വാർത്തകൾ

ലാർജ് ലാംഗ്വേജ് മോഡലിന് (LLM) വേഗതയേറിയ വാക്കുകളെ അടിസ്ഥാനമാക്കി ബോധ്യപ്പെടുത്തുന്ന ലേഖനങ്ങൾ എഴുതാനും, പ്രൊഫഷണൽ പ്രാവീണ്യ പരീക്ഷകളിൽ വിജയിക്കാനും, രോഗി സൗഹൃദപരവും സഹാനുഭൂതി നിറഞ്ഞതുമായ വിവരങ്ങൾ എഴുതാനും കഴിയും. എന്നിരുന്നാലും, LLM-ലെ ഫിക്ഷൻ, ദുർബലത, കൃത്യമല്ലാത്ത വസ്തുതകൾ എന്നിവയുടെ അറിയപ്പെടുന്ന അപകടസാധ്യതകൾക്ക് പുറമേ, പരിഹരിക്കപ്പെടാത്ത മറ്റ് പ്രശ്നങ്ങളും ക്രമേണ ശ്രദ്ധാകേന്ദ്രമായി മാറുകയാണ്, ഉദാഹരണത്തിന് അവയുടെ സൃഷ്ടിയിലും ഉപയോഗത്തിലും വിവേചനപരമായ "മാനുഷിക മൂല്യങ്ങൾ" അടങ്ങിയിരിക്കുന്ന AI മോഡലുകൾ, കൂടാതെ LLM ഉള്ളടക്കം കെട്ടിച്ചമയ്ക്കുകയും വ്യക്തമായും ദോഷകരമായ ഔട്ട്‌പുട്ട് ഫലങ്ങൾ ഇല്ലാതാക്കുകയും ചെയ്യുന്നില്ലെങ്കിൽ പോലും, "LLM മൂല്യങ്ങൾ" ഇപ്പോഴും മാനുഷിക മൂല്യങ്ങളിൽ നിന്ന് വ്യതിചലിച്ചേക്കാം.

AI മോഡലുകളെ പരിശീലിപ്പിക്കാൻ ഉപയോഗിക്കുന്ന ഡാറ്റ വ്യക്തിഗതവും സാമൂഹികവുമായ മൂല്യങ്ങളെ എങ്ങനെ എൻകോഡ് ചെയ്യുന്നുവെന്ന് എണ്ണമറ്റ ഉദാഹരണങ്ങൾ വ്യക്തമാക്കുന്നു, ഇത് മോഡലിനുള്ളിൽ ഉറപ്പിച്ചേക്കാം. നെഞ്ച് എക്സ്-റേകളുടെ യാന്ത്രിക വ്യാഖ്യാനം, ചർമ്മരോഗങ്ങളുടെ വർഗ്ഗീകരണം, മെഡിക്കൽ റിസോഴ്‌സ് അലോക്കേഷനെക്കുറിച്ചുള്ള അൽഗോരിതമിക് തീരുമാനമെടുക്കൽ എന്നിവയുൾപ്പെടെ നിരവധി ആപ്ലിക്കേഷനുകൾ ഈ ഉദാഹരണങ്ങളിൽ ഉൾപ്പെടുന്നു. ഞങ്ങളുടെ ജേണലിലെ ഒരു സമീപകാല ലേഖനത്തിൽ പറഞ്ഞതുപോലെ, പക്ഷപാതപരമായ പരിശീലന ഡാറ്റ സമൂഹത്തിൽ നിലവിലുള്ള മൂല്യങ്ങളും പക്ഷപാതങ്ങളും വർദ്ധിപ്പിക്കുകയും വെളിപ്പെടുത്തുകയും ചെയ്‌തേക്കാം. നേരെമറിച്ച്, പക്ഷപാതം കുറയ്ക്കാൻ AI ഉപയോഗിക്കാമെന്ന് ഗവേഷണങ്ങൾ തെളിയിച്ചിട്ടുണ്ട്. ഉദാഹരണത്തിന്, ഗവേഷകർ കാൽമുട്ട് എക്സ്-റേ ഫിലിമുകളിൽ ആഴത്തിലുള്ള പഠന മാതൃകകൾ പ്രയോഗിക്കുകയും കാൽമുട്ട് ജോയിന്റിലെ സ്റ്റാൻഡേർഡ് തീവ്രത സൂചകങ്ങൾ (റേഡിയോളജിസ്റ്റുകൾ ഗ്രേഡ് ചെയ്‌തത്) വഴി നഷ്ടപ്പെട്ട ഘടകങ്ങൾ കണ്ടെത്തുകയും അതുവഴി കറുത്തവരും വെളുത്തവരുമായ രോഗികൾക്കിടയിലുള്ള വിശദീകരിക്കാനാകാത്ത വേദന വ്യത്യാസങ്ങൾ കുറയ്ക്കുകയും ചെയ്തു.

