Mesterséges intelligencia az orvostudományban: a Magyar Orvosi ChatGPT működése

Szerző: Dr. Pukoli Dániel neurológus adjunktus, Esztergomi Vaszary Kolos Kórház, programozó, a Vakcinainfó – Az orvos válaszol Facebook-csoport alapító tagja

A technológiai innovációk robbanásszerű fejlődése az elmúlt évtizedekben alapvetően alakította át az orvostudományt. A mesterséges intelligencia (MI) megjelenése és integrációja az egészségügyi szektorban nem csupán új eszközöket és módszereket hozott, hanem paradigmaváltást is eredményezett a diagnosztika, a terápiatervezés és a betegellátás terén. Az MI alkalmazása lehetővé teszi az orvosok számára, hogy hatékonyabban, pontosabban és személyre szabottabban nyújtsanak ellátást. Ebben a cikkben részletesen bemutatjuk a generatív mesterséges intelligencia alapjait és működési mechanizmusait. Különös hangsúlyt fektetünk a szövegkorpuszokra, a vektorizációra, valamint a gépi és emberi felügyelettel történő tanulásra és finomhangolásra. Továbbá, egy saját fejlesztésű, magyar mesterséges intelligencia alapú orvosi chatbot működésén keresztül ismertetjük az orvostudományban való alkalmazásának aktuális lehetőségeit.

A mesterséges intelligencia az informatika azon ága, amelynek célja olyan hardverek és szoftverek

fejlesztése, amelyek képesek emberi jellegű feladatok elvégzésére, mint például a tanulás, érvelés,

problémamegoldás és döntéshozatal. Az MI-rendszerek képesek önállóan tanulni az adatokból,

alkalmazkodni az új információkhoz és optimalizálni működésüket a feladatok hatékonyabb

végrehajtása érdekében.

Az MI fejlődése számos területre kiterjed, beleértve a gépi tanulást, a természetes nyelvfeldolgozást,

a számítógépes látást és a robotikát. Ezek az alágazatok lehetővé teszik az MI számára, hogy

különböző típusú adatokat dolgozzon fel és értelmezzen, ami különösen fontos az

orvostudományban, ahol a komplex és változatos adatok elemzése kulcsfontosságú.

A gépi tanulás alapjai

A gépi tanulás az MI egyik legfontosabb területe, amely algoritmusok és statisztikai modellek

segítségével teszi lehetővé a rendszerek számára, hogy tanuljanak az adatokból anélkül, hogy explicit

módon programoznánk minden lépést. A gépi tanulás fő kategóriái:

● Felügyelt tanulás: az algoritmust előre címkézett adatokkal tanítjuk. A bemeneti adatokhoz

(inputok) ismert kimeneti értékek (outputok vagy ún. célváltozók) tartoznak. Az algoritmus

célja, hogy megtanulja az inputok és outputok közötti kapcsolatot, és képes legyen új

inputokra előrejelzéseket adni. Hasznos a diagnosztikai modellek kialakításában, ahol az

algoritmust ismert diagnózisokkal rendelkező betegadatokkal tanítják.

● Felügyelet nélküli tanulás: itt az algoritmus címkézetlen adatokból tanul, önállóan keresve a

mintákat, struktúrákat vagy csoportosulásokat egy adathalmazban. Ez különösen hasznos

lehet például a betegcsoportok azonosításában és alkalmazható új betegségmintázatok

felfedezésére az adatokban.

● Megerősítéses tanulás: az algoritmus interakcióba lép a környezetével, döntéseket hoz, és

visszajelzést kap – általában emberi beavatkozással – a teljesítményéről, amely alapján javítja

a döntéshozatali stratégiáját.

A neurális hálók az MI-rendszerek olyan típusai, amelyek az emberi agy neuronhálózatainak

működését modellezik. Ezek a hálózatok több rétegből állnak:

● Bemeneti réteg: az adatok bevitele történik itt.

● Rejtett rétegek: ezek a rétegek feldolgozzák az információt, és minél több ilyen réteg van,

annál mélyebb a hálózat (innen a „mélytanulás” elnevezés).

● Kimeneti réteg: itt történik a végső eredmény vagy előrejelzés előállítása.

A mélytanulási modellek, amelyek több rejtett réteggel rendelkeznek, képesek komplex mintázatok

és összefüggések felismerésére a nagy adathalmazokban.

A nyelvi modellek az MI azon ágai, amelyek a nyelvi adatok feldolgozására és megértésére

specializálódtak. Ezek a modellek hatalmas mennyiségű, strukturált szöveges adatot, úgynevezett

szövegkorpuszokat használnak tanulásra. A szövegk

orpuszok lehetnek orvosi dokumentációk,kutatási publikációk vagy akár betegadatok.

A szöveges adatok feldolgozásához a nyelvi modellek a szavakat és mondatokat numerikus formába,

azaz vektorokká alakítják. A vektorizáció során a szavakat többdimenziós térben reprezentálják, ahol

a szavak közötti távolság szemlélteti azok jelentésbeli hasonlóságát. Ez lehetővé teszi a számítógépek

számára a nyelvi adatok matematikai és statisztikai módszerekkel való elemzését.

