Las víctimas del autismo generalmente se diagnostican con observación clínica y diagnóstico. ¿Cuál del proceso de decisión clínica, que a menudo es difícil de describir y describe, los investigadores utilizaron un modelo de lenguaje grande (LLM) para la síntesis de estos comportamientos y observaciones que son los más indicativos del diagnóstico de autismo? Sus resultados, publicando en el diario de la prensa de Cell CelúlaDemuestre que el comportamiento repetido, los intereses especiales y el comportamiento basado en la impresión se asocian principalmente con el diagnóstico de autismo. Estos resultados tienen la capacidad de mejorar las pautas de diagnóstico para el autismo al enfocarse en factores sociales. Sobre el cual las directrices DSM-5 se han centrado, pero el modelo no clasificó el más relevante en el diagnóstico de autismo.
“Nuestro objetivo no era sugerir que podamos reemplazar a los terapeutas con herramientas de IA para el diagnóstico”, dice Danillo Bazdok y la Universidad McGill, autor principal del Instituto de Inteligencia Artificial Mela Cobacco en Montreal. “Más bien, intentamos en silencio explicar qué aspectos del comportamiento observado o la historia del paciente se utilizan para alcanzar un compromiso de diagnóstico final. Al hacerlo, esperamos que capaciten a los terapeutas para que trabajen con dispositivos de diagnóstico que son su experiencia”.
Los científicos aprovecharon el modelo de lenguaje Transformer, que ya estaba en una frase única capacitada de 489 millones. Luego reforzó el LLM adecuadamente para predecir los resultados de diagnóstico de una combinación de más de 4,000 informes escritos por médicos que trabajan con pacientes que se consideran diagnosticados con autismo. Los informes, que a menudo fueron utilizados por varios médicos, incluían cuentas para el comportamiento observado y el historial de los pacientes, pero no incluyeron los resultados de diagnóstico recomendados.
El equipo desarrolló un módulo BASPOCK LLM, que identificó oraciones específicas en los informes que eran más relevantes que la predicción del diagnóstico correcto. Luego sacó la representación numérica de estas oraciones altamente autismo y las comparó directamente con los estándares de diagnóstico en DSM5.
“Las LLM modernas, con las capacidades más altas de su procesamiento del lenguaje natural, son localmente adecuados para el análisis de este texto”, dice Bazdok. “El desafío clave que enfrentamos fue diseñar las herramientas de interpretación de nivel de frase para identificar las oraciones exactas expresadas por los profesionales de la salud, que fueron más importantes para la predicción correcta del diagnóstico por parte de LLM”.
Los investigadores se preguntaban cómo el LLM podía distinguir entre altamente diagnosticado con altamente diagnosticado. Por ejemplo, sus marcas de marco que repetían comportamientos, intereses especiales y comportamiento basado en la impresión fueron los estándares más relevantes para el autismo. Aunque estos estándares se utilizan en entornos clínicos, los estándares actuales se centran más en la pérdida de relaciones sociales y la falta de habilidades de comunicación.
Los autores señalaron que hay algunos límites en este estudio, incluida la falta de diversidad geográfica. Además, los investigadores no analizaron sus resultados sobre la base de la variable de población, cuyo objetivo es hacer que los resultados sean más aplicables.
El equipo espera que su marco sea útil para los investigadores y profesionales médicos que trabajan con una variedad de trastornos de desarrollo psicológico, mental y de neurodos, en los que las decisiones clínicas crean una gran cantidad de procesos de toma de decisiones de diagnóstico.
“Esperamos que esta tesis sea muy compatible con la comunidad de autismo más amplia”, dice Bazdok. “Esperamos que nuestra disertación fomente el diagnóstico para moldear los estándares derivados más experimentales. También esperamos que cree hilos ordinarios que conecten las presentaciones clínicas aparentemente diversas del autismo”.