AI മോഡലുകളിലെ പക്ഷപാതം, പ്രത്യേകിച്ച് പരിശീലന ഡാറ്റയുടെ കാര്യത്തിൽ, കൂടുതൽ കൂടുതൽ ആളുകൾ തിരിച്ചറിയുന്നുണ്ടെങ്കിലും, AI മോഡലുകളുടെ വികസനത്തിലും വിന്യാസ പ്രക്രിയയിലും മാനുഷിക മൂല്യങ്ങളുടെ മറ്റ് പല എൻട്രി പോയിന്റുകളിലും വേണ്ടത്ര ശ്രദ്ധ നൽകുന്നില്ല. മെഡിക്കൽ AI അടുത്തിടെ ശ്രദ്ധേയമായ ഫലങ്ങൾ കൈവരിച്ചിട്ടുണ്ട്, എന്നാൽ ഒരു വലിയ പരിധി വരെ, അത് മാനുഷിക മൂല്യങ്ങളെയും അപകടസാധ്യത വിലയിരുത്തലുമായും സാധ്യതാ യുക്തിയുമായും ഉള്ള അവയുടെ ഇടപെടലിനെയും വ്യക്തമായി പരിഗണിച്ചിട്ടില്ല, അത് മാതൃകയാക്കിയിട്ടുമില്ല.

ഈ അമൂർത്ത ആശയങ്ങൾ വ്യക്തമാക്കുന്നതിന്, നിങ്ങൾ ഒരു എൻഡോക്രൈനോളജിസ്റ്റാണെന്ന് സങ്കൽപ്പിക്കുക, പ്രായത്തിന്റെ മൂന്നാം ശതമാനത്തിൽ താഴെയുള്ള 8 വയസ്സുള്ള ഒരു ആൺകുട്ടിക്ക് റീകോമ്പിനന്റ് ഹ്യൂമൻ ഗ്രോത്ത് ഹോർമോൺ നിർദ്ദേശിക്കേണ്ടതുണ്ട്. ആൺകുട്ടിയുടെ ഉത്തേജിത മനുഷ്യ വളർച്ചാ ഹോർമോണിന്റെ അളവ് 2 ng/mL-ൽ താഴെയാണ് (റഫറൻസ് മൂല്യം,>10 ng/mL, യുണൈറ്റഡ് സ്റ്റേറ്റ്സിന് പുറത്തുള്ള പല രാജ്യങ്ങൾക്കും റഫറൻസ് മൂല്യം>7 ng/mL), കൂടാതെ അവന്റെ മനുഷ്യ വളർച്ചാ ഹോർമോൺ കോഡിംഗ് ജീൻ അപൂർവമായ നിഷ്ക്രിയ മ്യൂട്ടേഷനുകൾ കണ്ടെത്തിയിട്ടുണ്ട്. ഈ ക്ലിനിക്കൽ സാഹചര്യത്തിൽ മനുഷ്യ വളർച്ചാ ഹോർമോൺ തെറാപ്പിയുടെ പ്രയോഗം വ്യക്തവും തർക്കമില്ലാത്തതുമാണെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു.

താഴെ പറയുന്ന സാഹചര്യങ്ങളിൽ മനുഷ്യ വളർച്ചാ ഹോർമോൺ തെറാപ്പി പ്രയോഗിക്കുന്നത് വിവാദങ്ങൾക്ക് കാരണമാകും: 14 വയസ്സുള്ള ഒരു ആൺകുട്ടിയുടെ ഉയരം എപ്പോഴും അവന്റെ സമപ്രായക്കാരുടെ 10-ാം ശതമാനത്തിലാണ്, ഉത്തേജനത്തിനു ശേഷമുള്ള മനുഷ്യ വളർച്ചാ ഹോർമോണിന്റെ ഏറ്റവും ഉയർന്ന നിരക്ക് 8 ng/mL ആണ്. ഉയരത്തെ ബാധിക്കുന്ന പ്രവർത്തനപരമായ മ്യൂട്ടേഷനുകളോ, ഉയരക്കുറവിന്റെ മറ്റ് അറിയപ്പെടുന്ന കാരണങ്ങളോ ഇല്ല, കൂടാതെ അവന്റെ അസ്ഥി പ്രായം 15 വയസ്സ് പ്രായമാണ് (അതായത് വികസന കാലതാമസമില്ല). ഒറ്റപ്പെട്ട വളർച്ചാ ഹോർമോൺ കുറവ് നിർണ്ണയിക്കാൻ ഉപയോഗിക്കുന്ന മനുഷ്യ വളർച്ചാ ഹോർമോണിന്റെ അളവുകളെക്കുറിച്ചുള്ള ഡസൻ കണക്കിന് പഠനങ്ങളെ അടിസ്ഥാനമാക്കി വിദഗ്ധർ നിർണ്ണയിക്കുന്ന പരിധി മൂല്യങ്ങളിലെ വ്യത്യാസങ്ങൾ മാത്രമാണ് തർക്കത്തിന്റെ ഒരു ഭാഗം. രോഗികൾ, രോഗി മാതാപിതാക്കൾ, ആരോഗ്യ സംരക്ഷണ വിദഗ്ധർ, ഫാർമസ്യൂട്ടിക്കൽ കമ്പനികൾ, പണമടയ്ക്കുന്നവർ എന്നിവരുടെ വീക്ഷണകോണുകളിൽ നിന്ന് മനുഷ്യ വളർച്ചാ ഹോർമോൺ തെറാപ്പി ഉപയോഗിക്കുന്നതിന്റെ അപകടസാധ്യതാ ആനുകൂല്യ സന്തുലിതാവസ്ഥയിൽ നിന്ന് കുറഞ്ഞത് അത്രയും