Трансформиращ потенциал на специфичен за здравеопазването основен модел

През последните две години универсалните основополагащи модели като GPT-4 значително се развиха, предлагайки безпрецедентни възможности поради по-големи набори от данни, увеличени размери на модела и архитектурни подобрения. Тези модели са адаптивни към широк спектър от задачи в различни области. Въпреки това AI в здравеопазването все още се характеризира с модели, предназначени за специфични задачи. Например, модел, обучен да анализира рентгенови лъчи за костни фрактури, би идентифицирал само фрактури и няма способността да генерира изчерпателни радиологични доклади. Повечето от 500 AI модели одобрени от Администрацията по храните и лекарствата са ограничени до един или два случая на употреба. Въпреки това, основните модели, известни с широката си приложимост при различни задачи, поставят основата за трансформативен подход в приложенията в здравеопазването.

Въпреки че има първоначални опити за разработване на основополагащи модели за медицински приложения, този по-широк подход все още не е преобладаващ в AI в здравеопазването. Това бавно приемане се дължи главно на предизвикателствата, свързани с достъпа до големи и разнообразни масиви от здравни данни, както и на необходимостта моделите да разсъждават върху различни видове медицински данни. Практиката на здравеопазването е по своята същност мултимодална и включва информация от изображения, електронни здравни досиета (EHR), сензори, носими устройства, геномика и др. По този начин един основен модел на здравеопазване също трябва да бъде присъщо мултимодален. Независимо от това, неотдавнашният напредък в мултимодалните архитектури и самоконтролираното обучение, които могат да обработват различни типове данни, без да се нуждаят от етикетирани данни, проправя пътя за основен модел на здравеопазването.

Текущо състояние на генеративния AI в здравеопазването

Здравеопазването традиционно бавно възприема технологиите, но изглежда, че ги е прегърнало Генеративен AI по-бързо. На HIMSS24, най-голямата световна конференция за професионалисти в областта на здравните технологии, Generative AI беше фокусната точка на почти всяка презентация.

Един от първите случаи на използване на Generative AI в здравеопазването, който получи широко разпространение, се фокусира върху облекчаване на административното натоварване на клиничната документация. Традиционно документирането на взаимодействията с пациентите и процесите на грижа отнема значителна част от времето на лекарите (>2 часа на ден), което често ги отвлича от директните грижи за пациентите.

AI модели като GPT-4 или MedPalm-2 се използват за наблюдение на данните за пациентите и взаимодействията между лекар и пациент за изготвяне на ключови документи като бележки за напредъка, резюмета за изписване и писма за препоръки. Тези чернови улавят съществена информация точно, като изискват само преглед и одобрение от лекар. Това значително намалява времето за работа с документи, позволявайки на лекарите да се съсредоточат повече върху грижата за пациентите, подобрявайки качеството на обслужване и намалявайки прегарянето.

Въпреки това, по-широките приложения на основополагащите модели в здравеопазването все още не са напълно материализирани. Общите основни модели като GPT-4 имат няколко ограничения; следователно има нужда от специфичен за здравеопазването основен модел. Например, на GPT-4 липсва способността да анализира медицински изображения или да разбира надлъжни данни за пациенти, което е критично за предоставяне на точни диагнози. Освен това, той не притежава най-актуалните медицински познания, тъй като е обучен върху данни, налични само до декември 2023 г. MedPalm-2 на Google представлява първият опит за изграждане на специфичен за здравеопазването основен модел, способен както да отговори медицински запитвания и разсъждения относно медицински изображения. Въпреки това, той все още не улавя пълния потенциал на ИИ в здравеопазването.

Изграждане на основен модел на здравеопазването

Процесът на изграждане на основен модел на здравеопазването започва с данни, извлечени от публични и частни източници, включително биобанки, експериментални данни и досиета на пациенти. Този модел би могъл да обработва и комбинира различни типове данни, като текст с изображения или лабораторни резултати, за изпълнение на сложни медицински задачи.

Освен това може да разсъждава за нови ситуации и да формулира своите резултати на медицински точен език. Тази способност се простира до изводи и използване на причинно-следствени връзки между медицински концепции и клинични данни, особено когато се предоставят препоръки за лечение въз основа на данни от наблюдения. Например, той може да предскаже синдром на остър респираторен дистрес от скорошна тежка гръдна травма и намаляващи артериални нива на кислород, въпреки увеличеното снабдяване с кислород.

