Large Language Models Streamline Automated Machine Learning for Clinical Studies

要約

機械学習 (ML) 開発者 (データ サイエンティストなど) と実践者 (臨床医など) の間には知識のギャップが依然として存在しており、臨床データ分析における ML の完全な活用が妨げられています。
私たちは、GPT-4 の拡張機能である ChatGPT Advanced Data Analysis (ADA) がこのギャップを埋めて ML 分析を効率的に実行できる可能性を調査しました。
さまざまな医療専門分野にわたる大規模試験から得られた実際の臨床データセットと研究の詳細が、具体的なガイダンスなしで ChatGPT ADA に提示されました。
ChatGPT ADA は、元の研究のトレーニング データに基づいて最先端の ML モデルを自律的に開発し、がんの発症、がんの進行、疾患の合併症、または病原性遺伝子配列などのバイオマーカーなどの臨床転帰を予測しました。
公開されたモデルの再実装と最適化に続いて、ChatGPT ADA で作成された ML モデルと、それぞれ手動で作成された対応するモデルを直接比較したところ、従来のパフォーマンス メトリクスに大きな違いは見られませんでした (P>0.071)。
驚くべきことに、ChatGPT ADA で作成された ML モデルは、多くの場合、対応するモデルよりも優れたパフォーマンスを示しました。
結論として、ChatGPT ADA は、複雑なデータ分析を簡素化することで医療における ML を民主化する有望な手段を提供しますが、医療研究と実践におけるより広範な応用を促進するために、専門的なトレーニングとリソースを置き換えるのではなく強化する必要があります。

要約(オリジナル)

A knowledge gap persists between machine learning (ML) developers (e.g., data scientists) and practitioners (e.g., clinicians), hampering the full utilization of ML for clinical data analysis. We investigated the potential of the ChatGPT Advanced Data Analysis (ADA), an extension of GPT-4, to bridge this gap and perform ML analyses efficiently. Real-world clinical datasets and study details from large trials across various medical specialties were presented to ChatGPT ADA without specific guidance. ChatGPT ADA autonomously developed state-of-the-art ML models based on the original study’s training data to predict clinical outcomes such as cancer development, cancer progression, disease complications, or biomarkers such as pathogenic gene sequences. Following the re-implementation and optimization of the published models, the head-to-head comparison of the ChatGPT ADA-crafted ML models and their respective manually crafted counterparts revealed no significant differences in traditional performance metrics (P>0.071). Strikingly, the ChatGPT ADA-crafted ML models often outperformed their counterparts. In conclusion, ChatGPT ADA offers a promising avenue to democratize ML in medicine by simplifying complex data analyses, yet should enhance, not replace, specialized training and resources, to promote broader applications in medical research and practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google