Могут ли языковые модели типа ChatGPT помочь в диагностике аутизма?

В этой статье аспирантка Марта Арбису Гомес рассказывает об исследовании «Крупные языковые модели деконструируют клиническую интуицию при диагностике аутизма», в котором изучается влияние использования крупномасштабных языковых моделей для диагностики аутизма.

Введение

Диагностика расстройства аутистического спектра (РАС) традиционно была сложной задачей, во многом зависящей от клинического опыта, подробного наблюдения и интерпретации разнообразного поведения. Хотя существуют чётко определённые диагностические руководства, такие как DSM-5, клиническая практика часто опирается на «интуицию», которую специалисты вырабатывают за годы работы. Но что, если бы мы могли «прочитать» эту интуицию и понять её с более объективных позиций?

Недавнее исследование, опубликованное в журнале Cell под названием «Large language models deconstruct the clinical intuition behind diagnosing autism», изучает именно эту возможность: использовать крупные языковые модели (LLM) для выявления закономерностей, которым следуют клиницисты при диагностике аутизма. Полученные данные не только поразительны, но и могут глубоко повлиять на то, как мы понимаем и проводим диагностику РАС сегодня.

Контекст: почему нужно пересмотреть подход к диагностике аутизма?

РАС — нарушение нейроразвития, характеризующееся трудностями социальной коммуникации, а также ограниченными и повторяющимися паттернами поведения и интересов. Однако эти черты могут сильно различаться у разных людей, поэтому диагностика — тонкий и порой субъективный процесс.

Кроме того, хотя стандартизированные диагностические инструменты, такие как ADOS или ADI-R, структурируют процесс, многие диагнозы основаны на описательных заключениях, написанных клиницистами, наблюдавшими пациента. Иными словами, то, как клиницист описывает пациента, может сильно влиять на окончательный диагноз.

В связи с этим исследователи задались ключевым вопросом: какие элементы этих письменных заключений на самом деле определяют диагностические решения?

Что сделали исследователи?

Авторы исследования собрали более 40 000 клинических заключений о детях-пациентах из государственной системы здравоохранения Массачусетса. Эти заключения, написанные специалистами в области психического здоровья, содержали подробные описания поведения и функционирования пациентов.

На этой базе данных исследователи обучили несколько языковых моделей, включая GPT-4 (разработанную OpenAI) и открытую клиническую модель Clinician-LLaMA. Идея заключалась в том, чтобы модели научились предсказывать, относится ли клиническое заключение к пациенту с диагнозом РАС, опираясь только на текст.

Результаты оказались поразительными: модели достигли заметной точности классификации, даже когда от них скрывали ключевую информацию, например пол или возраст пациента. Это говорило о том, что в заключениях содержатся неявные языковые паттерны, которые модели способны обнаружить и которые отражают то, как клиницисты принимают решения.

Что обнаружили?

Помимо точности предсказания, самым интересным оказалось то, что модели рассказали о самом диагностическом процессе. Анализируя, какие фрагменты текста больше всего влияли на решения модели, исследователи установили, что определённые типы поведения и описаний были более решающими, чем другие.

Как видно из диаграммы, повторяющееся и стереотипное поведение, ограниченные интересы и аспекты, связанные с сенсорным восприятием, оказались факторами, наиболее связанными с положительным диагнозом РАС. Напротив, трудности социального взаимодействия — одна из традиционных опор диагноза по DSM-5 — имели в моделях меньший вес.

Это не значит, что социальные трудности не важны: просто на практике клиницисты, по-видимому, уделяют больше внимания — возможно, неосознанно — другим поведенческим паттернам, решая, соответствует ли пациент диагностическим критериям.

