരക്ഷണ ഡാറ്റയുമായി പൊരുത്തപ്പെടുന്നില്ല.

“ചാറ്റ്ജിപിടിയും ജിപിടി -4 ഉം പ്രോസസ്സിംഗിനായി ഓപ്പൺഎഐ ഉറവിടങ്ങളിലേക്ക് ഡാറ്റ അയയ്ക്കാൻ ആവശ്യപ്പെടുന്ന കുത്തക മോഡലുകളാണ്, ഇതിന് രോഗികളുടെ ഡാറ്റ തിരിച്ചറിയൽ ആവശ്യമാണ്,” എൻഐഎച്ചിലെ റേഡിയോളജി ആൻഡ് ഇമേജിംഗ് സയൻസസ് വിഭാഗത്തിലെ മുതിർന്ന അന്വേഷകനായ മുതിർന്ന എഴുത്തുകാരൻ റൊണാൾഡ് എം. രോഗിയുടെ എല്ലാ ആരോഗ്യ വിവരങ്ങളും നീക്കംചെയ്യുന്നത് കഠിനാധ്വാനം നിറഞ്ഞതും വലിയ സെറ്റ് റിപ്പോർട്ടുകൾക്ക് അപ്രായോഗികവുമാണ്.”

എൻഐഎച്ച് സിസിയിലെ സ്റ്റാഫ് സയന്റിസ്റ്റ് പ്രീതം മുഖർജിയുടെ നേതൃത്വത്തിലുള്ള ഈ പഠനത്തിൽ, എൻഐഎച്ചിൽ നിന്നുള്ള നെഞ്ച് എക്സ്-റേ റിപ്പോർട്ടുകളിൽ നിന്നുള്ള പ്രധാന കണ്ടെത്തലുകൾ ലേബൽ ചെയ്യുന്നതിന് പ്രാദേശികമായി നടത്തുന്ന എൽഎൽഎം, വികുന -13 ബി, മെഡിക്കൽ ഇൻഫർമേഷൻ മാർട്ട് ഫോർ ഇന്റൻസീവ് കെയർ (മിമിക്) ഡാറ്റാബേസ് എന്നിവ ഉപയോഗിക്കുന്നതിന്റെ സാധ്യത ഗവേഷകർ പരീക്ഷിച്ചു.

“സൗജന്യമായി പൊതുവായി ലഭ്യമായ എൽഎൽഎം ആയ വികുന ബഹുഭാഷാ ചോദ്യോത്തരങ്ങൾ പോലുള്ള ജോലികളിൽ ചാറ്റ്ജിപിടിയുടെ പ്രകടനത്തെ സമീപിക്കുന്നുവെന്ന് പ്രാഥമിക വിലയിരുത്തൽ തെളിയിച്ചിട്ടുണ്ട്,” സമ്മേഴ്സ് പറഞ്ഞു.

പഠന ഡാറ്റാസെറ്റിൽ മിമിക്യിൽ നിന്ന് ലഭിച്ച 3,269 നെഞ്ച് എക്സ്-റേ റിപ്പോർട്ടുകളും എൻഐഎച്ചിൽ നിന്ന് ലഭിച്ച 25,596 റിപ്പോർട്ടുകളും ഉൾപ്പെടുന്നു.

രണ്ട് ജോലികൾക്കായി രണ്ട് പ്രോംപ്റ്റുകൾ ഉപയോഗിച്ച്, നെഞ്ച് എക്സ്-റേ റിപ്പോർട്ടുകളിൽ 13 നിർദ്ദിഷ്ട കണ്ടെത്തലുകളുടെ സാന്നിധ്യമോ അഭാവമോ തിരിച്ചറിയാനും ലേബൽ ചെയ്യാനും ഗവേഷകർ എൽഎൽഎമ്മിനോട് ആവശ്യപ്പെട്ടു. ഗവേഷകർ എൽഎൽഎമ്മിന്റെ പ്രകടനത്തെ വ്യാപകമായി ഉപയോഗിക്കുന്ന രണ്ട് നോൺ എൽഎൽഎം ലേബലിംഗ് ടൂളുകളുമായി താരതമ്യം ചെയ്തു.

എൽഎൽഎം ഔട്ട്പുട്ടിന്റെ ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനം എൽഎൽഎം ഇതര കമ്പ്യൂട്ടർ പ്രോഗ്രാമുകളുമായി മിതമായതോ ഗണ്യമായതോ ആയ യോജിപ്പ് കാണിച്ചു.

