ਓਪਨ-ਸੋਰਸ AI ਮੈਡੀਕਲ ਜਾਂਚ 'ਚ ਮੋਹਰੀ ਕੰਪਨੀਆਂ ਦੇ ਬਰਾਬਰ

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀ ਨਿਰੰਤਰ ਤਰੱਕੀ ਉਦਯੋਗਾਂ ਨੂੰ ਨਵਾਂ ਰੂਪ ਦੇ ਰਹੀ ਹੈ, ਅਤੇ ਸ਼ਾਇਦ ਕਿਤੇ ਵੀ ਦਾਅ ਇੰਨੇ ਉੱਚੇ ਨਹੀਂ ਹਨ, ਨਾ ਹੀ ਸੰਭਾਵਨਾਵਾਂ ਇੰਨੀਆਂ ਡੂੰਘੀਆਂ ਹਨ, ਜਿੰਨੀਆਂ ਦਵਾਈ ਦੇ ਖੇਤਰ ਵਿੱਚ ਹਨ। ਸਾਲਾਂ ਤੋਂ, ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ AI ਮਾਡਲ, ਖਾਸ ਤੌਰ ‘ਤੇ ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲ (LLMs), ਜੋ ਮਨੁੱਖੀ-ਵਰਗੇ ਟੈਕਸਟ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ ਅਤੇ ਤਿਆਰ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹਨ, ਵੱਡੇ ਪੱਧਰ ‘ਤੇ ਤਕਨਾਲੋਜੀ ਦੀਆਂ ਵੱਡੀਆਂ ਕੰਪਨੀਆਂ ਦੀਆਂ ਸੁਰੱਖਿਆ ਕੰਧਾਂ ਪਿੱਛੇ ਰਹੇ ਹਨ। ਇਹ ਮਲਕੀਅਤੀ ਸਿਸਟਮ, ਜਿਵੇਂ ਕਿ OpenAI ਤੋਂ ਵਿਆਪਕ ਤੌਰ ‘ਤੇ ਚਰਚਿਤ GPT-4, ਨੇ ਕਮਾਲ ਦੀ ਯੋਗਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਮੈਡੀਕਲ ਨਿਦਾਨ ਦੇ ਗੁੰਝਲਦਾਰ ਖੇਤਰ ਵਿੱਚ ਵੀ। ਫਿਰ ਵੀ, ਉਹਨਾਂ ਦਾ ‘ਬਲੈਕ ਬਾਕਸ’ ਸੁਭਾਅ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਨੂੰ ਬਾਹਰੀ ਸਰਵਰਾਂ ‘ਤੇ ਭੇਜਣ ਦੀ ਲੋੜ ਨੇ ਸਿਹਤ ਸੰਭਾਲ ਸੈਟਿੰਗਾਂ ਵਿੱਚ ਵਿਆਪਕ, ਸੁਰੱਖਿਅਤ ਅਪਣਾਉਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਰੁਕਾਵਟਾਂ ਖੜ੍ਹੀਆਂ ਕੀਤੀਆਂ, ਜਿੱਥੇ ਮਰੀਜ਼ ਦੀ ਗੋਪਨੀਯਤਾ ਸਿਰਫ਼ ਇੱਕ ਤਰਜੀਹ ਨਹੀਂ, ਸਗੋਂ ਇੱਕ ਹੁਕਮ ਹੈ। ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਵਾਲ ਬਣਿਆ ਰਿਹਾ: ਕੀ ਓਪਨ-ਸੋਰਸ AI ਦੀ ਵਧਦੀ ਦੁਨੀਆ ਚੁਣੌਤੀ ਦਾ ਸਾਹਮਣਾ ਕਰ ਸਕਦੀ ਹੈ, ਨਿਯੰਤਰਣ ਅਤੇ ਗੁਪਤਤਾ ਨਾਲ ਸਮਝੌਤਾ ਕੀਤੇ ਬਿਨਾਂ ਤੁਲਨਾਤਮਕ ਸ਼ਕਤੀ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰ ਸਕਦੀ ਹੈ?

Harvard Medical School (HMS) ਦੇ ਸਤਿਕਾਰਤ ਹਾਲਾਂ ਤੋਂ ਉੱਭਰ ਰਹੇ ਤਾਜ਼ਾ ਖੋਜਾਂ ਸੁਝਾਅ ਦਿੰਦੀਆਂ ਹਨ ਕਿ ਜਵਾਬ ਇੱਕ ਜ਼ੋਰਦਾਰ ਹਾਂ ਹੈ, ਜੋ ਕਲੀਨਿਕਲ ਵਾਤਾਵਰਣ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਵਿੱਚ ਇੱਕ ਸੰਭਾਵੀ ਮੋੜ ਦਾ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇੱਕ ਪ੍ਰਮੁੱਖ ਓਪਨ-ਸੋਰਸ ਮਾਡਲ ਦੀ ਇਸਦੇ ਉੱਚ-ਪ੍ਰੋਫਾਈਲ ਮਲਕੀਅਤੀ ਹਮਰੁਤਬਾ ਨਾਲ ਸਾਵਧਾਨੀਪੂਰਵਕ ਤੁਲਨਾ ਕੀਤੀ, ਜਿਸ ਨਾਲ ਅਜਿਹੇ ਨਤੀਜੇ ਸਾਹਮਣੇ ਆਏ ਜੋ ਅਤਿ-ਆਧੁਨਿਕ ਨਿਦਾਨ ਸਹਾਇਤਾ ਤੱਕ ਪਹੁੰਚ ਨੂੰ ਲੋਕਤੰਤਰੀ ਬਣਾ ਸਕਦੇ ਹਨ।

ਨਿਦਾਨ ਦੇ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਨਵਾਂ ਦਾਅਵੇਦਾਰ ਦਾਖਲ ਹੁੰਦਾ ਹੈ