Ha egy MI-rendszernek meg kell értenie a „tüdőgyulladás” és a „légúti fertőzés” közötti kapcsolatot,

a vektorizáció segítségével a két kifejezést olyan vektorokká alakítja, amelyek közel vannak

egymáshoz a többdimenziós térben. Így a rendszer felismeri, hogy a két kifejezés hasonló vagy

összefüggő.

Az emberi szakértelem kulcsfontosságú a gépi tanulási modellek fejlesztésében és

finomhangolásában. Az orvosok és szakértők bevonása lehetővé teszi a modellek teljesítményének

javítását és a klinikai relevancia biztosítását. A finomhangolás során a modellek paramétereit és

hiperparamétereit módosítják a jobb eredmények elérése érdekében.

● Adatcímkézés és előkészítés: orvosok és szakértők segítenek a pontos adatcímkézésben,

biztosítva a megbízható tanulási folyamatot.

● Modell validálása: az emberi felügyelet biztosítja, hogy a modell klinikailag releváns és

megbízható eredményeket adjon.

● Etikai felügyelet: az emberi szakértők gondoskodnak arról, hogy a modell megfeleljen az

etikai normáknak.

A finomhangolás a modell teljesítményének optimalizálását jelenti:

● Hiperparaméterek beállítása: olyan paraméterek módosítása, mint a tanulási ráta vagy a

hálózat mélysége.

● Adatbővítés: az adathalmaz kibővítése vagy módosítása a jobb általánosítás érdekében.

● Iteratív fejlesztés: a modell folyamatos tesztelése és javítása emberi visszajelzések alapján.

A nyelvi modellek, mint például a transzformerek képesek a természetes nyelv megértésére és

generálására (innen a GPT: generative pre-trained transformer). Az orvostudományban gyakran

alkalmaznak előre (köztük neurális hálók révén mélytanulással) betanított nagy nyelvi modelleket

(large language modell, LLM), amelyeket általános szövegkorpuszokon tanítottak, majd

finomhangolnak specifikus orvosi feladatokra emberi felügyelet alatt.

Az MI-rendszerek az előzetesen finomhangolt, emberi felügyelet alatt betanított, specifikált nagy

nyelvi modellek segítségével jelentősen javítják a diagnosztikai folyamatokat – klinikai

döntéstámogatást elérhetővé téve –, valós idejű ajánlásokat nyújtanak az orvosoknak a betegellátás

során.

Egy ilyen döntéstámogató rendszer a saját fejlesztésű Magyar Orvosi ChatGPT Pro webalkalmazás is,

mely az egészségügyi ellátás hagyományos munkafolyamatának kiegészítéseként, szakorvosok által

ellenőrzötten, evidence-based módon képes felállítani egy lehetséges differenciáldiagnosztikai listát

valószínűség szerint az orvos által közölt adatok (beleértve az anamnézist, jelen panaszt, státuszt,

szedett gyógyszereket, labor- és képalkotó eredményeket stb.) alapján. Ez a szoftver több tízezer

szabadon hozzáférhető szakirodalmi forrásokból, lexikonokból, guideline-okból tréningezve

„tanulta meg” az orvostudományt, szigorúan evidence-based módon.

A Magyar Orvosi ChatGPT Pro nemcsak a differenciáldiagnosztikát támogatja, hanem felállít egy

lehetséges diagnosztikai és kezelési tervet is, amely támogatja az orvost a megfelelő betegellátás

(protokollok, irányelveknek alapján) megtervezésében. Képes labor- és különböző képalkotási leletek

értelmezésére, továbbá bármilyen orvosi témájú kérdés megválaszolására, mindezt szakirodalmi

hivatkozások és evidenciaszintek megjelölésével. 

A legjobb találatokat tekintve a megoldási pontosság az általános orvos és szakorvos közé esik, így

szinte mindenki tudja majd használni a saját szakterületének megfelelően, legyen szó

differenciáldiagnosztikai kérdésről, diagnosztikus teendőkről, terápiás javaslatról.

Az elmúlt években a mesterséges intelligencia fejlődése jelentős előrelépést jelentett a betegellátás

és az orvosi diagnosztika területén (például stroke-ellátás). Az MI-alapú megoldások képesek

pontosabb diagnózisok felállítására, személyre szabott terápiás javaslatok kidolgozására, valamint a

kezelési eredmények javítására azáltal, hogy mélyebb betekintést nyújtanak a páciensek egészségi

állapotába. 

Ezek a technológiák lehetővé teszik számunkra, hogy gyorsabban és hatékonyabban értékeljük az

egészséggel kapcsolatos adatokat, így a kezelési terv kialakítása során pontosabb döntéseket

hozhassunk. Az MI-alapú diagnosztikai eszközök és terápiás megoldások használata emellett

csökkentheti az emberi hiba lehetőségét és növelheti a kezelések sikerességét is. Ez a webalkalmazás

egy izgalmas és innovatív lehetőség a magyar orvosok számára, amely hozzájárulhat mind a betegek

egészségi állapotának javításához és kezelésének hatékonyságához, mind pedig az

orvoskollégák betegellátás során meghozott döntéseinek támogatásához.