ํฌ์ค์ผ์ด
์๋ฃ ๋ถ์ผ์์ AI๋ฅผ ํตํ ์๋ก์ด ๊ฐ๋ฅ์ฑ์ ํด๊ธ
미국의 의료 분야는 기계 학습과 인공 지능의 사용으로 인해 상당한 잠재적 혼란의 초기 단계에 있습니다. 이 변화는 10년 이상 진행되어 왔지만 최근의 발전으로 인해 더 빠른 변화가 예상됩니다. AI를 사용하여 가장 안전하고 효과적인 적용을 이해하기 위해, 임상의들이 AI의 사용에 대한 신뢰를 구축하기 위해, 그리고 임상 교육 시스템을 개선하여 AI 기반 시스템의 사용을 개선하기 위해 많은 작업이 남아 있습니다.
의료 분야에서 AI의 적용
의료 분야에서 AI는 수십 년 동안 발전해 왔으며, 환자와의 접촉 및 백오피스 기능 모두에서 발전해 왔습니다. 가장 초기의 작업 중 일부는 심층 학습 및 컴퓨터 비전 모델의 사용에서 발생했습니다.
まず, 용어에 대해 설명합니다. 연구에서 전통적인 통계적 접근 방식, 즉 관찰 연구 및 임상 시험은 인구 중심의 모델링 접근 방식을 사용하여 회귀 모델에 의존했으며, 독립 변수를 사용하여 결과를 예측했습니다. 이러한 접근 방식에서는 더 많은 데이터가 좋지만, 특정 데이터 세트 크기 이상에서는 더 나은 추론을 얻을 수 없습니다.
인공 지능은 예측에 새로운 접근 방식을 제공합니다. 퍼셉트론 구조는 데이터를 행 단위로 처리하며, 출력을 생성하기 위해 입력 데이터를 수정하기 위한 계층으로 구성된 미분 방정식 네트워크로 생성됩니다. 훈련 중에 각 행의 데이터가 네트워크를 통과할 때마다, 즉 신경 네트워크를 통과할 때마다 각 계층에서 방정식이 수정되어 예측된 출력이 실제 출력과 일치하도록 합니다. 훈련 세트의 데이터가 처리됨에 따라 신경 네트워크는 결과를 예측하는 방법을 학습합니다.
여러 유형의 네트워크가 존재합니다. 컨볼루션 신경 네트워크, 또는 CNN은 의료 분야에서 성공을 거둔 최초의 모델 중 하나였습니다. CNN은 컴퓨터 비전이라는 프로세스에서 이미지에서 학습하는 데 매우 좋으며, 이미지 데이터가 두드러진 영역에서 적용을 찾았습니다. 방사선과, 망막 검사, 피부 이미지 등이 있습니다.
트랜스포머 아키텍처라는 새로운 유형의 신경 네트워크는 텍스트 및 텍스트와 이미지(다중 모달 데이터라고도 함)의 조합에 대한 놀라운 성공으로 인해 지배적인 접근 방식이 되었습니다. 트랜스포머 신경 네트워크는 텍스트 집합이 주어지면 다음 텍스트를 예측하는 데 예외적입니다. 트랜스포머 아키텍처의 한 응용 프로그램은 대규모 언어 모델 또는 LLM입니다. 여러 상업적 예로는 Chat GPT, Anthropics Claude, Metas Llama 3이 있습니다.
일반적으로 신경 네트워크에서 관찰된 내용은 학습 개선의 플레이트가 어려움을 찾았습니다. 즉, 더 많은 데이터가 주어질수록 신경 네트워크는 계속해서 학습하고 개선됩니다. 그들의 능력의 주요 제한은 더 큰 데이터 세트와 모델을 훈련시키기 위한 컴퓨팅 파워입니다. 의료 분야에서 실제 임상 치료를忠實하게 표현하는 개인 정보 보호 데이터 세트를 생성하는 것이 모델 개발을 진행시키기 위한 핵심 우선 순위입니다.
LLM은 의료 분야에서 AI의 적용에 대한 패러다임 전환을 나타낼 수 있습니다. 그들의 언어 및 텍스트 처리 능력으로 인해 거의 모든 데이터가 텍스트인 전자 기록과 잘 맞습니다. 또한 훈련을 위해高度하게 주석이 달린 데이터가 필요하지 않으며 기존 데이터 세트를 사용할 수 있습니다. 이러한 모델의 두 가지 주요 결점은 1) 그들이 분석 중인 데이터에 대한 세계 모델이나 이해가 없으며(그들을 고급 자동 완성이라고 불렀음), 2) 그들이 환각이나 허구를 할 수 있으며, 정확해 보이지만 사실로 제시되는 텍스트 또는 이미지를 만드는 것입니다.