വിവാദങ്ങൾ ഉടലെടുക്കുന്നു. നിലവിലുള്ളതിനേക്കാൾ മുതിർന്നവരുടെ ശരീര വലുപ്പത്തിൽ കുറഞ്ഞ വളർച്ചയോ അല്ലെങ്കിൽ കുറഞ്ഞ വളർച്ചയോ ഉണ്ടാകാനുള്ള സാധ്യതയോടെ, പീഡിയാട്രിക് എൻഡോക്രൈനോളജിസ്റ്റുകൾ 2 വർഷത്തേക്ക് ദിവസേനയുള്ള വളർച്ചാ ഹോർമോണിന്റെ കുത്തിവയ്പ്പുകളുടെ അപൂർവ പ്രതികൂല ഫലങ്ങൾ കണക്കാക്കിയേക്കാം. ആൺകുട്ടികൾക്ക് അവരുടെ ഉയരം 2 സെന്റീമീറ്റർ മാത്രമേ വർദ്ധിച്ചാലും വളർച്ചാ ഹോർമോൺ കുത്തിവയ്ക്കുന്നത് മൂല്യവത്താണെന്ന് വിശ്വസിക്കാൻ കഴിയും, എന്നാൽ പണമടയ്ക്കുന്നയാൾക്കും ഫാർമസ്യൂട്ടിക്കൽ കമ്പനിക്കും വ്യത്യസ്ത വീക്ഷണങ്ങൾ ഉണ്ടായിരിക്കാം.

ക്രോണിക് കിഡ്‌നി രോഗം കണ്ടെത്തുന്നതിനും ഘട്ടം ഘട്ടമായി നിശ്ചയിക്കുന്നതിനും, വൃക്ക മാറ്റിവയ്ക്കൽ അല്ലെങ്കിൽ ദാന വ്യവസ്ഥകൾ നിശ്ചയിക്കുന്നതിനും, പല പ്രിസ്‌ക്രിപ്ഷൻ മരുന്നുകളുടെയും റിഡക്ഷൻ മാനദണ്ഡങ്ങളും വിപരീതഫലങ്ങളും നിർണ്ണയിക്കുന്നതിനും വ്യാപകമായി ഉപയോഗിക്കുന്ന വൃക്കസംബന്ധമായ പ്രവർത്തന സൂചകമായ ക്രിയേറ്റിനിൻ അടിസ്ഥാനമാക്കിയുള്ള eGFR നമുക്ക് ഒരു ഉദാഹരണമായി എടുക്കാം. അളന്ന ഗ്ലോമെറുലാർ ഫിൽട്രേഷൻ നിരക്ക് (mGFR) കണക്കാക്കാൻ ഉപയോഗിക്കുന്ന ഒരു ലളിതമായ റിഗ്രഷൻ സമവാക്യമാണ് EGFR, ഇത് ഒരു റഫറൻസ് സ്റ്റാൻഡേർഡാണ്, പക്ഷേ മൂല്യനിർണ്ണയ രീതി താരതമ്യേന സങ്കീർണ്ണമാണ്. ഈ റിഗ്രഷൻ സമവാക്യം ഒരു AI മോഡലായി കണക്കാക്കാൻ കഴിയില്ല, പക്ഷേ ഇത് മാനുഷിക മൂല്യങ്ങളെയും സാധ്യതാ യുക്തിയെയും കുറിച്ചുള്ള നിരവധി തത്വങ്ങളെ ചിത്രീകരിക്കുന്നു.

eGFR-ൽ മനുഷ്യ മൂല്യങ്ങൾ പ്രവേശിക്കുന്നതിനുള്ള ആദ്യ എൻട്രി പോയിന്റ് സമവാക്യങ്ങൾ ഘടിപ്പിക്കുന്നതിനുള്ള ഡാറ്റ തിരഞ്ഞെടുക്കുമ്പോഴാണ്. eGFR ഫോർമുല രൂപകൽപ്പന ചെയ്യാൻ ഉപയോഗിക്കുന്ന യഥാർത്ഥ ക്യൂവിൽ ഭൂരിഭാഗവും കറുപ്പും വെളുപ്പും നിറമുള്ള പങ്കാളികളാണ്, കൂടാതെ മറ്റ് പല വംശീയ വിഭാഗങ്ങൾക്കും ഇത് ബാധകമാണോ എന്ന് വ്യക്തമല്ല. ഈ ഫോർമുലയിലേക്കുള്ള മനുഷ്യ മൂല്യങ്ങൾക്കായുള്ള തുടർന്നുള്ള എൻട്രി പോയിന്റുകളിൽ ഇവ ഉൾപ്പെടുന്നു: വൃക്കകളുടെ പ്രവർത്തനം വിലയിരുത്തുന്നതിനുള്ള പ്രാഥമിക ലക്ഷ്യമായി mGFR കൃത്യത തിരഞ്ഞെടുക്കൽ, സ്വീകാര്യമായ കൃത്യത നില എന്താണ്, കൃത്യത എങ്ങനെ അളക്കാം, ക്ലിനിക്കൽ തീരുമാനമെടുക്കൽ (വൃക്ക മാറ്റിവയ്ക്കൽ അല്ലെങ്കിൽ മരുന്നുകൾ നിർദ്ദേശിക്കുന്നതിനുള്ള വ്യവസ്ഥകൾ നിർണ്ണയിക്കൽ പോലുള്ളവ) ആരംഭിക്കുന്നതിനുള്ള ഒരു പരിധിയായി eGFR ഉപയോഗിക്കുക. അവസാനമായി, ഇൻപുട്ട് മോഡലിന്റെ ഉള്ളടക്കം തിരഞ്ഞെടുക്കുമ്പോൾ, മനുഷ്യ മൂല്യങ്ങളും ഈ ഫോർമുലയിൽ പ്രവേശിക്കും.