Освен това моделът ще има достъп до контекстуална информация от ресурси като графики на знанието или бази данни, за да получи актуални медицински знания, като подобри своите разсъждения и гарантира, че неговите съвети отразяват най-новите постижения в медицината

Приложения и въздействие на основния модел на здравеопазването

Потенциалните приложения за основен модел на здравеопазването са обширни. В диагностиката такъв модел може да намали зависимостта от човешки анализ. За планиране на лечението моделът може да помогне при изработването на индивидуализирани стратегии за лечение, като вземе предвид цялото медицинско досие на пациента, генетични подробности и фактори, свързани с начина на живот. Някои други приложения включват:

• Обосновани радиологични доклади: Основополагащият модел на здравеопазването може да трансформира цифровата радиология чрез създаване на многофункционални асистенти, които подпомагат рентгенолозите чрез автоматизиране на изготвянето на доклади и намаляване на натоварването. Освен това ще може да интегрира цялата история на пациента. Например, рентгенолозите могат да запитват модела за промените в условията с течение на времето: „Можете ли да идентифицирате промени в размера на тумора след последното сканиране?“
• Подкрепа за вземане на клинични решения при леглото: Възползвайки се от клиничните познания, той ще предлага ясни обяснения в свободен текст и обобщения на данни, предупреждавайки медицинския персонал за непосредствените рискове за пациентите и предлагайки следващи стъпки. Например предупреждението в облака на модела „Предупреждение: Този пациент е на път да изпадне в шок“ и предоставя връзки към съответните обобщения на данни и контролни списъци за действие.
• Откриване на наркотици: Проектирането на протеини, които се свързват специфично и силно с целта, е в основата на откриването на лекарства. Ранните модели като RFdiffusion са започнали да генерират протеини въз основа на основни входове, като например мишена за свързване. Надграждайки тези първоначални модели, специфичен за здравеопазването основен модел може да бъде обучен да разбира както езика, така и протеиновите последователности. Това ще му позволи да предложи текстово базиран интерфейс за проектиране на протеини, потенциално ускорявайки разработването на нови лекарства

Предизвикателства

Въпреки че изграждането на специфичен за здравеопазването основен модел остава крайната цел и последните постижения го направиха по-осъществимо, все още има значителни предизвикателства при разработването на единен модел, способен да разсъждава върху различни медицински концепции:

• Съпоставяне на данни с множество модалности: Моделът трябва да бъде обучен на различни модалности на данни, като данни от EHR, данни за медицински изображения и генетични данни. Разсъждението в тези модалности е предизвикателство, тъй като намирането на данни с висока точност, които точно картографират взаимодействията във всички тези модалности, е трудно. Освен това, представянето на различни биологични модалности, от клетъчната динамика до молекулярните структури и генетичните взаимодействия в целия геном, е сложно. Оптималното обучение върху човешки данни е неосъществимо и неетично, така че изследователите разчитат на по-малко предсказуеми животински модели или клетъчни линии, което създава предизвикателство при превеждането на лабораторните измервания в сложната работа на цели организми.
• Валидиране и проверка: Основните модели на здравеопазването са трудни за валидиране поради тяхната гъвкавост. Традиционно AI моделите се валидират за специфични задачи като диагностициране на вид рак от MRI. Основните модели обаче могат да изпълняват нови, невиждани задачи, което затруднява предвиждането на всички възможни режими на отказ. Те изискват подробни обяснения за своите тестове и одобрени случаи на употреба и трябва да издават предупреждения за употреба извън етикета. Проверката на техните резултати също е сложна, тъй като те обработват различни входове и изходи, което потенциално изисква мултидисциплинарен панел, за да се гарантира точността.
• Социални пристрастия: Тези модели рискуват да запазят пристрастия, тъй като могат да се обучават върху данни, които представят недостатъчно определени групи или съдържат пристрастни корелации. Справянето с тези пристрастия е от решаващо значение, особено когато мащабът на моделите се увеличава, което може да засили проблема.

Пътят напред

Generative AI вече е започнал да прекроява здравеопазването, като облекчава тежестта на документацията върху клиницистите, но пълният му потенциал предстои. Бъдещето на основополагащите модели в здравеопазването обещава да бъде трансформиращо. Представете си здравна система, където диагностиката е не само по-бърза, но и по-точна, където плановете за лечение са прецизно съобразени с генетичните профили на отделните пациенти и където нови лекарства могат да бъдат открити за няколко месеца, а не за години.

Създаването на основен AI модел, специфичен за здравеопазването, представлява предизвикателство, особено що се отнася до интегрирането на разнообразните и разпръснати медицински и клинични данни. Въпреки това, тези пречки могат да бъдат преодолени чрез съвместни усилия между технолози, клиницисти и политици. Като работим заедно, можем да разработим търговски рамки, които стимулират различни заинтересовани страни (EHR, компании за изображения, патологични лаборатории, доставчици) да обединят тези данни и да изградят архитектури на AI модели, способни да обработват сложни, мултимодални взаимодействия в рамките на здравеопазването.

Освен това е изключително важно този напредък да продължи с ясен етичен компас и стабилни регулаторни рамки, за да се гарантира, че тези технологии се използват отговорно и справедливо. Чрез поддържане на високи стандарти на валидиране и справедливост, здравната общност може да изгради доверие и да насърчи приемането както от пациентите, така и от практикуващите.

Пътуването към пълно реализиране на потенциала на основополагащите модели на здравеопазването е вълнуваща граница. Възприемайки този иновативен дух, секторът на здравеопазването може да предвиди не само посрещане на настоящите предизвикателства, но и трансформиране на медицинската наука. Ние сме на ръба на една смела нова ера в здравеопазването – пълна с възможности и водена от обещанието на ИИ да подобри живота в глобален мащаб.