მულტიმოდალური ხელოვნური ინტელექტის მოდელები, რომლებიც მრავალრიცხოვანი მონაცემებით იწვრთნება, ექიმებს სხვადასხვა სახის კიბოს განვითარების რისკის ქვეშ მყოფი პაციენტების ამოცნობაში დაეხმარება. კონკრეტულად კი ჰარვარდის უნივერსიტეტის მკვლევრების მოდელს 14 ტიპის კიბოს ამოცნობა შეუძლია.
მართალია, ხელოვნური ინტელექტის ალგორითმები დაავადების ნიშნებს მონაცემთა ერთ წყაროზე დაყრდნობით ადგენენ, მაგრამ ამ უკანასკნელს ინფორმაციის მიღება უკვე მრავალი წყაროდანაც შეუძლია. იმის პროგნოზირება, ვინმე არის თუ არა კიბოს რისკის ქვეშ, ყოველთვის მარტივი არ არის. ექიმებს სხვადასხვა სახის ინფორმაციაზე კონსულტაციების გაცემა ხშირად უწევთ, იქნება ეს პაციენტების ჯანმრთელობის ისტორია, თუ სხვა გენეტიკური ბიომარკერების გამოსავლენად ტესტების ჩატარება.
კონკრეტული შედეგები კი სამედიცინო სფეროს წარმომადგენლებს პაციენტებისთვის საუკეთესო მკურნალობის მეთოდების შერჩევაში ეხმარება, რადგან ისინი აკვირდებიან დაავადების პროგრესირებას. თუმცა მონაცემთა ინტერპრეტაცია სუბიექტურიც შეიძლება იყოს…
„ექსპერტები მრავალ ინფორმაციას აანალიზებენ, რათა განსაზღვრონ, რამდენად კარგად გაუმკლავდება ამას პაციენტი. ეს ადრეული გამოკვლევები კლინიკური კვლევებისა თუ სპეციფიკური მკურნალობის მეთოდების შემუშავებისთვის გადაწყვეტილების მიღების საფუძველიც ხდება. თუმცა მულტიმოდალური წინასწარმეტყველება ექსპერტების დონეზე ხდება. ჩვენ კი ვცდილობთ პრობლემას მათემატიკური გამოთვლებით მივმართოთ“, — აცხადებს ფაისალ მაჰმუდი, ასისტენტ-პროფესორი.
კვლევისას საჯარო რესურსი გამოიყენეს, რაც სხვადასხვა ტიპის კიბოს შესახებ 5000-ზე მეტი რეალური პაციენტისგან მიღებულ ინფორმაციას შეიცავდა. მთლიანი სურათების უჯრედული ქსოვილების მიკროსკოპული ხედები (WSI) და ტექსტზე დაფუძნებული გენომიკის მონაცემები კი ორი ცალკეული მოდელის დასატრენინგებლად გამოიყენეს. შემდეგ სისტემაში მოათავსეს, რათა დაედგინათ, იყო თუ არა პაციენტი კიბოს რისკის ქვეშ. საინტერესოა ისიც, რომ, შესაძლოა, ეს მკვლევრებს იმ გენეტიკური მარკერების პოვნასა თუ დადასტურებაში დაეხმაროს, რომლებიც გარკვეულ დაავადებებთან არის დაკავშირებული.
ამასთან, მაჰმუდმა განაცხადა, რომ მიმდინარე კვლევა კიბოს რისკის პროგნოზირებისთვის მულტიმოდალური მოდელების გამოყენების შესახებ არსებულ კონცეფციას ადასტურებს: „ჩვენ ეს მოდელები კიდევ უფრო მეტი ინფორმაციით უნდა მოვამზადოთ, გამოვცადოთ დიდ დამოუკიდებელ ტესტირებებში და ჩავატაროთ კლინიკური კვლევები, რათა მათგან სასურველი შედეგები მივიღოთ“.
