ソートリーダー
ヘルスケア特有の基礎モデルの変革の可能性
過去 4 年間で、GPT-XNUMX のような汎用的な基礎モデルは大幅に進化し、データセットの大型化、モデル サイズの増加、アーキテクチャの改善により、前例のない機能を提供しました。これらのモデルは、さまざまな分野の幅広いタスクに適応できます。ただし、ヘルスケア AI は依然として、特定のタスク向けに設計されたモデルによって特徴付けられています。たとえば、骨折の X 線を分析するようにトレーニングされたモデルは骨折を特定するだけで、包括的な放射線医学レポートを生成する機能がありません。ほとんど 500 AIモデル 食品医薬品局によって承認されたものは、1 つまたは 2 つの使用例に限定されています。ただし、基礎モデルはさまざまなタスクに幅広く適用できることで知られており、ヘルスケア アプリケーションにおける革新的なアプローチの準備を整えています。
医療アプリケーションの基礎モデルを開発する初期の試みはありましたが、このより広範なアプローチはヘルスケア AI ではまだ普及していません。この普及の遅れの主な原因は、大規模で多様な医療データセットへのアクセスに伴う課題と、さまざまな種類の医療データを推論するためのモデルの必要性によるものです。医療の実践は本質的に多様であり、画像、電子医療記録 (EHR)、センサー、ウェアラブル、ゲノミクスなどからの情報が組み込まれています。したがって、基礎的なヘルスケア モデルも本質的にマルチモーダルである必要があります。それにもかかわらず、ラベル付きデータを必要とせずにさまざまなデータ型を処理できるマルチモーダル アーキテクチャと自己教師あり学習の最近の進歩により、医療の基礎モデルへの道が開かれています。
ヘルスケアにおける生成 AI の現状
医療業界は伝統的にテクノロジーを導入するのが遅かったが、最近ではテクノロジーを受け入れているようだ 生成AI より迅速に。医療技術専門家向けの最大の世界カンファレンスである HIMSS24 では、ジェネレーティブ AI がほぼすべてのプレゼンテーションの焦点でした。
広く採用されているヘルスケアにおける生成 AI の最初のユースケースの 2 つは、臨床文書の管理負荷の軽減に焦点を当てています。従来、患者とのやり取りやケアのプロセスを文書化することに医師の時間のかなりの部分（XNUMX 日あたり XNUMX 時間以上）が費やされ、直接の患者ケアの妨げになることがよくありました。
GPT-4 や MedPalm-2 などの AI モデルは、患者データや医師と患者のやり取りを監視し、経過記録、退院概要、紹介状などの重要な文書を作成するために使用されています。これらの草案には重要な情報が正確に記載されており、必要なのは医師のレビューと承認だけです。これにより事務処理時間が大幅に短縮され、医師は患者ケアにより集中できるようになり、サービスの質が向上し、燃え尽き症候群が軽減されます。
ただし、医療における基礎モデルの広範な応用はまだ完全には実現していません。 GPT-4 のような汎用的な基本モデルにはいくつかの制限があります。したがって、医療に特化した基礎モデルが必要です。たとえば、GPT-4 には、正確な診断を提供するために重要な医療画像を分析したり、長期にわたる患者データを理解したりする機能がありません。さらに、2023 年 2 月までにのみ利用可能なデータに基づいてトレーニングされたため、最新の医療知識はありません。Google の MedPalm-XNUMX は、医療に特化した基礎モデルを構築する最初の試みであり、次の両方に答えることができます。医療に関する質問と医療画像に関する推論。ただし、医療における AI の可能性を最大限に活用することはまだできません。
ヘルスケアの基礎モデルの構築
ヘルスケアの基礎モデルを構築するプロセスは、バイオバンク、実験データ、患者記録など、公的および民間の両方のソースから得られるデータから始まります。このモデルは、テキストと画像や検査結果など、さまざまなデータ タイプを処理および組み合わせて、複雑な医療タスクを実行できます。
さらに、新しい状況について推論し、その出力を医学的に正確な言語で明確に表現することもできます。この機能は、特に観察データに基づいて治療の推奨を提供する場合、医療概念と臨床データの間の因果関係の推論と利用にまで拡張されます。たとえば、酸素供給量が増加しているにもかかわらず、最近の重度の胸部外傷や動脈血酸素レベルの低下による急性呼吸窮迫症候群を予測できる可能性があります。
さらに、モデルはナレッジ グラフやデータベースなどのリソースからコンテキスト情報にアクセスして最新の医学知識を取得し、推論を強化し、そのアドバイスが医学の最新の進歩を確実に反映するようにします。
医療基盤モデルの応用と影響
ヘルスケアの基礎モデルの潜在的な用途は広範囲に及びます。診断において、このようなモデルは人間による分析への依存を減らすことができます。治療計画の場合、このモデルは、患者の医療記録全体、遺伝的詳細、ライフスタイル要因を考慮することで、個別の治療戦略を立てるのに役立ちます。その他のアプリケーションには次のようなものがあります。
