BrainLM to model opracowany przez naukowców z Baylor College of Medicine i Yale University. Wykorzystuje generatywną sztuczną inteligencję do mapowania aktywności mózgu, obniżając koszty badań i przewidując zaburzenia psychiczne z większą precyzją niż dotychczasowe narzędzia. Bogata baza danych (z zamiarem rozszerzenia) z pewnością wpłynie na szybkość i precyzję w podejmowaniu decyzji przez lekarzy. To rewolucja czy ewolucja w sposobie, w jaki badamy mózg?
Spis treści
Generatywna AI. Co to jest i jak działa?
Generatywna sztuczna inteligencja (pojawiająca się również w polskich publikacjach jako GenAI, tj. ang. generative Artificial Intelligence) to rodzaj sztucznej inteligencji, który ma zdolność tworzenia treści na podstawie dostarczonych danych. Działa na zasadzie uczenia maszynowego, gdzie model jest trenowany na dużych zestawach danych, aby następnie móc generować nowe dane, które są podobne do tych, na których się uczył. Silny rozwój nowoczesnych technologii sprawił, że sztuczna inteligencja jest obecnie wykorzystywana w wielu dziedzinach.
Użyteczność AI w codziennym życiu
Generatywna AI jest narzędziem o ogromnym potencjale, które rewolucjonizuje wiele dziedzin życia i nauki poprzez swoją zdolność do tworzenia i personalizowania treści oraz symulowania złożonych procesów. Obecnie zasila chatboty, które prowadzą całkiem realistyczne rozmowy z ludźmi, usprawniając obsługę klienta.
Generatywna AI potrafi tworzyć teksty, obrazy, muzykę i inne formy przekazu na podstawie wzorców, których nauczyła się podczas treningu. Przykładem może być ChatGPT, który generuje realistyczne teksty na podstawie krótkich wprowadzeń. Modele generatywne mogą symulować zjawiska i procesy, co jest użyteczne w naukach przyrodniczych i medycynie. Przykładowo mogą generować realistyczne obrazy medyczne, które pomagają w treningu lekarzy i testowaniu algorytmów diagnostycznych bez potrzeby wykorzystania prawdziwych danych pacjentów.
Dzięki możliwości tworzenia treści dostosowanych do indywidualnych potrzeb użytkownika generatywna sztuczna inteligencja może personalizować doświadczenia edukacyjne, reklamy i usługi online. Przykładem jest generowanie materiałów dydaktycznych dostosowanych do stylu nauki konkretnego ucznia. Jest również wykorzystywana do tworzenia syntetycznych danych, co pozwala na przeprowadzanie badań w dziedzinach, gdzie zbieranie danych jest trudne lub kosztowne. Może to znacznie przyspieszyć procesy badawcze i umożliwić testowanie hipotez w sposób bardziej efektywny.
Generatywna sztuczna inteligencja (dalej: GenAI) to przełomowa technologia, która zmienia rynek medyczny – od odkrywania nowych leków i prowadzenia badań klinicznych, po komunikację z pacjentami i edukację medyczną. Narzędzia GenAI, pomagając szybciej identyfikować i wprowadzać nowe leki, w efekcie przyspieszają wprowadzanie nowych terapii. Realizowane są już pierwsze projekty firm farmaceutycznych w tym zakresie, np. wykorzystująca moce obliczeniowe chmury platforma Recursion Pharmaceuticals do poszukiwania nowych leków.
Tomasz Stachlewski, Head of Technology CEE, AWS, w wypowiedzi dla serwisu Android.com.pl.
(R)ewolucja w badaniu mózgu
Brain Language Model (dalej: BrainLM) to nowatorski model opracowany przez naukowców z Baylor College of Medicine i Yale University, który wykorzystuje generatywną sztuczną inteligencję do analizowania aktywności mózgu. BrainLM został zaprojektowany z myślą o głębszym zrozumieniu, jak różne obszary mózgu współpracują ze sobą w czasie rzeczywistym, co może znacząco przyczynić się do rozwoju neurologii i psychologii.
BrainLM analizuje olbrzymie ilości danych z obrazowania mózgu, takich jak skany z rezonansu magnetycznego, w celu tworzenia szczegółowych map aktywności neuronalnej. Dzięki zastosowaniu zaawansowanych algorytmów sztucznej inteligencji model jest w stanie identyfikować wzorce aktywności mózgu, które są związane z różnymi stanami psychicznymi i emocjonalnymi. To pozwala na bardziej precyzyjne prognozowanie i diagnozowanie zaburzeń psychicznych, takich jak depresja, lęki czy zespół stresu pourazowego.
