医療分野における基礎モデルによる変革的潜在性

過去2年間、GPT-4のような汎用的な基礎モデルは、より大きなデータセット、モデルサイズの増加、建築の改善により、前例のない能力を提供してきました。これらのモデルは、さまざまな分野の多様なタスクに適応可能です。しかし、医療AIはまだ、特定のタスクに設計されたモデルで構成されています。たとえば、骨折のX線を分析するために訓練されたモデルは、骨折のみを識別し、包括的な放射線学レポートを生成する能力はありません。FDAによって承認された500以上のAIモデルは、1つまたは2つの使用例に限定されています。しかし、基礎モデルは、さまざまなタスクにわたる広い適用可能性で知られており、医療アプリケーションに変革的なアプローチの舞台を設けています。

医療用基礎モデルを開発するための初期の試みはありましたが、このより広いアプローチはまだ医療AIに普及していません。この遅い採用は、主に大規模で多様な医療データセットへのアクセスに関する課題、およびモデルがさまざまな種類の医療データをまたいで推論する必要性によるものです。医療の実践は、固有に多モーダルであり、画像、電子ヘルスレコード（EHRs）、センサー、ウェアラブル、ゲノミクスなど、情報を組み合わせます。したがって、医療基礎モデルも固有に多モーダルである必要があります。ただし、最近の多モーダルアーキテクチャと自己教師あり学習の進歩は、ラベル付けされたデータを必要とせずにさまざまなデータタイプを処理できるため、医療基礎モデルの道を切り開いています。

医療における生成AIの現状

医療は従来、技術の採用が遅い傾向にありますが、生成AIは比較的速く採用されてきました。HIMSS24では、医療技術プロフェッショナルの最大の世界会議で、生成AIがほぼすべてのプレゼンテーションの中心でした。

医療で生成AIが広く採用されている最初のユースケースの1つは、臨床ドキュメンテーションの行政負担を軽減することです。従来、医師は患者とのやり取りやケアプロセスを文書化するのに、かなりの時間（1日あたり2時間以上）を費やし、直接の患者ケアから遠ざかっていました。

AIモデル seperti GPT-4やMedPalm-2は、患者のデータと医師とのやり取りを監視して、進捗ノート、退院サマリー、転送状などの重要な文書を草案を作成するために使用されています。これらの草案は、必要な情報を正確に捉え、医師のレビューと承認のみが必要です。これにより、文書化の時間が大幅に削減され、医師は患者ケアに集中できるようになり、サービス品質が向上し、バーンアウトが軽減されます。

しかし、基礎モデルの医療におけるより広範な応用はまだ完全に実現していません。GPT-4のような汎用的な基礎モデルには、医療画像を分析したり、長期的な患者のデータを理解したりする能力が欠けています。また、最新の医療知識も持っていません。GoogleのMedPalm-2は、医療用基礎モデルの最初の試みであり、医療の質問に答えたり、医療画像について推論したりする能力を持っています。しかし、まだ医療におけるAIの完全な潜在能力を発揮していません。

医療基礎モデルの構築

医療基礎モデルの構築は、公的および私的ソースからのデータから始まります。これには、バイオバンク、実験データ、患者のレコードなどが含まれます。このモデルは、テキストと画像や検査結果などのさまざまなデータタイプを組み合わせて、複雑な医療タスクを実行することができます。

さらに、モデルは新しい状況について推論し、医療用語で出力を表現することができます。これには、観察データに基づいて治療の推奨を提供する際に、医療概念と臨床データの因果関係を推論し、利用することが含まれます。たとえば、最近の重度の胸部外傷と酸素レベルの低下にもかかわらず、酸素供給量の増加にもかかわらず、急性呼吸窮迫症候群を予測することができます。

さらに、モデルは、知識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、最新の医療知識を取得し、推論とアドバイスを強化することができます。

医療基礎モデルの応用と影響

医療基礎モデルの潜在的な用途は広範囲にわたります。診断では、人間の分析への依存を減らすことができます。治療計画では、患者の全医療レコード、遺伝的詳細、ライフスタイルの要素を考慮して、個別の治療戦略を立てることができます。その他の応用例には以下のものがあります：

