Dalla Fantascienza alla Realtà

Quando parliamo di Intelligenza Artificiale parliamo - come abbiamo provato a spiegare nell’articolo precedente - di molteplici aspetti e usi della stessa. L’AI generativa, di cui quasi quotidianamente si sente parlare pressoché in ogni ambito, è un tipo di intelligenza artificiale che è in grado di generare testo, immagini, video, musica o altri media in risposta a delle richieste (dette “prompt”).

Tra questi modelli si collocano i modelli linguistici di grandi dimensioni (Large Language Model LLM), in grado di generare testi in linguaggio naturale sulla base di un dato input, come un prompt, una parola chiave o una query. 

ChatGPT è forse ancora il più noto “al grande pubblico” tra i LLM: reso disponibile al pubblico dal 30 novembre 2022 da Open AI, offre a chiunque la possibilità di utilizzare le sue capacità di generare risposte istantanee ad una vasta gamma di domande inerenti ai più svariati argomenti, dalla scienza alla cultura popolare, dalle notizie ai consigli personali. Nel periodo tra gennaio e marzo 2023, si sono registrati quasi due miliardi di utenti mensili che hanno adottato questa tecnologia a livello globale, con una media di nove minuti per visita.

Nonostante le grandi potenzialità, l’ampia accessibilità di questi sistemi ha inevitabilmente stimolato numerose discussioni nell’opinione pubblica e anche nella comunità scientifica.

Per le loro caratteristiche, potenzialità e funzionalità i LLM sono stati applicati a vari settori, inclusa la medicina: l’idea è che questi possano essere strumenti di assistenza per medici, ricercatori e pazienti in diagnosi, trattamento, revisione della letteratura ed educazione sanitaria. 

Come già si è segnalato in precedenza, anche nel caso dei LLM  - e specialmente in ambito medico - non mancano sfide e rischi significativi rispetto a qualità dei dati e privacy, implicazioni etiche e legali, interazione e collaborazione uomo-intelligenza artificiale: enormi quantità di dati di testo potrebbero non essere sempre affidabili, rappresentativi o rilevanti, i dati potrebbero contenere informazioni personali sensibili che devono essere protette, si potrebbero porre problemi rispetto ai principi del consenso informato, della riservatezza o dell’autonomia o rispetto alle responsabilità degli sviluppatori, dei fornitori e degli utenti di questi sistemi, i LLM potrebbero influenzare la fiducia, la confidenza o l'autorità degli utenti o dei destinatari dei suoi testi. La sfida è e continua a essere aperta e in breve tempo tanti sono gli strumenti che sono stati creati. 

Il sito Github.it ha realizzato un interessante e ampio sondaggio che fornisce una panoramica completa dei principi, delle applicazioni e delle sfide affrontate dai LLM in medicina, rispondendo ad alcune domande specifiche: Come dovrebbero essere costruiti i LLM medici? Quali sono le metriche per misurare le prestazioni dei LLM medici nei loro ambiti di applicazione? Come dovrebbero essere utilizzati i LLM medici nella pratica clinica del mondo reale? Quali sfide derivano dall'uso di LLM medici? Come dovremmo costruire e utilizzare meglio i LLM medici?

Per completezza - non potendo risportare tutti i risultati qui - si segnala il link di riferimento: https://github.com/AI-in-Health/MedLLMsPracticalGuide

Qualche spunto interessante, derivante dal sondaggio e da altre ricerche, può però essere sintetizzato con riferimento ad alcuni Med - LLM, proposti e sviluppati dai ricercatori per fornire strumenti specializzati per il dominio medico e sfruttare la potenza della pre-formazione e della messa a punto per ottenere prestazioni e generalizzazione migliori sulle attività mediche a valle. Il panorama è vastissimo e vede, tra le decine di LLM esistenti,  BioGPT, BioBERT, ClinicalBERT, BlueBERT, MedNLI, MedPrompt. 

BioGPT è stato tra i primi modelli di linguaggio generativo di tipo Transformer pre-addestrato su un’ampia letteratura biomedica le cui informazioni iniziali erano basate su un training set costituito da quindici milioni di abstract disponibili in PubMed, un portale web aperto a tutti che consente di eseguire ricerche principalmente sul database online MEDLINE. I ricercatori di BioGPT hanno incluso sei task, tra i quali la risposta a domande, la categorizzazione di documenti e l’estrazione di relazioni end-to-end. 

MedPrompt è un framework di prompt engineering, ricercato e sviluppato da Microsoft che sfrutta tre componenti principali: esempi few-shot prompting, catena di pensiero (CoT) generata automaticamente e insieme di scelta casuale. 

Lo few-shot prompting è una tecnica che prevede di fornire in input al modello una serie di esempi, oltre che l'effettiva richiesta, così da poter "addestrare" il modello stesso direttamente durante la fase di produzione dell'output. In questo modo si passa della conoscenza al modello che la può usare per rispondere meglio e in modo più efficace

Volendo semplificare, potrebbe dirsi che - di fronte a un compito - il modello esegue un algoritmo di base che gestisce queste tre parti principali. Al modello vengono fornite alcune coppie di domande/risposte di esempio per aiutarlo a risolvere il problema. Nell’evoluzione del modello, per coprire la maggior parte dei campi, gli esempi man mano abbracciano un’ampia gamma di informazioni, così che siano i più pertinenti alla domanda in questione. Il passaggio successivo prevede l’inserimento di un linguaggio naturale per incoraggiare il modello a generare una serie di passaggi di ragionamento prima di risolvere il compito da svolgere, suddividendolo per problemi più semplici per arrivare al complesso. Gli sviluppatori hanno continuato e testato MedPrompt su sei set di dati aggiuntivi - su ingegneria elettrica, apprendimento automatico, filosofia, contabilità professionale, diritto professionale e psicologia professionale - riscontrando sempre dei miglioramenti.