Setiap hari, ribuan hingga jutaan artikel baru terbit di bidang kedokteran dan biomedis. Isinya sangat penting, mulai dari hasil uji klinis, panduan terapi baru, hingga temuan tentang penyakit langka. Masalahnya, tidak ada manusia yang mampu membaca, menyaring, dan menyatukan semua informasi ini secara manual. Di sinilah kecerdasan buatan atau AI mulai diandalkan sebagai “asisten pembaca supercepat” bagi dunia medis.
Salah satu cabang penting dari pemanfaatan AI ini adalah Biomedical Natural Language Processing atau BioNLP. Secara sederhana, BioNLP adalah teknologi yang membuat komputer mampu membaca, memahami, dan mengekstrak informasi penting dari teks medis. Misalnya, AI bisa membantu menemukan hubungan antara obat dan efek samping, merangkum hasil penelitian, atau menjawab pertanyaan dokter berdasarkan ribuan jurnal ilmiah.
Dalam beberapa tahun terakhir, muncul teknologi yang jauh lebih canggih, yaitu Large Language Models atau LLMs. Model ini mampu menulis, berdialog, dan menjawab pertanyaan dengan bahasa yang sangat alami. Banyak orang mengenalnya lewat chatbot pintar. Namun, muncul pertanyaan besar, apakah LLM benar-benar bisa diandalkan untuk dunia medis yang menuntut ketelitian sangat tinggi.
Untuk menjawab pertanyaan itu, sekelompok ilmuwan melakukan evaluasi besar-besaran terhadap LLM dalam tugas-tugas BioNLP. Mereka membandingkan beberapa model populer seperti GPT-4 dan LLaMA dengan metode AI lama yang selama ini menjadi andalan dunia riset biomedis.
Baca juga artikel tentang: Bahasa Rahasia Alam: Infrasound, Gelombang Suara yang Tak Bisa Kita Dengar
Mengapa Dunia Medis Membutuhkan AI Pembaca Supercepat
Ilmu kedokteran berkembang sangat cepat. Seorang dokter atau peneliti bisa kewalahan hanya untuk mengikuti perkembangan di satu bidang kecil saja, misalnya kanker paru atau penyakit autoimun. AI hadir sebagai alat bantu untuk mempercepat proses ini.
Dengan BioNLP, AI dapat membantu membaca ribuan artikel dalam waktu singkat, lalu mengekstrak informasi penting seperti hubungan antara gen, penyakit, dan obat. AI juga bisa membantu menjawab pertanyaan medis berbasis literatur ilmiah, sesuatu yang sangat berguna dalam dunia klinis dan riset.
Namun, dunia medis tidak seperti dunia umum. Kesalahan kecil dalam informasi bisa berdampak besar pada diagnosis dan pengobatan. Karena itu, para peneliti ingin memastikan apakah LLM benar-benar cukup akurat dan aman untuk tugas-tugas medis.
Apa yang Diuji dalam Penelitian Ini
Dalam penelitian ini, para ilmuwan menguji kemampuan LLM dalam 12 tolok ukur BioNLP yang mencakup enam jenis aplikasi utama. Aplikasi itu meliputi pengenalan istilah medis, pencarian hubungan antar konsep biologi, peringkasan informasi medis, dan menjawab pertanyaan medis.
Mereka menguji tiga cara penggunaan LLM. Yang pertama adalah zero-shot, yaitu model langsung diberi tugas tanpa pelatihan khusus. Yang kedua adalah few-shot, di mana model diberi beberapa contoh terlebih dahulu. Yang ketiga adalah fine-tuning, yaitu model dilatih secara khusus menggunakan data medis.
Sebagai pembanding, mereka juga menguji metode AI lama yang sudah lama digunakan di dunia BioNLP, seperti model berbasis BERT dan BART yang dilatih ulang secara spesifik untuk tugas medis.
Hasil Utama yang Mengejutkan
Hasil penelitian ini memberikan gambaran yang sangat jujur dan realistis. LLM memang sangat pintar dalam banyak hal, tetapi dalam dunia medis, keunggulan mereka tidak selalu mutlak.
Untuk sebagian besar tugas BioNLP, metode lama yang dilatih khusus melalui fine-tuning justru masih mengungguli LLM yang hanya digunakan dengan zero-shot atau few-shot. Artinya, AI yang dilatih secara spesifik untuk tugas medis masih lebih andal dibandingkan LLM umum yang langsung dipakai tanpa pelatihan tambahan.
Namun, ada satu pengecualian penting. Untuk tugas yang berkaitan dengan penalaran kompleks, seperti menjawab pertanyaan medis berbasis literatur, model tertutup seperti GPT-4 menunjukkan kinerja yang sangat unggul. Dalam tugas-tugas ini, GPT-4 mampu memahami konteks pertanyaan, menghubungkannya dengan informasi yang relevan, dan menyusun jawaban yang masuk akal.