• 基礎的な放射線学レポート：医療基礎モデルは、デジタル放射線学を変革することで、放射線技師を支援する多機能アシスタントを作成できます。レポートの草案作成を自動化し、ワークロードを削減することができます。また、患者の全医療歴を統合することもできます。たとえば、放射線技師は、モデルに「過去のスキャンからの腫瘍のサイズの変化を識別できますか？」と問い合わせることができます。
• ベッドサイドの臨床的意思決定支援：臨床的知識を活用して、明確なフリーテキストの説明とデータの要約を提供し、医療スタッフに患者のリスクを警告し、次のステップを提案することができます。たとえば、モデルは「警告：この患者はショックの状態に入る可能性があります」と警告し、関連するデータの要約とチェックリストへのリンクを提供することができます。
• 薬剤発見：ターゲットに特異的に結合するタンパク質を設計することは、薬剤発見の基礎です。RFdiffusionのような初期モデルは、基本的な入力（結合ターゲット）に基づいてタンパク質を生成し始めています。これらの初期モデルを基にして、医療用基礎モデルは、言語とタンパク質シーケンスの両方を理解するように訓練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し、新薬の開発を加速することができます。

課題

医療用基礎モデルの構築は最終的な目標ですが、最近の進歩により実現可能になりましたが、まだ多様な医療概念をまたいで推論することができる単一のモデルを開発する上で、重大な課題があります：

• 多モーダルデータのマッピング：モデルは、EHRデータ、医療画像データ、遺伝子データなどのさまざまなデータモーダルで訓練する必要があります。これらのモーダルをまたいで推論することは、データの相互作用を正確にマッピングする高忠実度データを取得することが困難であるため、課題です。また、細胞動態から分子構造やゲノムワイドの遺伝的相互作用まで、さまざまな生物学的モーダルを表現することは複雑です。人間のデータでの最適な訓練は不可能であり、非倫理的であるため、研究者は予測力の低い動物モデルや細胞株に頼る必要がありますが、これにより、実験室の測定値を全体的な生物の複雑な機能に翻訳することが困難になります。
• 検証と検証：医療基礎モデルは、その汎用性により検証が困難です。従来、AIモデルは、MRIから特定の種類のガンを診断するなどの特定のタスクに検証されます。しかし、基礎モデルは、新しい、未知のタスクを実行することができますが、すべての可能な故障モードを予測することは困難です。詳細な説明と承認済みの使用例のリスト、およびオフラベル使用の警告が必要です。出力の検証も複雑です。多様な入力と出力を処理するため、正確性を確保するために、多分野にわたる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、特定のグループが表現されていないデータや偏った相関関係を含むデータで訓練されているため、偏見を永続させるリスクがあります。特に、モデルが拡大するにつれて、問題が悪化する可能性があるため、これらの偏見を解決することは重要です。

進むべき道

生成AIは、すでに医療を変革し始めています。医療基礎モデルの将来は、診断がより迅速で正確になる、治療計画が患者の遺伝子プロファイルに合わせて調整される、そして新薬が数ヶ月ではなく数年で発見される可能性があることを約束しています。

医療用基礎AIモデルを作成することは、特に医療および臨床データを統合することに関して、課題を伴います。しかし、これらの障壁は、技術者、医療従事者、政策立案者の共同努力によって克服することができます。協力して、さまざまな利害関係者（EHR、画像会社、病理研究所、提供者）をデータを統一し、医療における複雑な多モーダルな相互作用を処理できるAIモデルのアーキテクチャを構築する商業フレームワークを創出することができます。

さらに、進歩が明確な倫理的指針と堅牢な規制フレームワークで進むことが重要です。検証と公平性の高い基準を維持することで、医療コミュニティは信頼を築き、患者と医療従事者間で受け入れを促進することができます。

医療基礎モデルの完全な潜在能力を実現するための旅は、興奮する新しい境界域です。革新的な精神を受け入れることで、医療部門は現在の課題に応えるだけでなく、医療科学を変革することができます。私たちは、AIの約束によって世界規模で生活を改善する可能性に満ちた、新しい医療の時代の瀬戸際に立っています。