به گزارش باریخ نیوز به نقل از هوشیو ، سرعت پیشرفت و گسترش مدل‌های بزرگ زبانی چنان شتاب گرفته است که به‌زودی کمتر حوزه‌ای را می‌توان یافت که از مدل زبانی اختصاصی بی‌بهره باشد. این بار اما نوبت به یکی از حیاتی‌ترین حوزه‌های پزشکی یعنی نوروساینس (Neuroscience) رسیده تا به لطف هوش مصنوعی مولد، به ابزاری کاربردی برای تشخیص و درمان بیماری‌های مغزی تجهیز شود.
مدل زبانی BrainLM، حاصل تلاش جمعی از پزشکان و متخصصان داده است که با 80000 مورد اسکن و نمونه‌برداری از 40000 هزار سوژه، موفق شدند یک مدل زبانی تخصصی برای نظارت بر فعالیت‌های مغزی توسعه دهند که در صورت موفقیت، این توانایی را دارد که تحولی بزرگ در این شاخه پزشکی رقم بزند. این مدل به صورت قابل توجهی موجب کاهش هزینه درمان بیماران و افزایش سرعت و دقت تشخیص بیماری‌ها شده و می‌تواند در پیشبینی و درمان بیماری‌هایی از جمله افسردگی، اضطراب و PTSD نقشی موثر ایفا کند.
دکتر چادی عبدالله، دانشیار دپارتمان روانپزشکی و علوم رفتاری مننگر در Baylor طی مصاحبه خود گفت: «ما از مدت‌ها پیش به این موضوع پی برده بودیم که فعالیت‌های مغز انسان با بسیاری از بیماری‌ها مانند تشنج و پارکینسون در ارتباط است؛ اما با استفاده از ابزارهای تصویربرداری سنتی مانند MRI، تنها می‌توانستیم تصاویر فعالیت‌های مغزی را مشاهده کنیم و امکان نظارت پویا بر فعالیت‌های مغزی متناسب با زمان و مکان‌های گوناگون برای ما میسر نبود. اخیراً افراد زیادی به استفاده از فناوری یادگیری ماشین و هوش مصنوعی مولد برای تشخیص و درمان بیماری‌های خاص مغزی روی آورده‌اند؛ اما به دلیل آن که در این فرایند هزاران بیمار با رفتار، شرایط و بیماری‌های خاص مورد ارزیابی قرار می‌گیرند، انجام این کار بسیار هزینه‌بر خواهد بود.»
چاد و تیمش در تلاش‌اند تا با توسعه یک مدل زبانی جامع، طیف عظیمی از داده‌ها را در اختیار مدل زبانی مولد قرار دهند و این مدل با تجزیه‌وتحلیل آنها به‌صورت پویا، الگوهای جدیدی را پیدا کند که منجر به کشف چگونگی و چرایی بسیاری از اختلالات مغزی می‌شود. BrainLM قادر است بدون در دست داشتن سابقه بیماری، سن و رفتارهای بیمار و تنها با در اختیار داشتن داده‌های مغزی وی، به دیتابیس عظیم خود رجوع کند و علاوه بر تشخیص اختلالات، به پیشگیری از بیماری‌های مغزی نیز کمک کند.
عبدالله در ادامه به مزایای دیگر این مدل زبانی پرداخت و گفت: «فرض کنید که برای تولید یک داروی ضدافسردگی، نیاز به تحقیقات بالینی دارید. حال می‌بایست صدها میلیون دلار هزینه کنید تا تعداد بسیار زیادی از متقاضیان را ثبت‌نام و مورد مطالعه طولانی‌مدت قرار دهید. به لطف مدل BrainLM، این هزینه به نصف کاهش می‌یابد؛ چراکه از دیتاهای مدل زبانی استفاده می‌شود تا تنها افرادی مورد ارزیابی قرار بگیرند که پتانسیل بیشتری برای بهره‌مندی از فواید دارو را داند.»
توسعه‌دهندگان این مدل زبانی در تلاش‌اند تا جامعه آماری 40 هزار نفره خود را به منظور بهبود عملکرد و دقت مدل به طور قابل توجهی افزایش دهند. حال باید منتظر ماند و دید که این مدل‌های زبانی چگونه در آینده با ابزارهای موجود از جمله MRIها تفیق می‌شوند چه نقشی در تشخیص و درمان بیماری‌های مغزی ایفا می‌کنند.
