Gyorsaság és hatékonyság: az MI előnyei
Az MI abban bizonyult különösen erősnek, hogy gyorsan, rövid és pontos utasításokra tudott hatékony elemzőkódot generálni. Bár a nyolc különböző MI-chatbotból csak négy produkált valóban hasznos eredményt, ezek mind képesek voltak emberi támogatás nélkül is működni. A gyorsabb feldolgozásnak köszönhetően a junior kutatók néhány hónap alatt eljutottak az eredmények publikálásáig, míg a tapasztalt csapatoknak ez jóval tovább tartott volna. Marina Sirota, a Bakar Computational Health Sciences Institute megbízott vezetője szerint ez áttörést jelenthet a jelenlegi egészségügyi adatkutatás legnagyobb akadályának, az elemzési folyamatok kiépítésének gyorsításában.
Miért döntő jelentőségű a koraszülések kutatása?
A születési komplikációk a gyermekhalandóság vezető okai közé tartoznak, és jelentős hosszú távú problémákat okozhatnak a gyermekek motoros és kognitív fejlődésében. Az Egyesült Államokban minden nap átlagosan 1 000 baba születik idő előtt. Ennek ellenére a koraszülés rizikófaktorait még mindig nem ismerik teljes körűen. Sirota kutatócsoportja 1 200 kismama mikrobiomadatait gyűjtötte össze kilenc nagyszabású tanulmányból. Az ilyen nagyméretű, összetett adatállományok közös elemzése csak nyílt adatszolgáltatással és nemzetközi együttműködéssel valósítható meg.
Kihívás: gigászi adatok, globális verseny
A rendkívül nagyméretű egészségügyi adatbázisok elemzése jelentős akadályokba ütközik, ezért a kutatók egy nemzetközi crowdsourcing versenyt, a DREAM Challenge-t is bevetették. Több mint 100 kutatócsoport dolgozott ki gépi tanulási modelleket, amelyek célja a koraszülésekhez kötődő mintázatok felismerése volt. Habár magát a modellezést három hónap alatt elvégezték, az eredmények összesítése és publikálása közel két évbe telt.
MI a mikrobiom és a terhességi kor becslésének szolgálatában
A kutatók végül azt tesztelték, hogy a generatív MI képes-e a legrövidebbre zárni ezt az időt. Nyolc különböző MI-rendszer azonos feladatokat kapott, kódírás és emberi beavatkozás nélkül, kizárólag természetes nyelvi parancsokkal. Az MI-chatbotoknak például a hüvelyi mikrobiom alapján kellett meghatározniuk a koraszülés kockázatát, illetve vér- és placentamintákból kellett megbecsülniük a terhesség korát. Ez utóbbi alapvető fontosságú a szülészeti ellátás szervezése szempontjából.
Az elkészült kódokat az eredeti DREAM adathalmazon futtatták. Négy MI-rendszer tudta felvenni a versenyt az emberi csapatokkal, sőt néhány esetben túl is szárnyalták azokat – mindezt hat hónap alatt, az adatgyűjtéstől a publikáció beadásáig.
Korlátok és lehetőségek
Összességében úgy tűnik, hogy bár az MI gyors, az eredmények felügyelete és értelmezése továbbra is szakértői jelenlétet igényel, hiszen továbbra is előfordulhatnak hibák. Mégis, a generatív MI-vel sokkal kevesebb idő megy el hibakereséssel és kódolással, így a kutatók nagyobb hangsúlyt helyezhetnek a tudományos kérdésekre és az eredmények értelmezésére. Ez különösen fontos azok számára, akik nem adatkutatással foglalkoznak, mégis képesek lehetnek önállóan is minőségi publikációkat készíteni, az MI támogatásának köszönhetően.