ਇੱਕ ਅਧਿਐਨ ਵਿੱਚ ਜਿਸ ਨੇ ਮੈਡੀਕਲ ਅਤੇ ਤਕਨੀਕੀ ਭਾਈਚਾਰਿਆਂ ਦੋਵਾਂ ਦਾ ਧਿਆਨ ਖਿੱਚਿਆ ਹੈ, HMS ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਓਪਨ-ਸੋਰਸ Llama 3.1 405B ਮਾਡਲ ਨੂੰ ਸ਼ਕਤੀਸ਼ਾਲੀ GPT-4 ਦੇ ਵਿਰੁੱਧ ਖੜ੍ਹਾ ਕੀਤਾ। ਟੈਸਟਿੰਗ ਦਾ ਮੈਦਾਨ 70 ਚੁਣੌਤੀਪੂਰਨ ਮੈਡੀਕਲ ਕੇਸ ਸਟੱਡੀਜ਼ ਦਾ ਧਿਆਨ ਨਾਲ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੈੱਟ ਸੀ। ਇਹ ਰੁਟੀਨ ਦੇ ਦ੍ਰਿਸ਼ ਨਹੀਂ ਸਨ; ਉਹ ਗੁੰਝਲਦਾਰ ਨਿਦਾਨਿਕ ਪਹੇਲੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਸਨ ਜੋ ਅਕਸਰ ਕਲੀਨਿਕਲ ਅਭਿਆਸ ਵਿੱਚ ਸਾਹਮਣੇ ਆਉਂਦੀਆਂ ਹਨ। ਉਦੇਸ਼ ਸਪੱਸ਼ਟ ਸੀ: ਹਰੇਕ AI ਮਾਡਲ ਦੀ ਨਿਦਾਨਿਕ ਸੂਝ ਦਾ ਆਹਮੋ-ਸਾਹਮਣੇ ਮੁਲਾਂਕਣ ਕਰਨਾ।

ਨਤੀਜੇ, ਜੋ ਹਾਲ ਹੀ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਹੋਏ ਹਨ, ਹੈਰਾਨਕੁਨ ਸਨ। Llama 3.1 405B ਮਾਡਲ, ਜੋ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਡਾਊਨਲੋਡ ਕਰਨ, ਜਾਂਚ ਕਰਨ ਅਤੇ ਸੋਧਣ ਲਈ ਮੁਫ਼ਤ ਵਿੱਚ ਉਪਲਬਧ ਹੈ, ਨੇ GPT-4 ਦੇ ਬਰਾਬਰ, ਅਤੇ ਕੁਝ ਮਾਪਦੰਡਾਂ ਵਿੱਚ ਇਸ ਤੋਂ ਵੀ ਵੱਧ, ਨਿਦਾਨਿਕ ਸ਼ੁੱਧਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ। ਖਾਸ ਤੌਰ ‘ਤੇ, ਜਦੋਂ ਹਰੇਕ ਮਾਡਲ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਸ਼ੁਰੂਆਤੀ ਨਿਦਾਨਿਕ ਸੁਝਾਅ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਗਿਆ, ਤਾਂ Llama 3.1 405B ਨੇ ਇੱਕ ਕਿਨਾਰਾ ਫੜਿਆ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜਦੋਂ ਕੇਸ ਦੇ ਵੇਰਵਿਆਂ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਤੋਂ ਬਾਅਦ ਪ੍ਰਸਤਾਵਿਤ ਅੰਤਿਮ ਨਿਦਾਨ ‘ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਗਿਆ, ਤਾਂ ਓਪਨ-ਸੋਰਸ ਦਾਅਵੇਦਾਰ ਨੇ ਸਥਾਪਿਤ ਬੈਂਚਮਾਰਕ ਦੇ ਵਿਰੁੱਧ ਆਪਣੀ ਯੋਗਤਾ ਨੂੰ ਦੁਬਾਰਾ ਸਾਬਤ ਕੀਤਾ।

ਇਹ ਪ੍ਰਾਪਤੀ ਸਿਰਫ਼ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਹੀ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਇਸ ਲਈ ਵੀ ਹੈ ਕਿ ਇਹ ਕੀ ਦਰਸਾਉਂਦੀ ਹੈ। ਪਹਿਲੀ ਵਾਰ, ਇੱਕ ਆਸਾਨੀ ਨਾਲ ਪਹੁੰਚਯੋਗ, ਪਾਰਦਰਸ਼ੀ ਓਪਨ-ਸੋਰਸ ਟੂਲ ਕੇਸ ਸਟੱਡੀਜ਼ ਦੇ ਆਧਾਰ ‘ਤੇ ਮੈਡੀਕਲ ਨਿਦਾਨ ਦੇ ਮੰਗ ਵਾਲੇ ਕੰਮ ਵਿੱਚ ਪ੍ਰਮੁੱਖ ਬੰਦ-ਸਰੋਤ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਬਰਾਬਰ ਉੱਚ ਪੱਧਰ ‘ਤੇ ਕੰਮ ਕਰਨ ਦੇ ਸਮਰੱਥ ਸਾਬਤ ਹੋਇਆ ਹੈ। Arjun K. Manrai ’08, ਇੱਕ HMS ਪ੍ਰੋਫੈਸਰ ਜਿਸ ਨੇ ਖੋਜ ਦੀ ਨਿਗਰਾਨੀ ਕੀਤੀ, ਨੇ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸਮਾਨਤਾ ਨੂੰ ‘ਕਾਫ਼ੀ ਕਮਾਲ’ ਦੱਸਿਆ, ਖਾਸ ਕਰਕੇ ਇਤਿਹਾਸਕ ਸੰਦਰਭ ਨੂੰ ਦੇਖਦੇ ਹੋਏ।

ਓਪਨ-ਸੋਰਸ ਲਾਭ: ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਅਤੇ ਕਸਟਮਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਅਨਲੌਕ ਕਰਨਾ