ഉദാഹരണത്തിന്, 2021-ന് മുമ്പ്, രോഗിയുടെ പ്രായം, ലിംഗഭേദം, വംശം (കറുത്തവർ അല്ലെങ്കിൽ കറുത്തവർ അല്ലാത്തവർ എന്ന് മാത്രം തരംതിരിച്ചിരിക്കുന്നു) എന്നിവയെ അടിസ്ഥാനമാക്കി eGFR ഫോർമുലയിലെ ക്രിയേറ്റിനിൻ അളവ് ക്രമീകരിക്കാൻ മാർഗ്ഗനിർദ്ദേശങ്ങൾ നിർദ്ദേശിക്കുന്നു. വംശത്തെ അടിസ്ഥാനമാക്കിയുള്ള ക്രമീകരണം mGFR ഫോർമുലയുടെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിനാണ് ലക്ഷ്യമിടുന്നത്, എന്നാൽ 2020-ൽ, പ്രധാന ആശുപത്രികൾ വംശത്തെ അടിസ്ഥാനമാക്കിയുള്ള eGFR-ന്റെ ഉപയോഗത്തെ ചോദ്യം ചെയ്യാൻ തുടങ്ങി, രോഗിയുടെ ട്രാൻസ്പ്ലാൻറേഷനുള്ള യോഗ്യത വൈകിപ്പിക്കുക, വംശത്തെ ഒരു ജൈവിക ആശയമായി കോൺക്രീറ്റുചെയ്യുക തുടങ്ങിയ കാരണങ്ങൾ ചൂണ്ടിക്കാട്ടി. വംശത്തിന്റെ അടിസ്ഥാനത്തിൽ eGFR മോഡലുകൾ രൂപകൽപ്പന ചെയ്യുന്നത് കൃത്യതയിലും ക്ലിനിക്കൽ ഫലങ്ങളിലും ആഴത്തിലുള്ളതും വ്യത്യസ്തവുമായ സ്വാധീനം ചെലുത്തുമെന്ന് ഗവേഷണങ്ങൾ തെളിയിച്ചിട്ടുണ്ട്; അതിനാൽ, കൃത്യതയിലോ ഫലങ്ങളുടെ ഒരു ഭാഗത്തിലോ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത് മൂല്യ വിധിന്യായങ്ങളെ പ്രതിഫലിപ്പിക്കുകയും സുതാര്യമായ തീരുമാനമെടുക്കൽ മറയ്ക്കുകയും ചെയ്തേക്കാം. ഒടുവിൽ, പ്രകടനവും ന്യായയുക്തതയും സംബന്ധിച്ച പ്രശ്നങ്ങൾ സന്തുലിതമാക്കുന്നതിന് വംശം പരിഗണിക്കാതെ പുനഃക്രമീകരിച്ച ഒരു പുതിയ ഫോർമുല ദേശീയ വർക്കിംഗ് ഗ്രൂപ്പ് നിർദ്ദേശിച്ചു. ഒരു ലളിതമായ ക്ലിനിക്കൽ ഫോർമുലയ്ക്ക് പോലും മാനുഷിക മൂല്യങ്ങളിലേക്ക് നിരവധി എൻട്രി പോയിന്റുകൾ ഉണ്ടെന്ന് ഈ ഉദാഹരണം വ്യക്തമാക്കുന്നു.