- 地上放射線医学は次のように報告しています。 ヘルスケアの基本モデルは、レポートの作成を自動化し、作業負荷を軽減することで放射線科医をサポートする多用途のアシスタントを作成することで、デジタル放射線医学を変革できます。患者の履歴全体を統合することもできるでしょう。たとえば、放射線科医は時間の経過に伴う状態の変化についてモデルにクエリを実行できます。「最後のスキャン以降、腫瘍サイズに変化があったことを特定できますか?」
- ベッドサイドでの臨床意思決定サポート: 臨床知識を活用して、明確なフリーテキストの説明とデータの概要を提供し、医療スタッフに差し迫った患者のリスクを警告し、次のステップを提案します。たとえば、モデル クラウド アラートでは、「警告: この患者はショック状態に陥ろうとしています」というメッセージが表示され、関連するデータの概要とアクションのチェックリストへのリンクが提供されます。
- 創薬: 標的に特異的かつ強力に結合するタンパク質を設計することは創薬の基礎です。 RFdiffusion のような初期のモデルは、結合のターゲットなどの基本的な入力に基づいてタンパク質を生成し始めました。これらの初期モデルに基づいて、言語とタンパク質配列の両方を理解するように医療固有の基礎モデルをトレーニングすることができます。これにより、タンパク質を設計するためのテキストベースのインターフェースを提供できるようになり、新薬の開発がスピードアップする可能性があります。
課題
医療固有の基礎モデルを構築することが最終的な目標であり、最近の進歩により実現可能性が高まっていますが、多様な医療概念にわたって推論できる単一のモデルを開発するには依然として大きな課題があります。
- 複数のモダリティをマッピングするデータ: モデルは、EHR データ、医療画像データ、遺伝データなどのさまざまなデータ モダリティでトレーニングする必要があります。これらすべてのモダリティにわたるインタラクションを正確にマッピングする高忠実度のデータを入手するのは難しいため、これらのモダリティ全体にわたる推論は困難です。さらに、細胞動態から分子構造、ゲノム規模の遺伝的相互作用に至るまで、さまざまな生物学的モダリティの表現は複雑です。人間のデータに対する最適なトレーニングは実行不可能で非倫理的であるため、研究者は予測性の低い動物モデルや細胞株に依存しており、実験室での測定値を生物全体の複雑な働きに変換する際に課題が生じています。
- 検証と検証: ヘルスケアの基礎モデルは、その多用途性により検証が困難です。従来、AI モデルは、MRI によるがんの種類の診断などの特定のタスクに対して検証されてきました。ただし、基礎モデルは新しい目に見えないタスクを実行する可能性があるため、考えられるすべての障害モードを予測するのは困難です。彼らは、テストと承認された使用例についての詳細な説明を要求し、適応外使用について警告を発する必要があります。多様な入力と出力を処理するため、出力の検証も複雑であり、精度を確保するために学際的なパネルが必要になる可能性があります。
- 社会的偏見: これらのモデルは、特定のグループを過小評価したり、偏った相関を含むデータに基づいてトレーニングされる可能性があるため、バイアスが永続化するリスクがあります。これらのバイアスに対処することは、特にモデルの規模が増大するにつれて問題が深刻化する可能性があるため、非常に重要です。
フォワードパス
生成 AI は、臨床医の文書作成の負担を軽減することですでに医療を再構築し始めていますが、その可能性を最大限に発揮できるのはこれからです。ヘルスケアにおける基礎モデルの将来は、革新的なものになることが約束されています。診断がより迅速であるだけでなくより正確であり、治療計画が個々の患者の遺伝子プロファイルに合わせて正確に調整され、新薬が数年ではなく数か月で発見できる医療システムを想像してみてください。
医療に特化した基礎的な AI モデルの作成には、特に多様で分散した医療データと臨床データを統合する場合に課題が伴います。ただし、これらの障害は、技術者、臨床医、政策立案者が協力して取り組むことで対処できます。協力することで、さまざまな関係者 (EHR、画像処理会社、病理検査機関、プロバイダー) がこのデータを統合し、医療内の複雑でマルチモーダルな相互作用を処理できる AI モデル アーキテクチャを構築するよう促す商用フレームワークを開発できます。
さらに、これらのテクノロジーが責任を持って公平に使用されることを保証するために、明確な倫理指針と堅牢な規制枠組みを伴ってこの進歩を進めることが重要です。高い基準の検証と公平性を維持することで、医療コミュニティは信頼を築き、患者と医療従事者の両方の間で受け入れを促進することができます。
ヘルスケアの基礎モデルの可能性を完全に実現する旅は、刺激的なフロンティアです。この革新的な精神を受け入れることで、医療分野は現在の課題に対処するだけでなく、医学の変革も期待できます。私たちはヘルスケアにおける大胆な新時代の瀬戸際にいます。この時代は可能性に満ち、地球規模で生活を改善する AI の約束によって推進されています。