Harvard ਅਧਿਐਨ ਦੁਆਰਾ ਉਜਾਗਰ ਕੀਤਾ ਗਿਆ ਅਸਲ ਗੇਮ-ਚੇਂਜਰ ਓਪਨ-ਸੋਰਸ ਅਤੇ ਮਲਕੀਅਤੀ ਮਾਡਲਾਂ ਵਿਚਕਾਰ ਬੁਨਿਆਦੀ ਅੰਤਰ ਵਿੱਚ ਹੈ: ਪਹੁੰਚਯੋਗਤਾ ਅਤੇ ਨਿਯੰਤਰਣ। GPT-4 ਵਰਗੇ ਮਲਕੀਅਤੀ ਮਾਡਲਾਂ ਲਈ ਆਮ ਤੌਰ ‘ਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਪ੍ਰਦਾਤਾ ਦੇ ਸਰਵਰਾਂ ‘ਤੇ ਡਾਟਾ ਭੇਜਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਸਿਹਤ ਸੰਭਾਲ ਵਿੱਚ, ਇਹ ਤੁਰੰਤ ਖਤਰੇ ਦੀ ਘੰਟੀ ਵਜਾਉਂਦਾ ਹੈ। ਮਰੀਜ਼ ਦੀ ਜਾਣਕਾਰੀ - ਲੱਛਣ, ਮੈਡੀਕਲ ਇਤਿਹਾਸ, ਟੈਸਟ ਦੇ ਨਤੀਜੇ - ਸਭ ਤੋਂ ਸੰਵੇਦਨਸ਼ੀਲ ਡਾਟਾ ਵਿੱਚੋਂ ਇੱਕ ਹੈ, ਜਿਸਨੂੰ ਸੰਯੁਕਤ ਰਾਜ ਵਿੱਚ HIPAA ਵਰਗੇ ਸਖ਼ਤ ਨਿਯਮਾਂ ਦੁਆਰਾ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸ ਡਾਟਾ ਨੂੰ ਹਸਪਤਾਲ ਦੇ ਸੁਰੱਖਿਅਤ ਨੈੱਟਵਰਕ ਤੋਂ ਬਾਹਰ ਭੇਜਣ ਦੀ ਸੰਭਾਵਨਾ, ਭਾਵੇਂ ਉੱਨਤ AI ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਸੰਭਾਵੀ ਲਾਭ ਲਈ ਹੋਵੇ, ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਰਹੀ ਹੈ।

ਓਪਨ-ਸੋਰਸ ਮਾਡਲ, ਜਿਵੇਂ ਕਿ Llama 3.1 405B, ਇਸ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਬੁਨਿਆਦੀ ਤੌਰ ‘ਤੇ ਬਦਲਦੇ ਹਨ। ਕਿਉਂਕਿ ਮਾਡਲ ਦਾ ਕੋਡ ਅਤੇ ਪੈਰਾਮੀਟਰ ਜਨਤਕ ਤੌਰ ‘ਤੇ ਉਪਲਬਧ ਹਨ, ਸੰਸਥਾਵਾਂ ਇਸਨੂੰ ਆਪਣੇ ਸੁਰੱਖਿਅਤ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਡਾਊਨਲੋਡ ਅਤੇ ਤੈਨਾਤ ਕਰ ਸਕਦੀਆਂ ਹਨ।

• ਡਾਟਾ ਪ੍ਰਭੂਸੱਤਾ: ਹਸਪਤਾਲ AI ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਆਪਣੇ ਸਥਾਨਕ ਸਰਵਰਾਂ ਜਾਂ ਨਿੱਜੀ ਕਲਾਉਡਾਂ ‘ਤੇ ਚਲਾ ਸਕਦੇ ਹਨ। ਮਰੀਜ਼ ਦੇ ਡਾਟਾ ਨੂੰ ਕਦੇ ਵੀ ਸੰਸਥਾ ਦੇ ਸੁਰੱਖਿਅਤ ਵਾਤਾਵਰਣ ਨੂੰ ਛੱਡਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ, ਬਾਹਰੀ ਡਾਟਾ ਪ੍ਰਸਾਰਣ ਨਾਲ ਜੁੜੀਆਂ ਗੋਪਨੀਯਤਾ ਚਿੰਤਾਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਖਤਮ ਕਰਦਾ ਹੈ। ਇਸ ਸੰਕਲਪ ਨੂੰ ਅਕਸਰ ‘ਡਾਟਾ ਨੂੰ ਮਾਡਲ ਤੱਕ’ ਭੇਜਣ ਦੀ ਬਜਾਏ ‘ਮਾਡਲ ਨੂੰ ਡਾਟਾ ਤੱਕ’ ਲਿਆਉਣ ਵਜੋਂ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ।
• ਵਧੀ ਹੋਈ ਸੁਰੱਖਿਆ: ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਅੰਦਰੂਨੀ ਰੱਖਣਾ ਤੀਜੀ-ਧਿਰ AI ਪ੍ਰਦਾਤਾਵਾਂ ਨਾਲ ਸਬੰਧਤ ਸੰਭਾਵੀ ਡਾਟਾ ਉਲੰਘਣਾਵਾਂ ਲਈ ਹਮਲੇ ਦੀ ਸਤਹ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ ਘਟਾਉਂਦਾ ਹੈ। ਸੰਚਾਲਨ ਵਾਤਾਵਰਣ ‘ਤੇ ਨਿਯੰਤਰਣ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਿਹਤ ਸੰਭਾਲ ਸੰਸਥਾ ਕੋਲ ਰਹਿੰਦਾ ਹੈ।
• ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਆਡਿਟਯੋਗਤਾ: ਓਪਨ-ਸੋਰਸ ਮਾਡਲ ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਕਲੀਨਿਸ਼ੀਅਨਾਂ ਨੂੰ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਮਾਡਲ ਦੇ ਆਰਕੀਟੈਕਚਰ ਦੀ ਜਾਂਚ ਕਰਨ ਅਤੇ, ਕੁਝ ਹੱਦ ਤੱਕ, ਅਪਾਰਦਰਸ਼ੀ ਮਲਕੀਅਤੀ ਪ੍ਰਣਾਲੀਆਂ ਨਾਲੋਂ ਇਸਦੀ ਫੈਸਲਾ ਲੈਣ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਸਮਝਣ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ। ਇਹ ਪਾਰਦਰਸ਼ਤਾ ਵਧੇਰੇ ਵਿਸ਼ਵਾਸ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ ਅਤੇ ਡੀਬੱਗਿੰਗ ਜਾਂ ਸੁਧਾਈ ਦੀ ਸਹੂਲਤ ਦੇ ਸਕਦੀ ਹੈ।