വളരെ കുറച്ച് പ്രവചന സൂചകങ്ങൾ മാത്രമുള്ള ക്ലിനിക്കൽ ഫോർമുലകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, LLM-ൽ കോടിക്കണക്കിന് മുതൽ നൂറുകണക്കിന് കോടിക്കണക്കിന് വരെ പാരാമീറ്ററുകൾ (മോഡൽ വെയ്‌റ്റുകൾ) അല്ലെങ്കിൽ അതിൽ കൂടുതൽ അടങ്ങിയിരിക്കാം, ഇത് മനസ്സിലാക്കാൻ പ്രയാസമാക്കുന്നു. "മനസ്സിലാക്കാൻ പ്രയാസം" എന്ന് നമ്മൾ പറയുന്നതിന്റെ കാരണം, മിക്ക LLM-കളിലും, ചോദ്യം ചെയ്യലിലൂടെ പ്രതികരണങ്ങൾ നേടുന്നതിനുള്ള കൃത്യമായ മാർഗം മാപ്പ് ചെയ്യാൻ കഴിയില്ല എന്നതാണ്. GPT-4-നുള്ള പാരാമീറ്ററുകളുടെ എണ്ണം ഇതുവരെ പ്രഖ്യാപിച്ചിട്ടില്ല; അതിന്റെ മുൻഗാമിയായ GPT-3-ന് 175 ബില്യൺ പാരാമീറ്ററുകൾ ഉണ്ടായിരുന്നു. കൂടുതൽ പാരാമീറ്ററുകൾ എന്നാൽ ശക്തമായ കഴിവുകളെ അർത്ഥമാക്കുന്നില്ല, കാരണം കൂടുതൽ കമ്പ്യൂട്ടേഷണൽ സൈക്കിളുകൾ (LLaMA [ലാർജ് ലാംഗ്വേജ് മോഡൽ മെറ്റാ AI] മോഡൽ സീരീസ് പോലുള്ളവ) ഉൾപ്പെടുന്ന ചെറിയ മോഡലുകളോ മനുഷ്യന്റെ ഫീഡ്‌ബാക്കിനെ അടിസ്ഥാനമാക്കി സൂക്ഷ്മമായി ട്യൂൺ ചെയ്‌ത മോഡലുകളോ വലിയ മോഡലുകളേക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കും. ഉദാഹരണത്തിന്, മനുഷ്യ വിലയിരുത്തൽക്കാരുടെ അഭിപ്രായത്തിൽ, മോഡൽ ഔട്ട്‌പുട്ട് ഫലങ്ങൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിൽ ഇൻസ്ട്രുമെന്റ് GPT മോഡൽ (1.3 ബില്യൺ പാരാമീറ്ററുകളുള്ള ഒരു മോഡൽ) GPT-3-നെ മറികടക്കുന്നു.

GPT-4 ന്റെ പ്രത്യേക പരിശീലന വിശദാംശങ്ങൾ ഇതുവരെ വെളിപ്പെടുത്തിയിട്ടില്ല, എന്നാൽ GPT-3, InstrumentGPT, മറ്റ് നിരവധി ഓപ്പൺ സോഴ്‌സ് LLM-കൾ എന്നിവയുൾപ്പെടെ മുൻ തലമുറ മോഡലുകളുടെ വിശദാംശങ്ങൾ വെളിപ്പെടുത്തിയിട്ടുണ്ട്. ഇപ്പോൾ, നിരവധി AI മോഡലുകൾ മോഡൽ കാർഡുകളുമായി വരുന്നു; മോഡൽ നിർമ്മാണ കമ്പനിയായ OpenAI നൽകുന്ന സമാനമായ ഒരു സിസ്റ്റം കാർഡിലാണ് GPT-4 ന്റെ മൂല്യനിർണ്ണയവും സുരക്ഷാ ഡാറ്റയും പ്രസിദ്ധീകരിച്ചിരിക്കുന്നത്. LLM ന്റെ സൃഷ്ടിയെ ഏകദേശം രണ്ട് ഘട്ടങ്ങളായി തിരിക്കാം: പ്രാരംഭ പ്രീ ട്രെയിനിംഗ് ഘട്ടം, മോഡൽ ഔട്ട്‌പുട്ട് ഫലങ്ങൾ ഒപ്റ്റിമൈസ് ചെയ്യാൻ ലക്ഷ്യമിട്ടുള്ള ഫൈൻ-ട്യൂണിംഗ് ഘട്ടം. പ്രീ ട്രെയിനിംഗ് ഘട്ടത്തിൽ, അടുത്ത വാക്ക് പ്രവചിക്കാൻ പരിശീലിപ്പിക്കുന്നതിന് യഥാർത്ഥ ഇന്റർനെറ്റ് ടെക്സ്റ്റ് ഉൾപ്പെടെയുള്ള ഒരു വലിയ കോർപ്പസ് മോഡലിന് നൽകിയിട്ടുണ്ട്. ലളിതമായ ഈ "ഓട്ടോമാറ്റിക് പൂർത്തീകരണം" പ്രക്രിയ ശക്തമായ ഒരു അടിസ്ഥാന മാതൃക സൃഷ്ടിക്കുന്നു, പക്ഷേ ഇത് ദോഷകരമായ പെരുമാറ്റത്തിലേക്കും നയിച്ചേക്കാം. GPT-4 നായി പ്രീ ട്രെയിനിംഗ് ഡാറ്റ തിരഞ്ഞെടുക്കുന്നതും പ്രീ ട്രെയിനിംഗ് ഡാറ്റയിൽ നിന്ന് അശ്ലീല ഉള്ളടക്കം പോലുള്ള അനുചിതമായ ഉള്ളടക്കം നീക്കം ചെയ്യാൻ തീരുമാനിക്കുന്നതും ഉൾപ്പെടെ മാനുഷിക മൂല്യങ്ങൾ പ്രീ ട്രെയിനിംഗ് ഘട്ടത്തിലേക്ക് പ്രവേശിക്കും. ഈ ശ്രമങ്ങൾക്കിടയിലും, അടിസ്ഥാന മോഡൽ ഇപ്പോഴും ഉപയോഗപ്രദമോ ദോഷകരമായ ഔട്ട്‌പുട്ട് ഫലങ്ങൾ ഉൾക്കൊള്ളാൻ പ്രാപ്തമോ ആയിരിക്കില്ല. സൂക്ഷ്മപരിശോധനയുടെ അടുത്ത ഘട്ടത്തിൽ, ഉപയോഗപ്രദവും നിരുപദ്രവകരവുമായ നിരവധി പെരുമാറ്റങ്ങൾ ഉയർന്നുവരും.