Sebaliknya, LLM sumber terbuka seperti LLaMA masih membutuhkan pelatihan tambahan agar bisa menutup kesenjangan performa dengan model tertutup.
Masalah Besar yang Masih Menghantui
Penelitian ini juga menyoroti beberapa masalah serius dalam penggunaan LLM untuk dunia medis. Salah satunya adalah halusinasi, yaitu kondisi ketika AI menghasilkan informasi yang terdengar meyakinkan tetapi sebenarnya salah atau tidak berdasar.
Dalam konteks medis, halusinasi sangat berbahaya. AI bisa menyebutkan obat, dosis, atau hubungan penyakit yang sebenarnya tidak pernah ada dalam literatur ilmiah. Selain itu, para peneliti juga menemukan masalah informasi yang tidak lengkap. LLM kadang memberikan jawaban yang tampak benar, tetapi melewatkan detail penting yang justru krusial untuk pengambilan keputusan medis.
Masalah lainnya adalah ketidakkonsistenan jawaban. Untuk pertanyaan yang mirip, LLM bisa memberi jawaban yang berbeda-beda tergantung cara pertanyaan diajukan. Ini menjadi tantangan besar jika AI digunakan sebagai alat bantu profesional di rumah sakit atau laboratorium.
Biaya dan Efisiensi Juga Jadi Pertimbangan
Penggunaan LLM besar seperti GPT-4 bukan hanya soal akurasi, tetapi juga soal biaya. Model tertutup umumnya membutuhkan biaya operasional yang tinggi, baik untuk akses API maupun komputasi. Sebaliknya, model open source seperti LLaMA lebih murah dan fleksibel, tetapi membutuhkan usaha lebih besar untuk pelatihan agar performanya mendekati model tertutup.
Penelitian ini menunjukkan bahwa dalam banyak tugas BioNLP yang bersifat rutin, metode lama yang dilatih khusus masih menjadi pilihan yang lebih efisien dari sisi biaya dan stabilitas.
Rekomendasi Penting dari Para Peneliti
Berdasarkan hasil evaluasi ini, para peneliti memberikan beberapa rekomendasi praktis bagi dunia medis dan industri teknologi.
Pertama, LLM sebaiknya tidak digunakan secara sembrono untuk tugas medis tanpa evaluasi ketat. Kehebatannya dalam percakapan tidak otomatis berarti aman untuk keputusan medis.
Kedua, untuk tugas-tugas inti seperti ekstraksi informasi dan pengenalan istilah medis, metode AI lama yang sudah teruji masih sangat relevan dan bahkan sering lebih unggul.
Ketiga, LLM sangat menjanjikan untuk tugas berbasis penalaran tingkat tinggi seperti menjawab pertanyaan medis kompleks, tetapi tetap harus disertai sistem verifikasi yang kuat.
Keempat, model open source masih perlu pelatihan tambahan agar dapat bersaing dengan model tertutup dalam konteks medis.
Apa Artinya bagi Pasien dan Dokter
Bagi pasien, penelitian ini menjadi pengingat penting bahwa chatbot medis belum bisa sepenuhnya menggantikan dokter. AI bisa membantu memberikan informasi awal, tetapi tidak bisa dijadikan satu-satunya dasar keputusan kesehatan.
Bagi dokter dan tenaga medis, LLM bisa menjadi alat bantu yang sangat berguna, terutama untuk mencari informasi cepat dari literatur. Namun, penggunaannya harus selalu disertai kehati-hatian dan pengecekan ulang.
Bagi pengembang teknologi, studi ini menjadi peta jalan yang jelas tentang di mana LLM unggul, di mana ia masih lemah, dan bagaimana seharusnya teknologi ini dikembangkan secara bertanggung jawab untuk sektor kesehatan.
Penelitian tentang pengujian LLM di dunia BioNLP menunjukkan bahwa kecerdasan buatan memang membawa harapan besar bagi dunia medis, tetapi juga menyimpan risiko serius jika digunakan tanpa kontrol. LLM sangat kuat dalam memahami bahasa dan melakukan penalaran, tetapi belum selalu stabil dan akurat untuk tugas medis yang menuntut presisi tinggi.
Masa depan AI di dunia kesehatan bukan tentang menggantikan dokter, melainkan tentang membangun kerja sama yang cerdas antara manusia dan mesin. Dengan evaluasi yang ketat, pelatihan yang tepat, serta penggunaan yang bijak, AI bisa menjadi mitra penting dalam mempercepat riset, meningkatkan layanan kesehatan, dan pada akhirnya menyelamatkan lebih banyak nyawa.
Baca juga artikel tentang: Bahasa Kimia Lumut Purba: Bagaimana Tanaman Mengatur Stresnya
REFERENSI:
Chen, Qingyu dkk. 2025. Benchmarking large language models for biomedical natural language processing applications and recommendations. Nature communications 16 (1), 3280.