Thomas A. Buckley, Harvard ਦੇ AI in Medicine ਪ੍ਰੋਗਰਾਮ ਵਿੱਚ ਇੱਕ Ph.D. ਵਿਦਿਆਰਥੀ ਅਤੇ ਅਧਿਐਨ ਦੇ ਪਹਿਲੇ ਲੇਖਕ, ਨੇ ਇਸ ਮਹੱਤਵਪੂਰਨ ਲਾਭ ‘ਤੇ ਜ਼ੋਰ ਦਿੱਤਾ। ‘ਓਪਨ-ਸੋਰਸ ਮਾਡਲ ਨਵੀਂ ਵਿਗਿਆਨਕ ਖੋਜ ਨੂੰ ਅਨਲੌਕ ਕਰਦੇ ਹਨ ਕਿਉਂਕਿ ਉਹਨਾਂ ਨੂੰ ਹਸਪਤਾਲ ਦੇ ਆਪਣੇ ਨੈੱਟਵਰਕ ਵਿੱਚ ਤੈਨਾਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ,’ ਉਸਨੇ ਕਿਹਾ। ਇਹ ਸਮਰੱਥਾ ਸਿਧਾਂਤਕ ਸੰਭਾਵਨਾ ਤੋਂ ਪਰੇ ਜਾਂਦੀ ਹੈ ਅਤੇ ਵਿਹਾਰਕ, ਸੁਰੱਖਿਅਤ ਐਪਲੀਕੇਸ਼ਨ ਲਈ ਦਰਵਾਜ਼ਾ ਖੋਲ੍ਹਦੀ ਹੈ।

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਓਪਨ-ਸੋਰਸ ਸੁਭਾਅ ਕਸਟਮਾਈਜ਼ੇਸ਼ਨ ਦੇ ਬੇਮਿਸਾਲ ਪੱਧਰਾਂ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਹਸਪਤਾਲ ਅਤੇ ਖੋਜ ਸਮੂਹ ਹੁਣ ਇਹਨਾਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਬੇਸ ਮਾਡਲਾਂ ਨੂੰ ਆਪਣੇ ਖਾਸ ਮਰੀਜ਼ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਫਾਈਨ-ਟਿਊਨ ਕਰ ਸਕਦੇ ਹਨ।

• ਆਬਾਦੀ-ਵਿਸ਼ੇਸ਼ ਟਿਊਨਿੰਗ: ਇੱਕ ਮਾਡਲ ਨੂੰ ਇੱਕ ਹਸਪਤਾਲ ਪ੍ਰਣਾਲੀ ਦੁਆਰਾ ਸੇਵਾ ਕੀਤੀ ਜਾਂਦੀ ਇੱਕ ਖਾਸ ਸਥਾਨਕ ਜਾਂ ਖੇਤਰੀ ਆਬਾਦੀ ਦੇ ਜਨਸੰਖਿਆ, ਪ੍ਰਚਲਿਤ ਬਿਮਾਰੀਆਂ, ਅਤੇ ਵਿਲੱਖਣ ਸਿਹਤ ਚੁਣੌਤੀਆਂ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਦਰਸਾਉਣ ਲਈ ਅਨੁਕੂਲਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
• ਪ੍ਰੋਟੋਕੋਲ ਅਲਾਈਨਮੈਂਟ: AI ਵਿਵਹਾਰ ਨੂੰ ਹਸਪਤਾਲ ਦੇ ਖਾਸ ਨਿਦਾਨਿਕ ਮਾਰਗਾਂ, ਇਲਾਜ ਪ੍ਰੋਟੋਕੋਲ, ਜਾਂ ਰਿਪੋਰਟਿੰਗ ਮਾਪਦੰਡਾਂ ਨਾਲ ਇਕਸਾਰ ਕਰਨ ਲਈ ਐਡਜਸਟ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
• ਵਿਸ਼ੇਸ਼ ਐਪਲੀਕੇਸ਼ਨਾਂ: ਖੋਜਕਰਤਾ ਖਾਸ ਮੈਡੀਕਲ ਡੋਮੇਨਾਂ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਮਾਡਲ ਦੇ ਬਹੁਤ ਵਿਸ਼ੇਸ਼ ਸੰਸਕਰਣ ਵਿਕਸਤ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਰੇਡੀਓਲੋਜੀ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿਆਖਿਆ ਸਹਾਇਤਾ, ਪੈਥੋਲੋਜੀ ਰਿਪੋਰਟ ਸਕ੍ਰੀਨਿੰਗ, ਜਾਂ ਦੁਰਲੱਭ ਬਿਮਾਰੀ ਦੇ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨਾ।

Buckley ਨੇ ਇਸ ਪ੍ਰਭਾਵ ਬਾਰੇ ਵਿਸਥਾਰ ਨਾਲ ਦੱਸਿਆ: ‘ਖੋਜਕਰਤਾ ਹੁਣ ਮਰੀਜ਼ ਦੇ ਡਾਟਾ ਨਾਲ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਅਤਿ-ਆਧੁਨਿਕ ਕਲੀਨਿਕਲ AI ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ… ਹਸਪਤਾਲ ਮਰੀਜ਼ ਦੇ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਸਟਮ ਮਾਡਲ ਵਿਕਸਤ ਕਰਨ ਲਈ ਕਰ ਸਕਦੇ ਹਨ (ਉਦਾਹਰਨ ਲਈ, ਆਪਣੀ ਮਰੀਜ਼ ਆਬਾਦੀ ਨਾਲ ਇਕਸਾਰ ਕਰਨ ਲਈ)।’ ਬੇਸਪੋਕ AI ਟੂਲਸ ਦੀ ਇਹ ਸੰਭਾਵਨਾ, ਜੋ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਅੰਦਰੂਨੀ ਤੌਰ ‘ਤੇ ਵਿਕਸਤ ਕੀਤੀ ਗਈ ਹੈ, ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਛਾਲ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।