Ниже основные результаты исследования сведены в таблицу для удобства:

Анализируемый аспект	Результат / наблюдение
Использованная модель	GPT-4 и Clinician-LLaMA (языковые модели, обученные на клинических заключениях).
Источник данных	Более 40 000 педиатрических клинических заключений из государственной системы здравоохранения Массачусетса.
Задача модели	Предсказать, есть ли у пациента диагноз аутизма, только по тексту заключения.
Точность модели	Высокая, даже при скрытии таких переменных, как пол или возраст.
Наиболее решающие факторы диагноза	Повторяющееся поведение, ограниченные интересы и сенсорно-перцептивные особенности.
Менее решающие факторы	Трудности социального взаимодействия.
Ключевой вывод	В клинической практике наблюдаемое поведение влияет сильнее, чем ожидалось.
Возможное влияние на диагностические критерии	Указывает на необходимость пересмотреть вес некоторых критериев в DSM-5.
Применение ИИ в сфере психического здоровья	Как инструмент поддержки диагностики и анализа клинического рассуждения.

Как видно, языковые модели не только с высокой точностью предсказали диагноз РАС, но и показали, что определённые поведенческие паттерны — особенно повторяющееся поведение и ограниченные интересы — влияют на клиническую практику сильнее, чем предполагают традиционные диагностические критерии. Это открывает путь к размышлениям о том, как эти критерии применяются в реальных условиях.

Значение: нужно ли пересмотреть диагностические критерии аутизма?

Эти данные открывают важную дискуссию: действительно ли современные диагностические критерии отражают то, как специалисты оценивают пациентов? 

Если клиницисты систематически придают больше значения наблюдаемому поведению, например стереотипиям или ограниченным интересам, может потребоваться пересмотреть вес каждой диагностической категории в официальных руководствах.

Кроме того, такой подход может повлиять на подготовку новых специалистов, которым полезно понимать, как критерии применяются в реальной практике, а не только в теории.

Может ли искусственный интеллект помочь в клинической диагностике РАС?

Одно из главных обещаний искусственного интеллекта в здравоохранении — способность находить сложные закономерности в больших объёмах данных. В данном случае языковые модели выступают не только как инструменты классификации, но и как средства, позволяющие сделать видимым невидимое: неявную логику, стоящую за клиническими решениями.

Эти модели не заменяют специалистов, а могут стать их союзниками, предлагая второе мнение на основе тысяч предыдущих случаев и помогая выявлять предвзятость или несоответствия в диагностических процессах.

Чем NeuronUP мог бы помочь в подобных исследованиях?

NeuronUP мог бы внести значительный вклад в такие исследования, облегчая их воспроизведение на более разнообразных и неанглоязычных популяциях благодаря своему международному присутствию. Его платформа с сотнями когнитивных заданий позволила бы дополнить анализ клинических заключений структурированными данными о когнитивных результатах. Кроме того, такой подход можно было бы применить к другим клиническим состояниям, например к СДВГ или лёгкому когнитивному нарушению, улучшая раннее выявление и точность диагностики.

Выводы исследования

Это исследование — веха на пересечении искусственного интеллекта и психического здоровья. Используя языковые модели для анализа клинических заключений, исследователи не только показали, что диагноз аутизма можно предсказать с заметной точностью, но и раскрыли, как формируется «клиническая интуиция», направляющая эти решения.

В ближайшем будущем такие инструменты могут быть интегрированы в системы здравоохранения для поддержки диагностики, улучшения подготовки специалистов и, возможно, даже пересмотра критериев, по которым мы понимаем аутизм. Ясно одно: искусственный интеллект меняет не только технологии, но и наше понимание человеческого разума.

Библиография

• Feng S, Sondhi R, Tu X, Buckley J, Sands A, Comiter A, Zhang H, Gao R, Sragovich S, Mello JD, Fedorenko E, Saxe R, Sontheimer EJ, Sapiro G, O’Reilly UM, McCoy TH, Beam AL. Large language models deconstruct the clinical intuition behind diagnosing autism. Cell. 2024 Mar 21. doi: 10.1016/j.cell.2024.03.004.

Если вам понравилась эта статья блога о том, как языковые модели типа ChatGPT могут помочь в диагностике аутизма, вас наверняка заинтересуют эти статьи NeuronUP: