Transformatorisk potentiale for et sundheds-specifikt grundlæggende model

I de sidste to år er generelle grundlæggende modeller som GPT-4 udviklet sig betydeligt og tilbyder uden precedent muligheder på grund af større datasæt, øgede modelstørrelser og arkitektoniske forbedringer. Disse modeller kan tilpasse sig til en bred vifte af opgaver på tværs af forskellige fagområder. Imidlertid er sundheds-AI stadig karakteriseret ved modeller, der er designet til bestemte opgaver. For eksempel ville en model, der er trænet til at analysere røntgenbilleder af knoglefrakturer, kun kunne identificere frakturer og mangle evnen til at generere omfattende radiologiske rapporter. De fleste af 500 AI-modeller, der er godkendt af Food and Drug Administration, er begrænsede til en eller to anvendelsesområder. Imidlertid sætter grundlæggende modeller, der er kendt for deres brede anvendelighed på tværs af forskellige opgaver, scenen for en transformerende tilgang i sundhedsapplikationer.

Der har været første forsøg på at udvikle grundlæggende modeller til medicinske formål, men denne bredere tilgang er endnu ikke blevet almindelig i sundheds-AI. Den langsomme tilpasning skyldes primært udfordringerne i forbindelse med adgang til store og diverse sundhedsdata samt behovet for, at modellerne kan resonere på tværs af forskellige typer af medicinske data. Praksis med sundhedsydelser er i sig selv multimodal og omfatter informationer fra billeder, elektroniske patientjournaler (EHR), sensorer, wearables, genetik og mere. Derfor skal et grundlæggende sundhedsmodel også være multimodalt. Alligevel er den seneste fremgang i multimodale arkitekturer og selv-tilsyneladende læring, der kan håndtere forskellige datatyper uden behov for mærket data, på vej til at åbne op for et sundhedsgrundlæggende model.

Nuværende tilstand af generativ AI i sundhedssektoren

Sundhedssektoren har traditionelt været langsom til at tilpasse sig teknologi, men det ser ud til, at den har tilpasset sig Generativ AI hurtigere. På HIMSS24, den største globale konference for sundheds-teknologi-professionelle, var Generativ AI fokuspunktet for næsten hver præsentation.

En af de første anvendelsesområder for Generativ AI i sundhedssektoren, der har set en bred tilpasning, fokuserer på at lette den administrative byrde af klinisk dokumentation. Traditionelt forbruger dokumentation af patientinteraktioner og -processer en betydelig del af lægernes tid (>2 timer om dagen), ofte på bekostning af direkte patientpleje.

AI-modeller som GPT-4 eller MedPalm-2 bruges til at overvåge patientdata og læge-patient-interaktioner for at udarbejde nøgle-dokumenter som fremgangsnoter, udskrivningsresumer og henvisningsbreve. Disse udkast fanger essentiel information nøjagtigt, og kræver kun lægens gennemgang og godkendelse. Dette reducerer betydeligt papirarbejdet, og giver lægerne mulighed for at fokusere mere på patientpleje, forbedre servicen og reducere udbrændthed.

Men de bredere anvendelser af grundlæggende modeller i sundhedssektoren har endnu ikke fuldt ud materialiseret sig. Generalistiske grundlæggende modeller som GPT-4 har flere begrænsninger, og der er derfor behov for et sundheds-specifikt grundlæggende model. For eksempel mangler GPT-4 evnen til at analysere medicinske billeder eller forstå longitudinelle patientdata, som er afgørende for at give præcise diagnoser. Derudover besidder den ikke den seneste medicinske viden, da den kun er trænet på data til rådighed op til december 2023. Google’s MedPalm-2 repræsenterer det første forsøg på at bygge et sundheds-specifikt grundlæggende model, der kan både besvare medicinske spørgsmål og resonere om medicinske billeder. Alligevel fanger den ikke det fulde potentiale for AI i sundhedssektoren.

Opbygning af et sundhedsgrundlæggende model

Processen med at opbygge et sundhedsgrundlæggende model begynder med data, der stammer fra både offentlige og private kilder, herunder biobanker, eksperimentelle data og patientjournaler. Dette model ville være i stand til at behandle og kombinere forskellige datatyper, såsom tekst med billeder eller laboratorie-resultater, for at udføre komplekse medicinske opgaver.

Dertil kunne det resonere om nye situationer og udtrykke sine output i medicinsk præcis sprog. Denne evne omfatter også at slutte og anvende årsagsforhold mellem medicinske begreber og kliniske data, især når det giver behandlingsanbefalinger baseret på observationsdata. For eksempel kunne det forudsige akut respiratorisk distress-syndrom fra nylig alvorlig thorakal trauma og dalende arteriel ilt-niveauer, på trods af en øget ilt-tilførsel.