ਸੰਦਰਭ: ਗੁੰਝਲਦਾਰ ਮਾਮਲਿਆਂ ਵਿੱਚ AI ਦਾ ਝਟਕਾ

Harvard ਟੀਮ ਦੀ Llama 3.1 405B ਦੀ ਜਾਂਚ ਇੱਕ ਖਲਾਅ ਵਿੱਚ ਨਹੀਂ ਕੀਤੀ ਗਈ ਸੀ। ਇਹ ਅੰਸ਼ਕ ਤੌਰ ‘ਤੇ ਪੁਰਾਣੀ ਖੋਜ, ਖਾਸ ਤੌਰ ‘ਤੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ 2023 ਪੇਪਰ ਦੁਆਰਾ ਪੈਦਾ ਹੋਈਆਂ ਲਹਿਰਾਂ ਤੋਂ ਪ੍ਰੇਰਿਤ ਸੀ। ਉਸ ਅਧਿਐਨ ਨੇ ਵੱਕਾਰੀ New England Journal of Medicine (NEJM) ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕੁਝ ਸਭ ਤੋਂ ਉਲਝਣ ਵਾਲੇ ਕਲੀਨਿਕਲ ਮਾਮਲਿਆਂ ਨਾਲ ਨਜਿੱਠਣ ਵਿੱਚ GPT ਮਾਡਲਾਂ ਦੀ ਹੈਰਾਨੀਜਨਕ ਮੁਹਾਰਤ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ। ਇਹ NEJM ‘Case Records of the Massachusetts General Hospital’ ਮੈਡੀਕਲ ਹਲਕਿਆਂ ਵਿੱਚ ਮਸ਼ਹੂਰ ਹਨ - ਗੁੰਝਲਦਾਰ, ਅਕਸਰ ਹੈਰਾਨ ਕਰਨ ਵਾਲੇ ਮਾਮਲੇ ਜੋ ਤਜਰਬੇਕਾਰ ਕਲੀਨਿਸ਼ੀਅਨਾਂ ਨੂੰ ਵੀ ਚੁਣੌਤੀ ਦਿੰਦੇ ਹਨ।

‘ਇਸ ਪੇਪਰ ਨੇ ਬਹੁਤ ਧਿਆਨ ਖਿੱਚਿਆ ਅਤੇ ਮੂਲ ਰੂਪ ਵਿੱਚ ਦਿਖਾਇਆ ਕਿ ਇਹ ਵੱਡਾ ਭਾਸ਼ਾਈ ਮਾਡਲ, ChatGPT, ਕਿਸੇ ਤਰ੍ਹਾਂ ਇਹਨਾਂ ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ ਤੌਰ ‘ਤੇ ਚੁਣੌਤੀਪੂਰਨ ਕਲੀਨਿਕਲ ਮਾਮਲਿਆਂ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਸ ਨੇ ਲੋਕਾਂ ਨੂੰ ਹੈਰਾਨ ਕਰ ਦਿੱਤਾ,’ Buckley ਨੇ ਯਾਦ ਕੀਤਾ। ਇਹ ਵਿਚਾਰ ਕਿ ਇੱਕ AI, ਜ਼ਰੂਰੀ ਤੌਰ ‘ਤੇ ਇੱਕ ਗੁੰਝਲਦਾਰ ਪੈਟਰਨ-ਮੈਚਿੰਗ ਮਸ਼ੀਨ ਜੋ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਟੈਕਸਟ ‘ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੈ, ਨਿਦਾਨਿਕ ਰਹੱਸਾਂ ਨੂੰ ਖੋਲ੍ਹ ਸਕਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਲਈ ਅਕਸਰ ਡੂੰਘੀ ਕਲੀਨਿਕਲ ਸੂਝ ਅਤੇ ਤਜਰਬੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਦਿਲਚਸਪ ਅਤੇ, ਕੁਝ ਲਈ, ਬੇਚੈਨ ਕਰਨ ਵਾਲਾ ਸੀ।

‘ਇਹ ਮਾਮਲੇ ਬਦਨਾਮ ਤੌਰ ‘ਤੇ ਮੁਸ਼ਕਲ ਹਨ,’ Buckley ਨੇ ਅੱਗੇ ਕਿਹਾ। ‘ਇਹ Mass General Hospital ਵਿੱਚ ਦੇਖੇ ਗਏ ਕੁਝ ਸਭ ਤੋਂ ਚੁਣੌਤੀਪੂਰਨ ਮਾਮਲੇ ਹਨ, ਇਸ ਲਈ ਉਹ ਡਾਕਟਰਾਂ ਲਈ ਡਰਾਉਣੇ ਹਨ, ਅਤੇ ਇਹ ਉਨਾ ਹੀ ਡਰਾਉਣਾ ਹੈ ਜਦੋਂ ਇੱਕ AI ਮਾਡਲ ਉਹੀ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ।’ ਇਸ ਪੁਰਾਣੇ ਪ੍ਰਦਰਸ਼ਨ ਨੇ ਦਵਾਈ ਵਿੱਚ LLMs ਦੀ ਕੱਚੀ ਸੰਭਾਵਨਾ ਨੂੰ ਰੇਖਾਂਕਿਤ ਕੀਤਾ ਪਰ ਮਲਕੀਅਤੀ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਮੌਜੂਦ ਗੋਪਨੀਯਤਾ ਅਤੇ ਨਿਯੰਤਰਣ ਮੁੱਦਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਤਤਕਾਲਤਾ ਨੂੰ ਵੀ ਵਧਾ ਦਿੱਤਾ। ਜੇਕਰ AI ਇੰਨਾ ਸਮਰੱਥ ਹੋ ਰਿਹਾ ਸੀ, ਤਾਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਕਿ ਇਸਨੂੰ ਅਸਲ ਮਰੀਜ਼ ਡਾਟਾ ਨਾਲ ਸੁਰੱਖਿਅਤ ਅਤੇ ਨੈਤਿਕ ਤੌਰ ‘ਤੇ ਵਰਤਿਆ ਜਾ ਸਕੇ, ਸਰਵਉੱਚ ਬਣ ਗਿਆ।