Bogata baza danych, usprawnienie badań, obniżenie kosztów
Tradycyjne metody badawcze często wymagają kosztownych i czasochłonnych procesów, podczas gdy AI może analizować dane znacznie szybciej i bardziej efektywnie. BrainLM zmniejsza zapotrzebowanie na duże próbki danych, które są zazwyczaj wymagane w badaniach neurologicznych, co prowadzi do znaczącego obniżenia kosztów i złożoności badań. Umożliwia to przeprowadzanie bardziej dostępnych i częstszych badań neurologicznych na większej liczbie pacjentów.
BrainLM został przeszkolony na 80,000 skanach mózgu. Te skany pochodzą od 40,000 osób, co zapewnia bogatą bazę danych do analizy. Dzięki tak ogromnej ilości danych model wykazuje wysoką skuteczność w przewidywaniu min. różnych zaburzeń psychicznych. Co więcej, jest w stanie przewidzieć takie zaburzenia z większą precyzją niż tradycyjne metody. Wszystko to, oczywiście, w czasie rzeczywistym.
Według szacunków BrainLM ma potencjał do zmniejszenia kosztów badań klinicznych o 50%. Dzięki dokładnemu selekcjonowaniu pacjentów badania kliniczne stają się bardziej efektywne i mniej kosztowne, co potwierdza dr Chadi Abdallah, profesor nadzwyczajny na Wydziale Psychiatrii i Nauk Behawioralnych Menningera w Baylor Collage, cytowany w artykule opublikowanym w serwisie neurosciencenews.com.
Różne grupy demograficzne
Aby zapewnić wszechstronność i niezawodność, BrainLM został przetestowany na szerokiej gamie grup demograficznych. Badania obejmowały osoby różniące się wiekiem, płcią, pochodzeniem etnicznym i poziomem wykształcenia. Jak wspomnieliśmy, testy były przeprowadzane na danych pochodzących od 40,000 osób, co pozwoliło na uwzględnienie różnorodnych czynników demograficznych. Taka różnorodność zapewnia, że model jest dobrze skalibrowany i może być stosowany w różnych populacjach, minimalizując ryzyko błędów w wynikach.
W ramach ogromnej bazy danych mieszczą się wyniki z różnych typów skanerów wykorzystywanych do rezonansu magnetycznego, używanych w różnych placówkach medycznych na całym świecie. Dzięki temu model jest adaptowalny i może działać efektywnie niezależnie od specyfiki sprzętu używanego do obrazowania mózgu. To zwiększa jego praktyczność i zasięg zastosowania w różnych warunkach klinicznych i badawczych.
Trafne diagnozy: BrainLM wykazuje większą skuteczności niż jego konkurencja
BrainLM wykazuje wyjątkowo wysoką skuteczność w przewidywaniu zaburzeń psychicznych, co jest jednym z jego kluczowych osiągnięć. W porównaniu do innych dostępnych narzędzi sztucznej inteligencji BrainLM osiąga lepsze wyniki w identyfikowaniu i przewidywaniu wspomnianych wcześniej zaburzeń (np. depresja). Dzieje się tak ze względu na fakt, że inne narzędzia AI często bazują na bardziej ograniczonych zbiorach danych lub prostszych algorytmach, co wpływa na ich dokładność.
Według zapewnień baza będzie rosnąć
Dalszy rozwój BrainLM przewiduje znaczące rozszerzenie jego bazy danych, co pozwoli na jeszcze bardziej precyzyjne i kompleksowe analizy aktywności mózgu. Planowane jest zwiększenie liczby skanów mózgu do 100,000 skanów pochodzących od 50,000 osób. Rozszerzenie bazy danych ma na celu uwzględnienie jeszcze większej różnorodności demograficznej i biologicznej.
W przyszłości BrainLM ma integrować dane pochodzące z nowych, bardziej zaawansowanych technologii obrazowania, takich jak skany fMRI (tj. funkcjonalne obrazowanie rezonansu magnetycznego) o wyższej rozdzielczości i skany PET (tj. pozytonowa tomografia emisyjna). Dzięki temu możliwe będzie jeszcze dokładniejsze mapowanie aktywności mózgu i identyfikowanie subtelnych zmian, które mogą być kluczowe dla wczesnego wykrywania zaburzeń neurologicznych i psychicznych.
Wczytując się dokładniej w możliwości BrainLM nie sposób nie zauważyć rzeczywistej wszechstronności tego modelu. W placówkach medycznych może być wykorzystywany do precyzyjnej diagnostyki zaburzeń neurologicznych i psychicznych, umożliwiać tworzenie spersonalizowanych planów terapeutycznych na podstawie unikalnych wzorców aktywności mózgowej pacjenta, ale również wspierać rozwój nowych leków i terapii poprzez symulowanie reakcji mózgu na różne substancje i interwencje. Może też wspomagać bezpośrednio pacjentów w procesach rehabilitacyjnych, monitorować ich postępy i dostosować na bieżąco program rehabilitacji w taki sposób, aby jak najlepiej odpowiadał pacjentowi.
Źródło: Neurosciencenews.com. Zdjęcie otwierające: obraz wygenerowany za pomocą DALLE-3.