Artificial Intelligence-empowered bio-medical applications

Abstract

Αυτή η διδακτορική διατριβή εξετάζει τις προόδους στην εξατομικευμένη ιατρική, δίνοντας έμφαση στη μετάβαση από μια γενικευμένη προσέγγιση σε μια πιο προσαρμοσμένη στρατηγική στη διάγνωση ασθενειών και τη διαχείριση των ασθενών. Αυτή η αλλαγή διευκολύνεται από τη χρήση βιοδεικτών, οι οποίοι είναι κρίσιμοι για την ανάπτυξη και εκπαίδευση προγνωστικών μοντέλων και νευρωνικών δικτύων στους τομείς της μηχανικής μάθησης και της τεχνητής νοημοσύνης.

Η έρευνα αναδεικνύει σημαντικά επιτεύγματα στη χρήση τεχνικών μηχανικής μάθησης για την πρόβλεψη διαφόρων δεικτών υγείας. Για παράδειγμα, οι αιματολογικές εξετάσεις χρησιμοποιούνται για την ταξινόμηση του δείκτη μάζας σώματος με μέση ακρίβεια 84%, ενώ ταξινομητές με βάση το σύστημα SVM χρησιμοποιούνται για τον προσδιορισμό της συστολικής πίεσης με ακρίβεια 74%. Επιπλέον, έχει προταθεί και υλοποιηθεί ένα νέο σύστημα για την πρόβλεψη του μεταβολικού συνδρόμου με ακρίβεια 84%, βασισμένο σε πολλαπλές παραμέτρους αίματος, αποκλείοντας τους καθοριστικούς παράγοντές του, προτείνοντας έτσι εναλλακτικές διαγνωστικές οδούς.

Εκτός από τα συγκεκριμένα διαγνωστικά εργαλεία, η διατριβή εξετάζει ευρύτερες εφαρμογές συστημάτων ενισχυμένων με τεχνητή νοημοσύνη, τα οποία χρησιμοποιούν μοντέλα μηχανικής μάθησης στην υγειονομική περίθαλψη μέσω μικροϋπηρεσιών σε κατανεμημένα συστήματα. Αυτές απλοποιούν τη διαχείριση και την κλιμάκωση μέσω του διαχωρισμού των λειτουργιών σε διακριτές υπηρεσίες. Εξετάζονται επίσης οι προκλήσεις ρύθμισης και επικύρωσης για τον καθορισμό βέλτιστων μονοπατιών ανάπτυξης και ψηφιακών αρχιτεκτονικών λύσεων, χρησιμοποιώντας το Rational Unified Process και διαισθητικές ροές εργασίας. Τονίζεται επίσης η ανάγκη για επεξηγησιμότητα και ερμηνευσιμότητα στα συστήματα τεχνητής νοημοσύνης, για την ενίσχυση της χρηστικότητας και της εμπιστοσύνης, ιδιαίτερα στον ιατρικό τομέα. Ένα νέο σύστημα (PINXEL) προτείνεται για τον ορισμό απαιτήσεων επεξηγησιμότητας χρησιμοποιώντας το Μοντέλο Αποδοχής Τεχνολογίας (TAM).

Στη συνέχεια, αξιολογήθηκαν οι δυνατότητες και η αποτελεσματικότητα μεγάλων γλωσσικών μοντέλων, συγκεκριμένα του ChatGPT, στον ιατρικό τομέα. Η έμφαση δόθηκε στην ικανότητα αυτού του καινοτόμου συστήματος να συμβάλλει στη διάγνωση μέσω δομημένων αξιολογήσεων και ανάλυσης παρακολούθησης σε συγκεκριμένους τομείς. Στη συνέχεια, περιγράφηκε και εφαρμόστηκε μια μεθοδολογία για την περαιτέρω αξιολόγηση της ορθότητας και ακρίβειας του GPT-4V (Generative Pre-trained Transformer 4 with vision) μέσω πολυτροπικών ερωτήσεων πολλαπλής επιλογής στον τομέα της Γενικής Παθολογίας. Επιπλέον, χρησιμοποιώντας την προτεινόμενη μεθοδολογία μας, μπορούν να εξαχθούν απαιτήσεις για στοχευμένες παρεμβάσεις και βελτίωση των πιο σύγχρονων μοντέλων, για τη βελτιστοποίησή τους σε εργασίες συγκεκριμένων τομέων.

Τέλος, αυτή η διδακτορική διατριβή προτείνει ένα καινοτόμο σύστημα τεχνητής νοημοσύνης σχεδιασμένο να παρέχει διαγνωστικές συμβουλές σε πρωτοβάθμια ιατρική περίθαλψη, χρησιμοποιώντας όλες τις τεχνολογίες που εξετάστηκαν κατά τη διάρκεια αυτής της έρευνας. Το σύστημα αυτό ενισχύει τα μεγάλα γλωσσικά μοντέλα και άλλα εργαλεία μηχανικής μάθησης με μια προσέγγιση βασισμένη σε κανόνες, προσφέροντας εξατομικευμένες ιατρικές συμβουλές μέσω ενός διαδραστικού βοηθού τεχνητής νοημοσύνης με το όνομα «Med|Primary AI assistant» και «Dermacen Analytica». Αυτά τα συστήματα αξιοποιούν την επεξεργασία φυσικής γλώσσας, την ανάλυση και τμηματοποίηση εικόνας, τη γνώση ειδικών τομέων και πολυτροπικά μεγάλα γλωσσικά μοντέλα για να δημιουργήσουν μια εξατομικευμένη αλληλεπίδραση χρήστη, η οποία αξιολογείται μέσω ενός αυστηρού πλαισίου μεθοδολογίας που βασίζεται στα συμφραζόμενα και στον διάλογο. Αυτή η ολιστική προσέγγιση υπογραμμίζει την ενσωμάτωση της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη, με στόχο να βοηθήσει τους επαγγελματίες υγείας στη διάγνωση και διαχείριση των ασθενών με υψηλή ακρίβεια και εξατομικευμένη προσαρμοστικότητα.