“എൽഎൽഎമ്മിന്റെ പ്രകടനം നിലവിലെ റഫറൻസ് സ്റ്റാൻഡേർഡുമായി താരതമ്യപ്പെടുത്താവുന്നതാണെന്ന് ഞങ്ങളുടെ പഠനം തെളിയിച്ചു,” സമ്മേഴ്സ് പറഞ്ഞു. ശരിയായ പ്രോംപ്റ്റും ശരിയായ ചുമതലയും ഉപയോഗിച്ച്, നിലവിൽ ഉപയോഗിക്കുന്ന ലേബലിംഗ് ഉപകരണങ്ങളുമായി കരാർ നേടാൻ ഞങ്ങൾക്ക് കഴിഞ്ഞു.

രോഗിയുടെ സ്വകാര്യതയിൽ വിട്ടുവീഴ്ച ചെയ്യാതെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഗവേഷണത്തിനായി വലിയ ഡാറ്റാ സെറ്റുകൾ സൃഷ്ടിക്കുന്നതിന് പ്രാദേശികമായി പ്രവർത്തിപ്പിക്കാൻ കഴിയുന്ന എൽഎൽഎമ്മുകൾ ഉപയോഗപ്രദമാകുമെന്ന് സമ്മേഴ്സ് പറഞ്ഞു.

“എൽഎൽഎമ്മുകൾ സ്വാഭാവിക ഭാഷാ പ്രോസസിംഗിന്റെ മുഴുവൻ മാതൃകയും അതിന്റെ തലയിലേക്ക് മാറ്റി,” അദ്ദേഹം പറഞ്ഞു. പരമ്പരാഗത പ്രീ-ലാർജ് ഭാഷാ മോഡലുകൾ ഉപയോഗിച്ച് ഞങ്ങൾക്ക് ബുദ്ധിമുട്ടുള്ള കാര്യങ്ങൾ ചെയ്യാൻ അവർക്ക് കഴിവുണ്ട്.

മറ്റ് ടെക്സ്റ്റ് അധിഷ്ഠിത റേഡിയോളജി റിപ്പോർട്ടുകളിൽ നിന്നും മെഡിക്കൽ റെക്കോർഡുകളിൽ നിന്നും പ്രധാനപ്പെട്ട വിവരങ്ങൾ വേർതിരിച്ചെടുക്കുന്നതിനും രോഗ ബയോമാർക്കറുകൾ തിരിച്ചറിയുന്നതിനുള്ള ഒരു ഉപകരണമായും എൽഎൽഎം ഉപകരണങ്ങൾ ഉപയോഗിക്കാമെന്ന് സമ്മേഴ്സ് പറഞ്ഞു.

“ഡയഗ്നോസ്റ്റിക് ഇമേജുകളിൽ നിന്ന് സവിശേഷതകൾ വേർതിരിച്ചെടുക്കുന്നതിൽ എന്റെ ലാബ് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു,” അദ്ദേഹം പറഞ്ഞു. വികുന പോലുള്ള ഉപകരണങ്ങൾ ഉപയോഗിച്ച്, ടെക്സ്റ്റിൽ നിന്ന് സവിശേഷതകൾ വേർതിരിച്ചെടുക്കാനും ക്ലിനിക്കൽ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ കഴിയുന്ന അത്യാധുനിക ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലുകളിലേക്ക് ഇൻപുട്ട് ചെയ്യുന്നതിനായി ചിത്രങ്ങളിൽ നിന്നുള്ള സവിശേഷതകളുമായി സംയോജിപ്പിക്കാനും കഴിയും.

“സൗജന്യവും സ്വകാര്യത പരിരക്ഷിക്കുന്നതും പ്രാദേശിക ഉപയോഗത്തിന് ലഭ്യമായതുമായ എൽഎൽഎമ്മുകൾ ഗെയിം ചേഞ്ചറുകളാണ്,” അദ്ദേഹം പറഞ്ഞു. ഞങ്ങൾക്ക് മുമ്പ് ചെയ്യാൻ കഴിയാത്ത കാര്യങ്ങൾ ചെയ്യാൻ അവർ ഞങ്ങളെ അനുവദിക്കുന്നു.”