Meta ਦੇ Llama 3.1 405B ਮਾਡਲ ਦੀ ਰਿਲੀਜ਼ ਨੇ ਇੱਕ ਸੰਭਾਵੀ ਮੋੜ ਦੀ ਨੁਮਾਇੰਦਗੀ ਕੀਤੀ। ਮਾਡਲ ਦਾ ਪੂਰਾ ਪੈਮਾਨਾ - ਇਸਦੇ ‘405B’ ਦੁਆਰਾ ਦਰਸਾਇਆ ਗਿਆ, ਜੋ 405 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰਾਂ (ਵੇਰੀਏਬਲ ਜੋ ਮਾਡਲ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦੌਰਾਨ ਐਡਜਸਟ ਕਰਦਾ ਹੈ) ਦਾ ਹਵਾਲਾ ਦਿੰਦਾ ਹੈ - ਨੇ ਓਪਨ-ਸੋਰਸ ਕਮਿਊਨਿਟੀ ਦੇ ਅੰਦਰ ਸੂਝ ਦੇ ਇੱਕ ਨਵੇਂ ਪੱਧਰ ਦਾ ਸੰਕੇਤ ਦਿੱਤਾ। ਇਸ ਵਿਸ਼ਾਲ ਪੈਮਾਨੇ ਨੇ ਸੁਝਾਅ ਦਿੱਤਾ ਕਿ ਇਸ ਵਿੱਚ GPT-4 ਵਰਗੇ ਉੱਚ-ਪੱਧਰੀ ਮਲਕੀਅਤੀ ਮਾਡਲਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਕਾਬਲਾ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀ ਜਟਿਲਤਾ ਹੋ ਸਕਦੀ ਹੈ। ‘ਇਹ ਇੱਕ ਤਰ੍ਹਾਂ ਨਾਲ ਪਹਿਲੀ ਵਾਰ ਸੀ ਜਦੋਂ ਅਸੀਂ ਵਿਚਾਰਿਆ, ਓਹ, ਸ਼ਾਇਦ ਓਪਨ-ਸੋਰਸ ਮਾਡਲਾਂ ਵਿੱਚ ਕੁਝ ਸੱਚਮੁੱਚ ਵੱਖਰਾ ਹੋ ਰਿਹਾ ਹੈ,’ Buckley ਨੇ ਨੋਟ ਕੀਤਾ, Llama 3.1 405B ਨੂੰ ਮੈਡੀਕਲ ਡੋਮੇਨ ਵਿੱਚ ਪਰਖਣ ਦੀ ਪ੍ਰੇਰਣਾ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹੋਏ।

ਭਵਿੱਖ ਦਾ ਨਕਸ਼ਾ ਬਣਾਉਣਾ: ਖੋਜ ਅਤੇ ਅਸਲ-ਸੰਸਾਰ ਏਕੀਕਰਣ

ਇਸ ਪੁਸ਼ਟੀ ਦੇ ਕਿ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਵਾਲੇ ਓਪਨ-ਸੋਰਸ ਮਾਡਲ ਸੰਵੇਦਨਸ਼ੀਲ ਮੈਡੀਕਲ ਕਾਰਜਾਂ ਲਈ ਵਿਵਹਾਰਕ ਹਨ, ਦੇ ਡੂੰਘੇ ਪ੍ਰਭਾਵ ਹਨ। ਜਿਵੇਂ ਕਿ ਪ੍ਰੋਫੈਸਰ Manrai ਨੇ ਉਜਾਗਰ ਕੀਤਾ, ਖੋਜ ‘ਬਹੁਤ ਸਾਰੇ ਨਵੇਂ ਅਧਿਐਨਾਂ ਅਤੇ ਅਜ਼ਮਾਇਸ਼ਾਂ ਨੂੰ ਅਨਲੌਕ ਕਰਦੀ ਹੈ ਅਤੇ ਖੋਲ੍ਹਦੀ ਹੈ।’ ਸੁਰੱਖਿਅਤ ਹਸਪਤਾਲ ਨੈੱਟਵਰਕਾਂ ਦੇ ਅੰਦਰ ਮਰੀਜ਼ ਦੇ ਡਾਟਾ ਨਾਲ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਕੰਮ ਕਰਨ ਦੀ ਯੋਗਤਾ, ਬਾਹਰੀ ਡਾਟਾ ਸਾਂਝਾਕਰਨ ਦੀਆਂ ਨੈਤਿਕ ਅਤੇ ਲੌਜਿਸਟਿਕਲ ਰੁਕਾਵਟਾਂ ਤੋਂ ਬਿਨਾਂ, ਕਲੀਨਿਕਲ AI ਖੋਜ ਲਈ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਨੂੰ ਦੂਰ ਕਰਦੀ ਹੈ।

ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਕਲਪਨਾ ਕਰੋ:

