никулец Трансформативен потенцијал на основен модел специфичен за здравството - Unite.AI
Поврзете се со нас

Мислите лидери

Трансформативен потенцијал на основен модел специфичен за здравството

mm

Објавено

 on

Во изминатите две години, генералистичките основни модели како GPT-4 значително еволуираа, нудејќи невидени способности поради поголемите групи на податоци, зголемените големини на моделите и архитектонските подобрувања. Овие модели се приспособливи на широк опсег на задачи во различни области. Сепак, здравствената вештачка интелигенција сè уште се карактеризира со модели дизајнирани за специфични задачи. На пример, модел обучен да анализира рендгенски снимки за фрактури на коските само ќе ги идентификува фрактурите и нема способност да генерира сеопфатни радиолошки извештаи. Повеќето од 500 модели со вештачка интелигенција одобрени од Управата за храна и лекови се ограничени на еден или два случаи на употреба. Сепак, моделите на основа, познати по нивната широка применливост во различни задачи, ја поставуваат сцената за трансформативен пристап во здравствените апликации.

Иако имаше првични обиди да се развијат основни модели за медицински апликации, овој поширок пристап сè уште не преовладува во здравствената вештачка интелигенција. Ова бавно усвојување главно се должи на предизвиците поврзани со пристапот до големи и разновидни збирки на податоци за здравствена заштита, како и на потребата за модели за расудување за различни типови медицински податоци. Практиката на здравствена заштита е инхерентно мултимодална и вклучува информации од слики, електронски здравствени досиеја (EHRs), сензори, уреди за носење, геномика и многу повеќе. Така, основниот модел на здравствена заштита мора да биде инхерентно мултимодален. Како и да е, неодамнешниот напредок во мултимодалните архитектури и само-надгледуваното учење, кое може да ракува со различни типови податоци без да има потреба од означени податоци, го отвора патот за основен модел за здравствена заштита.

Тековна состојба на генеративната вештачка интелигенција во здравството

Здравството традиционално бавно ја прифаќа технологијата, но се чини дека ја прифати Генеративна АИ побргу. На HIMSS24, најголемата глобална конференција за професионалци во здравствената технологија, Generative AI беше централна точка на речиси секоја презентација.

Еден од првите случаи на употреба на Генеративна вештачка интелигенција во здравството што доживеа широко усвојување се фокусира на ублажување на административниот товар на клиничката документација. Традиционално, документирањето на интеракциите со пациентите и процесите на грижа троши значителен дел од времето на лекарите (> 2 часа дневно), честопати одземајќи ги од директната грижа за пациентот.

Моделите со вештачка интелигенција како GPT-4 или MedPalm-2 се користат за следење на податоците за пациентот и интеракциите лекар-пациент за да се изготват клучни документи како што се белешки за напредок, резимеа за отпуштање и упатни писма. Овие нацрти прецизно ги доловуваат суштинските информации, барајќи само преглед и одобрување од лекар. Ова значително го намалува времето за работа со документи, дозволувајќи им на лекарите да се фокусираат повеќе на грижата за пациентите, подобрување на квалитетот на услугата и намалување на исцрпеноста.

Сепак, пошироката примена на основните модели во здравството допрва треба целосно да се материјализира. Генералистичките основни модели како GPT-4 имаат неколку ограничувања; така, постои потреба од основен модел специфичен за здравствената заштита. На пример, GPT-4 нема способност да анализира медицински слики или да ги разбере надолжните податоци за пациентот, што е од клучно значење за обезбедување точни дијагнози. Дополнително, тој не поседува најсовремени медицинско знаење, бидејќи е обучен за податоци достапни само до декември 2023 година. MedPalm-2 на Google го претставува првиот обид да се изгради основен модел специфичен за здравствената заштита, способен и двете да одговараат медицински прашања и расудување за медицински слики. Сепак, сè уште не го опфаќа целосниот потенцијал на вештачката интелигенција во здравството.

Градење на основен модел за здравствена заштита

Процесот на градење на основен модел за здравствена заштита започнува со податоци добиени и од јавни и од приватни извори, вклучувајќи биобанки, експериментални податоци и евиденција на пациенти. Овој модел би можел да обработува и комбинира различни типови на податоци, како текст со слики или лабораториски резултати, за да извршува сложени медицински задачи.

Дополнително, може да расудува за нови ситуации и да ги артикулира своите резултати на медицински прецизен јазик. Оваа способност се протега на заклучување и користење на причинско-последична врска помеѓу медицинските концепти и клиничките податоци, особено кога се даваат препораки за третман врз основа на податоци од набљудување. На пример, може да го предвиди синдромот на акутен респираторен дистрес од неодамнешна тешка торакална траума и опаѓање на артериските нивоа на кислород, и покрај зголеменото снабдување со кислород.