ഫൈൻ-ട്യൂണിംഗ് ഘട്ടത്തിൽ, മനുഷ്യ ഫീഡ്‌ബാക്കിനെ അടിസ്ഥാനമാക്കി സൂപ്പർവൈസ് ചെയ്‌ത ഫൈൻ-ട്യൂണിംഗും റൈൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗും വഴി ഭാഷാ മോഡലുകളുടെ സ്വഭാവം പലപ്പോഴും ആഴത്തിൽ മാറ്റപ്പെടുന്നു. സൂപ്പർവൈസ് ചെയ്‌ത ഫൈൻ-ട്യൂണിംഗ് ഘട്ടത്തിൽ, വാടകയ്‌ക്കെടുത്ത കോൺട്രാക്ടർ ഉദ്യോഗസ്ഥർ പ്രോംപ്റ്റ് വാക്കുകൾക്ക് പ്രതികരണ ഉദാഹരണങ്ങൾ എഴുതുകയും മോഡലിനെ നേരിട്ട് പരിശീലിപ്പിക്കുകയും ചെയ്യും. മനുഷ്യ ഫീഡ്‌ബാക്കിനെ അടിസ്ഥാനമാക്കിയുള്ള റൈൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് ഘട്ടത്തിൽ, മനുഷ്യ മൂല്യനിർണ്ണയക്കാർ മോഡൽ ഔട്ട്‌പുട്ട് ഫലങ്ങൾ ഇൻപുട്ട് ഉള്ളടക്ക ഉദാഹരണങ്ങളായി അടുക്കും. തുടർന്ന് "റിവാർഡ് മോഡൽ" പഠിക്കുന്നതിനും റൈൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗിലൂടെ മോഡൽ കൂടുതൽ മെച്ചപ്പെടുത്തുന്നതിനും മുകളിലുള്ള താരതമ്യ ഫലങ്ങൾ പ്രയോഗിക്കുക. അതിശയകരമായ താഴ്ന്ന നിലയിലുള്ള മനുഷ്യ ഇടപെടലിന് ഈ വലിയ മോഡലുകളെ മികച്ചതാക്കാൻ കഴിയും. ഉദാഹരണത്തിന്, ഇൻസ്ട്രുമെന്റ് ജിപിടി മോഡൽ ക്രൗഡ്‌സോഴ്‌സിംഗ് വെബ്‌സൈറ്റുകളിൽ നിന്ന് റിക്രൂട്ട് ചെയ്‌ത ഏകദേശം 40 കോൺട്രാക്ടർ ജീവനക്കാരുടെ ഒരു ടീമിനെ ഉപയോഗിക്കുകയും വ്യത്യസ്ത ജനസംഖ്യാ ഗ്രൂപ്പുകളുടെ മുൻഗണനകളോട് സംവേദനക്ഷമതയുള്ള ഒരു കൂട്ടം വ്യാഖ്യാനക്കാരെ തിരഞ്ഞെടുക്കാൻ ലക്ഷ്യമിട്ടുള്ള ഒരു സ്‌ക്രീനിംഗ് ടെസ്റ്റ് വിജയിക്കുകയും ചെയ്തു.

ഈ രണ്ട് അങ്ങേയറ്റത്തെ ഉദാഹരണങ്ങളായ ലളിതമായ ക്ലിനിക്കൽ ഫോർമുല [eGFR], ശക്തമായ LLM [GPT-4] എന്നിവ തെളിയിക്കുന്നത് പോലെ, മാതൃകാ ഔട്ട്‌പുട്ട് ഫലങ്ങൾ രൂപപ്പെടുത്തുന്നതിൽ മനുഷ്യന്റെ തീരുമാനമെടുക്കലും മാനുഷിക മൂല്യങ്ങളും ഒഴിച്ചുകൂടാനാവാത്ത പങ്ക് വഹിക്കുന്നു. ഈ AI മോഡലുകൾക്ക് അവയുടെ വൈവിധ്യമാർന്ന രോഗി, വൈദ്യ മൂല്യങ്ങൾ പകർത്താൻ കഴിയുമോ? വൈദ്യശാസ്ത്രത്തിൽ AI യുടെ പ്രയോഗത്തെ എങ്ങനെ പരസ്യമായി നയിക്കാം? താഴെ സൂചിപ്പിച്ചതുപോലെ, മെഡിക്കൽ തീരുമാന വിശകലനത്തിന്റെ പുനഃപരിശോധന ഈ പ്രശ്നങ്ങൾക്ക് ഒരു തത്വാധിഷ്ഠിത പരിഹാരം നൽകിയേക്കാം.