Dertil ville modellen have adgang til kontekstuel information fra ressourcer som viden-grafer eller databaser for at opnå opdateret medicinsk viden, og forbedre sin resonnering og sikre, at dens råd reflekterer de seneste fremskridt i medicin

Anvendelser og impact af sundhedsgrundlæggende model

De potentielle anvendelser for et sundhedsgrundlæggende model er omfattende. I diagnostik kunne en sådan model reducere afhængigheden af menneskelig analyse. For behandlingsplanlægning kunne modellen hjælpe med at udarbejde individualiserede behandlingsstrategier ved at tage hensyn til en patients hele medicinske journal, genetiske detaljer og livsstilsfaktorer. Andre anvendelser omfatter:

• Baserede radiologiske rapporter: Det sundhedsgrundlæggende model kan transformere digital radiologi ved at skabe fleksible assistenter, der understøtter radiologer ved at automatisere rapportudarbejdning og reducere arbejdsbyrden. Det ville også være i stand til at integrere hele patienthistorik. For eksempel kan radiologer spørge modellen om ændringer i tilstande over tid: “Kan du identificere nogen ændringer i tumor-størrelsen siden sidste scanning?”
• Klinisk beslutningsstøtte ved sengen: Ved at udnytte klinisk viden ville det give klare, fri-text-forklaringer og data-summeringer, og advare medicinsk personale om umiddelbare patient-risici og foreslå næste skridt. For eksempel kunne modellen advare, “Advarsel: Denne patient er på vej til at gå i shock,” og give links til relevante data-summeringer og checklister for handling.
• Lægemiddelforskning: Design af proteiner, der binder specifikt og stærkt til et mål, er grundlaget for lægemiddelforskning. Tidlige modeller som RFdiffusion har begyndt at generere proteiner baseret på grundlæggende input som et mål for binding. Ved at bygge på disse tidlige modeller kunne et sundheds-specifikt grundlæggende model trænes til at forstå både sprog og protein-sekvenser. Dette ville give mulighed for at tilbyde en tekst-baseret interface for design af proteiner, og potentielt accelerere udviklingen af nye lægemidler

Udfordringer

Selvom opbygning af et sundheds-specifikt grundlæggende model er det ultimative mål, og de seneste fremskridt har gjort det mere muligt, er der stadig betydelige udfordringer i forbindelse med udvikling af en enkelt model, der kan resonere på tværs af forskellige medicinske begreber:

• Data-mapping af multiple modaliteter: Modellen skal trænes på forskellige data-modaliteter som EHR-data, medicinske billed-data og genetiske data. Resonans på tværs af disse modaliteter er udfordrende, da det er svært at finde høj-fidelitet-data, der nøjagtigt mapper interaktioner på tværs af alle disse modaliteter. Derudover er repræsentation af forskellige biologiske modaliteter, fra cellulære dynamik til molekyl-strukturer og genome-omfattende genetiske interaktioner, kompleks. Optimal træning på menneske-data er ufeasible og uetisk, så forskere er afhængige af mindre prædictive dyre-modeller eller celler, hvilket skaber en udfordring i at oversætte laboratorie-målinger til det komplekse arbejde i hele organismer.
• Validering og verificering: Sundhedsgrundlæggende modeller er udfordrende at validere på grund af deres fleksibilitet. Traditionelt validere AI-modeller for bestemte opgaver som diagnose af en type kræft fra en MRI. Imidlertid kan grundlæggende modeller udføre nye, usete opgaver, hvilket gør det svært at forudse alle mulige fejlmodi. De kræver detaljerede forklaringer af deres test og godkendte anvendelsesområder og skal udstede advarsler for brug udenfor godkendte anvendelsesområder. Verificering af deres output er også kompleks, da de håndterer forskellige input og output, og potentielt kræver en multidisciplinær pane for at sikre nøjagtighed.
• Sociale fordomme: Disse modeller risikerer at fastholde fordomme, da de kan trænes på data, der underrepræsenterer bestemte grupper eller indeholder fordomsfulde korrelationer. Det er afgørende at adressere disse fordomme, især da modellens størrelse øges, hvilket kan intensivere problemet.

Vejen frem

Generativ AI har allerede begyndt at omforme sundhedssektoren ved at lette dokumentationsbyrden på klinikerne, men dens fulde potentiale ligger foran. Fremtiden for grundlæggende modeller i sundhedssektoren lover at være transformerende. Forestil dig en sundhedssektor, hvor diagnostik ikke blot er hurtigere, men også mere præcis, hvor behandlingsplaner er nøjagtigt tilpasset til enkelte patienters genetiske profiler, og hvor nye lægemidler kunne opfindes på få måneder i stedet for år.

Opbygning af et sundheds-specifikt grundlæggende AI-model præsenterer udfordringer, især når det kommer til integration af diverse og spredte medicinske og kliniske data. Imidlertid kan disse hindringer adresseres gennem samarbejde mellem teknologer, klinikerne og politikere. Ved at arbejde sammen kan vi udvikle kommercielle rammer, der inciterer forskellige interessenter (EHR, billed-selskaber, laboratorier, udbydere) til at samle denne data og opbygge AI-model-arkitekturer, der kan håndtere komplekse, multimodale interaktioner inden for sundhedssektoren.

Derudover er det afgørende, at denne fremgang sker med en tydelig etisk kompas og robuste reguleringsrammer for at sikre, at disse teknologier bruges ansvarligt og retfærdigt. Ved at opretholde høje standarder for validering og retfærdighed kan sundhedssektoren bygge tillid og fremme accept blandt både patienter og praktiserende.

Rejsen mod at fuldt ud realisere potentialet for sundhedsgrundlæggende modeller er en spændende grænse. Ved at omfavne denne innovative ånd kan sundhedssektoren ikke blot møde nuværende udfordringer, men også transformere medicinsk videnskab. Vi står på tærsklen til en ny æra i sundhedssektoren – en æra, der bugner med muligheder og drives af løftet om AI til at forbedre liv på globalt plan.