AI의 사용 사례는 방사선 이미지, 망막 이미지 및 기타 이미지 데이터의 자동화 및 보강; 임상 문서화의 노력과 정확성을 개선하여 임상의의 소진을 줄임; 더 나은, 더 공감적인 환자 커뮤니케이션; 및 수익 주기, 운영, 청구와 같은 백오피스 기능의 효율성을 개선하는 것을 포함합니다.
실제 사례
AI는 임상 치료 전반에 걸쳐 점진적으로 도입되었습니다. 일반적으로 AI의 성공적인 사용은 성과에 대한 동료 검토된 시험에 의해 성공이 입증되었으며, 때로는 FDA의 승인을 따랐습니다.
AI가 잘 작동하는 최초의 사용 사례 중 하나는 망막 검사 이미지 및 방사선에서 질병을 감지하는 것입니다. 망막 검사에서는 이러한 모델의 성과에 대한 출판된 문헌에 의해 외래 진료 환경에서 자동 펀도스코ピー의 배치가 뒤따랐습니다. 이미지 분할에 대한 많은 출판된 성공으로 인해 방사선과에서 오류를 줄이고 이상 현상을 감지하여 방사선과 워크플로를 더 효율적으로 만드는 여러 소프트웨어 솔루션이 제공되었습니다.
새로운 대규모 언어 모델은 임상 워크플로우를 지원하기 위해 탐색되고 있습니다. 앰비언트 보이스는 전자 건강 기록(EHR)의 사용을 강화하기 위해 사용되고 있습니다. 현재 AI 서기가 의사에게 문서화 과정을 지원하기 위해 구현되고 있습니다. 이는 의사가 환자에게 집중할 수 있도록 하며, 효율성과 정확성을 개선합니다.
또한 병원과 의료 시스템은 환자에게 예측 모델링 기능을 사용하여 위험을 계층화할 수 있습니다. 즉, 높은 또는 증가하는 위험에 있는 환자를 식별하고 최상의 조치를 결정할 수 있습니다. 실제로 AI의 클러스터 탐지 기능은 연구 및 임상 치료에서 점점 더 많이 사용되고 있으며, 유사한 특성을 가진 환자를 식별하고 일반적인 임상 조치를 결정합니다. 이는 또한 가상 또는 시뮬레이션 임상 시험을 통해 가장 효과적인 치료 과정을 결정하고 그 효과를 측정할 수 있습니다.
미래의 사용 사례 중 하나는 의사-환자 커뮤니케이션에서 AI 기반 언어 모델의 사용일 수 있습니다. 이러한 모델은 환자에게 공감적인 대화를 시뮬레이션하는 유효한 응답을 가지고 있으며, 어려운 상호 작용을 관리하기 쉽게 만듭니다. AI의 이러한 적용은 환자 메시지의 심각성과 메시지에 따라 환자 메시지의 빠르고 효율적인 분류를 제공함으로써 환자 치료를 크게 개선할 수 있습니다.
도전 과제 및 윤리적 고려 사항
의료 분야에서 AI 구현의 한 가지 도전 과제는 AI 도구를 사용할 때 규제 준수, 환자 안전, 및 임상 효능을 보장하는 것입니다. 임상 시험은 새로운 치료법의 표준이지만, AI 도구가 동일한 접근 방식을 따라야 하는지에 대한 논의가 있습니다. 또 다른 우려는 데이터 침해와 환자 개인 정보의 위협입니다. 보호된 데이터로 훈련된 대규모 언어 모델은 원본 데이터를 누출할 수 있으며, 이는 환자 개인 정보에 대한重大한 위협입니다. 의료 기관은 신뢰와 기밀성을 유지하기 위해 환자 데이터를 보호하고 침해를 방지하는 방법을 찾아야 합니다. 훈련 데이터의 편향도 중요한 도전 과제입니다. 편향된 모델을 피하기 위해, 훈련 데이터의 편향을 피하는 더 나은 방법을 도입해야 합니다. 모델 훈련을 가능하게 하며 모든 의료 분야에서 공정성을 포함하는 훈련 및 학술 접근 방식을 개발하는 것이 중요합니다.
AI의 사용은 새로운 우려와 혁신의 전선을 열었습니다. AI 사용에서 실제 임상 이익이 어디에서 발견될 수 있는지에 대한 추가 연구가 필요합니다. 이러한 도전 과제와 윤리적 우려를 해결하기 위해, 의료 제공자 기관과 소프트웨어 회사들은 데이터 세트를 개발하여 의료 데이터를 정확하게 모델링하는 동시에 익명性과 개인 정보를 보호하는 데 중점을 두어야 합니다. 또한, 의료 제공자, 시스템 및 기술/소프트웨어 회사 간의 파트너십을 thiết립하여 AI 도구를 안전하고 신중하게 실제로 적용할 수 있어야 합니다. 이러한 도전 과제를 해결함으로써, 의료 기관은 환자 안전, 개인 정보, 및 공정성을 유지하면서 AI의 잠재력을 활용할 수 있습니다.