മെഡിക്കൽ തീരുമാന വിശകലനം പല ഡോക്ടർമാർക്കും പരിചിതമല്ല, പക്ഷേ ഇത് പ്രോബബിലിസ്റ്റിക് യുക്തിയും (ചിത്രം 1 ൽ കാണിച്ചിരിക്കുന്ന വിവാദപരമായ ക്ലിനിക്കൽ സാഹചര്യത്തിൽ മനുഷ്യ വളർച്ചാ ഹോർമോൺ നൽകണോ വേണ്ടയോ എന്നതുപോലുള്ള തീരുമാനമെടുക്കലുമായി ബന്ധപ്പെട്ട അനിശ്ചിതമായ ഫലങ്ങൾക്ക്) പരിഗണന ഘടകങ്ങളും (പുരുഷ ഉയരത്തിലെ 2 സെന്റീമീറ്റർ വർദ്ധനവിന്റെ മൂല്യം പോലുള്ള "യൂട്ടിലിറ്റി" ആയി കണക്കാക്കുന്ന ഈ ഫലങ്ങളുമായി ബന്ധപ്പെട്ട ആത്മനിഷ്ഠ മൂല്യങ്ങൾക്ക്) തമ്മിൽ വേർതിരിച്ചറിയാൻ കഴിയും, സങ്കീർണ്ണമായ മെഡിക്കൽ തീരുമാനങ്ങൾക്ക് വ്യവസ്ഥാപിത പരിഹാരങ്ങൾ നൽകുന്നു. തീരുമാന വിശകലനത്തിൽ, ഡോക്ടർമാർ ആദ്യം ഓരോ ഫലവുമായി ബന്ധപ്പെട്ട എല്ലാ സാധ്യമായ തീരുമാനങ്ങളും സാധ്യതകളും നിർണ്ണയിക്കണം, തുടർന്ന് ഏറ്റവും അനുയോജ്യമായ ഓപ്ഷൻ തിരഞ്ഞെടുക്കുന്നതിന് ഓരോ ഫലവുമായി ബന്ധപ്പെട്ട രോഗിയുടെ (അല്ലെങ്കിൽ മറ്റ് കക്ഷികളുടെ) ഉപയോഗക്ഷമത ഉൾപ്പെടുത്തണം. അതിനാൽ, തീരുമാന വിശകലനത്തിന്റെ സാധുത ഫല ക്രമീകരണം സമഗ്രമാണോ എന്നതിനെയും, അതുപോലെ തന്നെ ഉപയോഗക്ഷമതയുടെ അളവും സാധ്യതയുടെ വിലയിരുത്തലും കൃത്യമാണോ എന്നതിനെയും ആശ്രയിച്ചിരിക്കുന്നു. ആദർശപരമായി, തീരുമാനങ്ങൾ തെളിവുകൾ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്നും രോഗിയുടെ മുൻഗണനകളുമായി യോജിപ്പിച്ചിരിക്കുന്നുവെന്നും ഉറപ്പാക്കാൻ ഈ സമീപനം സഹായിക്കുന്നു, അതുവഴി വസ്തുനിഷ്ഠമായ ഡാറ്റയും വ്യക്തിഗത മൂല്യങ്ങളും തമ്മിലുള്ള വിടവ് കുറയ്ക്കുന്നു. ഈ രീതി നിരവധി പതിറ്റാണ്ടുകൾക്ക് മുമ്പ് മെഡിക്കൽ മേഖലയിൽ അവതരിപ്പിക്കുകയും വ്യക്തിഗത രോഗി തീരുമാനമെടുക്കലിനും ജനസംഖ്യാ ആരോഗ്യ വിലയിരുത്തലിനും ബാധകമാക്കുകയും ചെയ്തു, ഉദാഹരണത്തിന് പൊതുജനങ്ങൾക്ക് കൊളോറെക്ടൽ കാൻസർ പരിശോധനയ്ക്കുള്ള ശുപാർശകൾ നൽകുന്നത്.