• ਰੀਅਲ-ਟਾਈਮ ਫੈਸਲਾ ਸਹਾਇਤਾ: ਇਲੈਕਟ੍ਰਾਨਿਕ ਹੈਲਥ ਰਿਕਾਰਡ (EHR) ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਏਕੀਕ੍ਰਿਤ AI ਟੂਲ, ਆਉਣ ਵਾਲੇ ਮਰੀਜ਼ ਡਾਟਾ ਦਾ ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ ਸੰਭਾਵੀ ਨਿਦਾਨਾਂ ਦਾ ਸੁਝਾਅ ਦੇਣਾ, ਨਾਜ਼ੁਕ ਲੈਬ ਮੁੱਲਾਂ ਨੂੰ ਫਲੈਗ ਕਰਨਾ, ਜਾਂ ਸੰਭਾਵੀ ਡਰੱਗ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਦੀ ਪਛਾਣ ਕਰਨਾ, ਜਦੋਂ ਕਿ ਡਾਟਾ ਹਸਪਤਾਲ ਦੇ ਸਿਸਟਮ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਰਹਿੰਦਾ ਹੈ।
• ਤੇਜ਼ ਖੋਜ ਚੱਕਰ: ਖੋਜਕਰਤਾ ਵੱਡੇ, ਸਥਾਨਕ ਡਾਟਾਸੈਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ AI ਪਰਿਕਲਪਨਾਵਾਂ ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਜਾਂਚ ਅਤੇ ਸੁਧਾਈ ਕਰ ਸਕਦੇ ਹਨ, ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਨਵੇਂ ਨਿਦਾਨਿਕ ਮਾਰਕਰਾਂ ਜਾਂ ਇਲਾਜ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦੀ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦੇ ਹਨ।
• ਹਾਈਪਰ-ਸਪੈਸ਼ਲਾਈਜ਼ਡ ਟੂਲਸ ਦਾ ਵਿਕਾਸ: ਟੀਮਾਂ ਵਿਸ਼ੇਸ਼ ਮੈਡੀਕਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜਾਂ ਖਾਸ, ਗੁੰਝਲਦਾਰ ਪ੍ਰਕਿਰਿਆਵਾਂ ਲਈ AI ਸਹਾਇਕ ਬਣਾਉਣ ‘ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਜੋ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੰਬੰਧਿਤ ਅੰਦਰੂਨੀ ਡਾਟਾ ‘ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹਨ।

ਪੈਰਾਡਾਈਮ ਬਦਲਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ Manrai ਨੇ ਸੰਖੇਪ ਵਿੱਚ ਕਿਹਾ: ‘ਇਹਨਾਂ ਓਪਨ ਸੋਰਸ ਮਾਡਲਾਂ ਨਾਲ, ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ ਡਾਟਾ ਤੱਕ ਲਿਆ ਸਕਦੇ ਹੋ, ਇਸਦੇ ਉਲਟ ਕਿ ਤੁਸੀਂ ਆਪਣਾ ਡਾਟਾ ਮਾਡਲ ਨੂੰ ਭੇਜੋ।’ ਇਹ ਸਥਾਨੀਕਰਨ ਸਿਹਤ ਸੰਭਾਲ ਸੰਸਥਾਵਾਂ ਅਤੇ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਸ਼ਕਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਸਖ਼ਤ ਗੋਪਨੀਯਤਾ ਮਾਪਦੰਡਾਂ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ ਨਵੀਨਤਾ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ।

ਅਨਿੱਖੜਵਾਂ ਮਨੁੱਖੀ ਤੱਤ: AI ਕੋਪਾਇਲਟ ਵਜੋਂ, ਕਪਤਾਨ ਨਹੀਂ

Llama 3.1 405B ਵਰਗੇ AI ਟੂਲਸ ਦੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਸ਼ਾਨਦਾਰ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਬਾਵਜੂਦ, ਸ਼ਾਮਲ ਖੋਜਕਰਤਾ ਯਥਾਰਥਵਾਦ ਦੀ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਖੁਰਾਕ ਨਾਲ ਉਤਸ਼ਾਹ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਤੇਜ਼ ਹਨ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ, ਭਾਵੇਂ ਕਿੰਨੀ ਵੀ ਸੂਝਵਾਨ ਕਿਉਂ ਨਾ ਹੋਵੇ, ਅਜੇ ਤੱਕ - ਅਤੇ ਸ਼ਾਇਦ ਕਦੇ ਵੀ - ਮਨੁੱਖੀ ਕਲੀਨਿਸ਼ੀਅਨਾਂ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ। Manrai ਅਤੇ Buckley ਦੋਵਾਂ ਨੇ ਜ਼ੋਰ ਦਿੱਤਾ ਕਿ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ ਬਿਲਕੁਲ ਜ਼ਰੂਰੀ ਹੈ।

AI ਮਾਡਲਾਂ, LLMs ਸਮੇਤ, ਦੀਆਂ ਅੰਦਰੂਨੀ ਸੀਮਾਵਾਂ ਹਨ:

• ਸੱਚੀ ਸਮਝ ਦੀ ਘਾਟ: ਉਹ ਆਪਣੇ ਸਿਖਲਾਈ ਡਾਟਾ ਦੇ ਆਧਾਰ ‘ਤੇ ਪੈਟਰਨ ਪਛਾਣ ਅਤੇ ਜਾਣਕਾਰੀ ਸੰਸਲੇਸ਼ਣ ਵਿੱਚ ਉੱਤਮ ਹਨ, ਪਰ ਉਹਨਾਂ ਵਿੱਚ ਅਸਲ ਕਲੀਨਿਕਲ ਸੂਝ, ਆਮ ਸਮਝ, ਅਤੇ ਮਰੀਜ਼ ਦੇ ਜੀਵਨ ਸੰਦਰਭ, ਭਾਵਨਾਤਮਕ ਸਥਿਤੀ, ਜਾਂ ਗੈਰ-ਮੌਖਿਕ ਸੰਕੇਤਾਂ ਦੀਆਂ ਬਾਰੀਕੀਆਂ ਨੂੰ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਦੀ ਘਾਟ ਹੈ।
• ਪੱਖਪਾਤ ਦੀ ਸੰਭਾਵਨਾ: AI ਮਾਡਲ ਆਪਣੇ ਸਿਖਲਾਈ ਡਾਟਾ ਵਿੱਚ ਮੌਜੂਦ ਪੱਖਪਾਤ ਨੂੰ ਵਿਰਾਸਤ ਵਿੱਚ ਲੈ ਸਕਦੇ ਹਨ, ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਗਲਤ ਸਿਫ਼ਾਰਸ਼ਾਂ ਜਾਂ ਨਿਦਾਨਾਂ ਵੱਲ ਲੈ ਜਾਂਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਘੱਟ-ਪ੍ਰਤੀਨਿਧਤ ਮਰੀਜ਼ ਸਮੂਹਾਂ ਲਈ। ਓਪਨ-ਸੋਰਸ ਮਾਡਲ ਇੱਥੇ ਇੱਕ ਸੰਭਾਵੀ ਲਾਭ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦੇ ਹਨ, ਕਿਉਂਕਿ ਸਿਖਲਾਈ ਡਾਟਾ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਕਈ ਵਾਰ ਵਧੇਰੇ ਨੇੜਿਓਂ ਜਾਂਚ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਪਰ ਜੋਖਮ ਬਣਿਆ ਰਹਿੰਦਾ ਹੈ।
• ‘ਹੈਲੂਸੀਨੇਸ਼ਨ’ ਅਤੇ ਗਲਤੀਆਂ: LLMs ਕਦੇ-ਕਦਾਈਂ ਭਰੋਸੇਯੋਗ ਲੱਗਣ ਵਾਲੀ ਪਰ ਗਲਤ ਜਾਣਕਾਰੀ (ਅਖੌਤੀ ‘ਹੈਲੂਸੀਨੇਸ਼ਨ’) ਪੈਦਾ ਕਰਨ ਲਈ ਜਾਣੇ ਜਾਂਦੇ ਹਨ। ਇੱਕ ਮੈਡੀਕਲ ਸੰਦਰਭ ਵਿੱਚ, ਅਜਿਹੀਆਂ ਗਲਤੀਆਂ ਦੇ ਗੰਭੀਰ ਨਤੀਜੇ ਹੋ ਸਕਦੇ ਹਨ।
• ਨਵੀਨਤਾ ਨੂੰ ਸੰਭਾਲਣ ਵਿੱਚ ਅਸਮਰੱਥਾ: ਜਦੋਂ ਕਿ ਉਹ ਜਾਣੇ-ਪਛਾਣੇ ਪੈਟਰਨਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦੇ ਹਨ, AI ਬਿਮਾਰੀ ਦੀਆਂ ਸੱਚਮੁੱਚ ਨਵੀਆਂ ਪੇਸ਼ਕਾਰੀਆਂ ਜਾਂ ਲੱਛਣਾਂ ਦੇ ਵਿਲੱਖਣ ਸੰਜੋਗਾਂ ਨਾਲ ਸੰਘਰਸ਼ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਉਹਨਾਂ ਦੇ ਸਿਖਲਾਈ ਡਾਟਾ ਵਿੱਚ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਰਸਾਏ ਨਹੀਂ ਗਏ ਹਨ।

ਇਸ ਲਈ, ਡਾਕਟਰਾਂ ਅਤੇ ਹੋਰ ਸਿਹਤ ਸੰਭਾਲ ਪੇਸ਼ੇਵਰਾਂ ਦੀ ਭੂਮਿਕਾ ਘੱਟ ਨਹੀਂ ਹੁੰਦੀ ਬਲਕਿ ਬਦਲ ਜਾਂਦੀ ਹੈ। ਉਹ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਮਾਣਕ, ਦੁਭਾਸ਼ੀਏ, ਅਤੇ ਅੰਤਮ ਫੈਸਲਾ ਲੈਣ ਵਾਲੇ ਬਣ ਜਾਂਦੇ ਹਨ। ‘ਸਾਡੇ ਕਲੀਨਿਕਲ ਸਹਿਯੋਗੀ ਸੱਚਮੁੱਚ ਮਹੱਤਵਪੂਰਨ ਰਹੇ ਹਨ, ਕਿਉਂਕਿ ਉਹ ਪੜ੍ਹ ਸਕਦੇ ਹਨ ਕਿ ਮਾਡਲ ਕੀ ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਦਾ ਗੁਣਾਤਮਕ ਤੌਰ ‘ਤੇ ਮੁਲਾਂਕਣ ਕਰ ਸਕਦੇ ਹਨ,’ Buckley ਨੇ ਸਮਝਾਇਆ। AI ਦਾ ਆਉਟਪੁੱਟ ਸਿਰਫ਼ ਇੱਕ ਸੁਝਾਅ ਹੈ, ਇੱਕ ਡਾਟਾ ਦਾ ਟੁਕੜਾ ਜਿਸਦਾ ਵਿਆਪਕ ਕਲੀਨਿਕਲ ਤਸਵੀਰ ਦੇ ਅੰਦਰ ਆਲੋਚਨਾਤਮਕ ਤੌਰ ‘ਤੇ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਣਾ ਹੈ। ‘ਇਹ ਨਤੀਜੇ ਕੇਵਲ ਉਦੋਂ ਭਰੋਸੇਯੋਗ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਤੁਸੀਂ ਉਹਨਾਂ ਦਾ ਡਾਕਟਰਾਂ ਦੁਆਰਾ ਮੁਲਾਂਕਣ ਕਰਵਾ ਸਕਦੇ ਹੋ।’

Manrai ਨੇ ਇਸ ਭਾਵਨਾ ਨੂੰ ਦੁਹਰਾਇਆ, AI ਨੂੰ ਇੱਕ ਖੁਦਮੁਖਤਿਆਰ ਨਿਦਾਨਕਰਤਾ ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ ਇੱਕ ਕੀਮਤੀ ਸਹਾਇਕ ਵਜੋਂ ਕਲਪਨਾ ਕਰਦੇ ਹੋਏ। ਇੱਕ ਪਿਛਲੀ ਪ੍ਰੈਸ ਰਿਲੀਜ਼ ਵਿੱਚ, ਉਸਨੇ ਇਹਨਾਂ ਸਾਧਨਾਂ ਨੂੰ ‘ਵਿਅਸਤ ਕਲੀਨਿਸ਼ੀਅਨਾਂ ਲਈ ਅਨਮੋਲ ਕੋਪਾਇਲਟ’ ਵ