മെഡിക്കൽ തീരുമാന വിശകലനത്തിൽ, പ്രയോജനം നേടുന്നതിനായി വിവിധ രീതികൾ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. മിക്ക പരമ്പരാഗത രീതികളും വ്യക്തിഗത രോഗികളിൽ നിന്ന് നേരിട്ട് മൂല്യം നേടുന്നു. ഏറ്റവും ലളിതമായ രീതി ഒരു റേറ്റിംഗ് സ്കെയിൽ ഉപയോഗിക്കുക എന്നതാണ്, അവിടെ രോഗികൾ ഒരു ഡിജിറ്റൽ സ്കെയിലിൽ (1 മുതൽ 10 വരെയുള്ള ഒരു ലീനിയർ സ്കെയിൽ പോലുള്ളവ) ഒരു നിശ്ചിത ഫലത്തിനായുള്ള അവരുടെ മുൻഗണനാ നിലവാരം വിലയിരുത്തുന്നു, ഏറ്റവും തീവ്രമായ ആരോഗ്യ ഫലങ്ങൾ (പൂർണ്ണ ആരോഗ്യം, മരണം പോലുള്ളവ) രണ്ടറ്റത്തും സ്ഥിതിചെയ്യുന്നു. സമയ വിനിമയ രീതിയാണ് സാധാരണയായി ഉപയോഗിക്കുന്ന മറ്റൊരു രീതി. ഈ രീതിയിൽ, മോശം ആരോഗ്യത്തിന്റെ ഒരു കാലഘട്ടത്തിന് പകരമായി എത്ര ആരോഗ്യകരമായ സമയം ചെലവഴിക്കാൻ തയ്യാറാണെന്ന് രോഗികൾ തീരുമാനിക്കേണ്ടതുണ്ട്. യൂട്ടിലിറ്റി നിർണ്ണയിക്കുന്നതിനുള്ള മറ്റൊരു സാധാരണ രീതിയാണ് സ്റ്റാൻഡേർഡ് ചൂതാട്ട രീതി. ഈ രീതിയിൽ, രണ്ട് ഓപ്ഷനുകളിൽ ഏതാണ് അവർ ഇഷ്ടപ്പെടുന്നതെന്ന് രോഗികളോട് ചോദിക്കുന്നു: ഒരു പ്രത്യേക സാധ്യത (p) (t) ഉപയോഗിച്ച് സാധാരണ ആരോഗ്യത്തിൽ ഒരു നിശ്ചിത എണ്ണം വർഷങ്ങൾ ജീവിക്കുക, 1-p സാധ്യതയോടെ മരണസാധ്യത വഹിക്കുക; ഒന്നുകിൽ ക്രോസ് ഹെൽത്ത് സാഹചര്യങ്ങളിൽ t വർഷങ്ങൾ ജീവിക്കുന്നുവെന്ന് ഉറപ്പാക്കുക. ഏതെങ്കിലും ഓപ്ഷന് മുൻഗണന കാണിക്കുന്നതുവരെ വ്യത്യസ്ത p-മൂല്യങ്ങളിൽ രോഗികളോട് ഒന്നിലധികം തവണ ചോദിക്കുക, അതുവഴി രോഗിയുടെ പ്രതികരണങ്ങളെ അടിസ്ഥാനമാക്കി യൂട്ടിലിറ്റി കണക്കാക്കാൻ കഴിയും.
രോഗികളുടെ വ്യക്തിഗത മുൻഗണനകൾ കണ്ടെത്തുന്നതിന് ഉപയോഗിക്കുന്ന രീതികൾക്ക് പുറമേ, രോഗികൾക്ക് പ്രയോജനം നേടുന്നതിനുള്ള രീതികളും വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. പ്രത്യേകിച്ച് ഫോക്കസ് ഗ്രൂപ്പ് ചർച്ചകൾ (നിർദ്ദിഷ്ട അനുഭവങ്ങൾ ചർച്ച ചെയ്യാൻ രോഗികളെ ഒരുമിച്ച് കൊണ്ടുവരുന്നത്) അവരുടെ കാഴ്ചപ്പാടുകൾ മനസ്സിലാക്കാൻ സഹായിക്കും. ഗ്രൂപ്പ് യൂട്ടിലിറ്റി ഫലപ്രദമായി സംയോജിപ്പിക്കുന്നതിന്, വിവിധ ഘടനാപരമായ ഗ്രൂപ്പ് ചർച്ചാ സാങ്കേതിക വിദ്യകൾ നിർദ്ദേശിക്കപ്പെട്ടിട്ടുണ്ട്.
പ്രായോഗികമായി, ക്ലിനിക്കൽ രോഗനിർണയത്തിലും ചികിത്സാ പ്രക്രിയയിലും യൂട്ടിലിറ്റി നേരിട്ട് അവതരിപ്പിക്കുന്നത് വളരെ സമയമെടുക്കുന്നതാണ്. ഒരു പരിഹാരമെന്ന നിലയിൽ, ജനസംഖ്യാ തലത്തിൽ യൂട്ടിലിറ്റി സ്കോറുകൾ നേടുന്നതിനായി സർവേ ചോദ്യാവലികൾ സാധാരണയായി ക്രമരഹിതമായി തിരഞ്ഞെടുത്ത ജനസംഖ്യയിലേക്ക് വിതരണം ചെയ്യുന്നു. ചില ഉദാഹരണങ്ങളിൽ യൂറോക്വോൾ 5-ഡൈമൻഷണൽ ചോദ്യാവലി, 6-ഡൈമൻഷണൽ യൂട്ടിലിറ്റി വെയ്റ്റ് ഷോർട്ട് ഫോം, ഹെൽത്ത് യൂട്ടിലിറ്റി ഇൻഡെക്സ്, കാൻസർ സ്പെസിഫിക് യൂറോപ്യൻ കാൻസർ റിസർച്ച് ആൻഡ് ട്രീറ്റ്മെന്റ് ഓർഗനൈസേഷൻ ക്വാളിറ്റി ഓഫ് ലൈഫ് ചോദ്യാവലി കോർ 30 ടൂൾ എന്നിവ ഉൾപ്പെടുന്നു.