Понатаму, моделот ќе пристапи до контекстуални информации од ресурси како графикони на знаење или бази на податоци за да добие ажурирано медицинско знаење, подобрување на неговото размислување и осигурувајќи дека неговите совети ги одразуваат најновите достигнувања во медицината

Апликации и влијание на Основниот модел на здравствената заштита

Потенцијалните употреби за основен модел за здравствена заштита се обемни. Во дијагностиката, таков модел може да ја намали зависноста од човечка анализа. За планирање на третманот, моделот би можел да помогне во креирањето индивидуализирани стратегии за третман со разгледување на целокупното медицинско досие на пациентот, генетските детали и факторите на начинот на живот. Некои други апликации вклучуваат:

  • Извештаи за основана радиологија: Основниот модел на здравствената заштита може да ја трансформира дигиталната радиологија со создавање разновидни асистенти кои ги поддржуваат радиолозите преку автоматизирање на изготвувањето извештаи и намалување на обемот на работа. Исто така, ќе може да ја интегрира целата историја на пациентот. На пример, радиолозите можат да го прашаат моделот за промените во условите со текот на времето: „Дали можете да идентификувате какви било промени во големината на туморот од последното скенирање?
  • Поддршка за клиничко одлучување покрај креветот: Искористувајќи го клиничкото знаење, ќе понуди јасни објаснувања во слободен текст и резимеа на податоци, предупредувајќи го медицинскиот персонал за непосредните ризици на пациентот и предлагајќи ги следните чекори. На пример, моделот за предупредување во облакот, „Предупредување: овој пациент ќе западне во шок“ и обезбеди линкови до релевантни резимеа на податоци и списоци за проверка за акција.
  • Откривање на дрога: Дизајнирањето на протеини кои специфично и силно се врзуваат за целта е основата на откривањето на лекот. Раните модели како RFdiffusion почнаа да генерираат протеини врз основа на основни влезови како што е целта за врзување. Надоврзувајќи се на овие првични модели, може да се обучи основен модел специфичен за здравствената заштита да ги разбира и јазичните и протеинските секвенци. Ова ќе му овозможи да понуди интерфејс базиран на текст за дизајнирање протеини, потенцијално забрзувајќи го развојот на нови лекови

Предизвици

Иако изградбата на основен модел специфичен за здравствената заштита останува крајната цел, а неодамнешните достигнувања го направија тоа поизводливо, сè уште има значителни предизвици во развојот на единствен модел способен да расудува низ различни медицински концепти:

  • Повеќе модалитети на мапирање на податоци: Моделот мора да биде обучен за различни модалитети на податоци како што се EHR податоци, податоци за медицинска слика и генетски податоци. Расудувањето меѓу овие модалитети е предизвик бидејќи е тешко да се набават податоци со висока верност кои прецизно ги мапираат интеракциите меѓу сите овие модалитети. Покрај тоа, претставувањето на различни биолошки модалитети, од клеточна динамика до молекуларни структури и генетски интеракции низ целиот геном, е сложено. Оптималната обука за човечки податоци е неостварлива и неетична, така што истражувачите се потпираат на помалку предвидливи животински модели или клеточни линии, што создава предизвик во преведувањето на лабораториските мерења на сложената работа на цели организми.
  • Валидација и верификација: Основните модели за здравствена заштита се предизвик да се потврдат поради нивната разновидност. Традиционално, моделите со вештачка интелигенција се потврдени за специфични задачи како што се дијагностицирање на тип на рак од МРИ. Сепак, основните модели можат да извршуваат нови, невидени задачи, што го отежнува предвидувањето на сите можни начини на неуспех. Тие бараат детални објаснувања за нивното тестирање и одобрени случаи на употреба и треба да издаваат предупредувања за употреба надвор од етикетата. Потврдувањето на нивните резултати е исто така сложено, бидејќи тие се справуваат со различни влезови и излези, што потенцијално бара мултидисциплинарен панел за да се обезбеди точност.
  • Социјални предрасуди: Овие модели ризикуваат да ги овековечат предрасудите, бидејќи тие можат да се обучуваат на податоци што недоволно претставуваат одредени групи или содржат пристрасни корелации. Решавањето на овие предрасуди е од клучно значење, особено кога се зголемува обемот на моделите, што може да го интензивира проблемот.

Пат напред

Генеративната вештачка интелигенција веќе почна да ја преобликува здравствената заштита со олеснување на товарот со документација на лекарите, но нејзиниот целосен потенцијал е напред. Иднината на основните модели во здравството ветува дека ќе биде трансформативна. Замислете систем на здравствена заштита каде дијагностиката не е само побрза, туку и попрецизна, каде плановите за лекување се прецизно прилагодени на генетските профили на поединечни пациенти и каде што новите лекови би можеле да се откријат за неколку месеци, а не за години.

Создавањето основен модел на вештачка интелигенција специфичен за здравствената заштита претставува предизвици, особено кога станува збор за интегрирање на разновидните и расфрлани медицински и клинички податоци. Сепак, овие пречки може да се решат преку заеднички напори меѓу технолозите, лекарите и креаторите на политиките. Работејќи заедно, можеме да развиеме комерцијални рамки кои поттикнуваат различни засегнати страни (EHR, компании за сликање, лаборатории за патологија, даватели на услуги) да ги обединат овие податоци и да конструираат архитектури на модели на вештачка интелигенција способни за обработка на сложени, мултимодални интеракции во здравствената заштита.

Покрај тоа, од клучно значење е овој напредок да продолжи со јасен етички компас и робусни регулаторни рамки за да се осигура дека овие технологии се користат одговорно и правично. Со одржување на високи стандарди на валидација и правичност, здравствената заедница може да изгради доверба и да поттикне прифаќање и кај пациентите и кај лекарите.

Патувањето кон целосно реализирање на потенцијалот на основните модели за здравствена заштита е возбудлива граница. Со прифаќање на овој иновативен дух, здравствениот сектор може да предвиди не само исполнување на тековните предизвици, туку и да ја трансформира медицинската наука. Ние сме на работ на храбра нова ера во здравството - ера преполна со можности и водена од ветувањето на вештачката интелигенција за подобрување на животот на глобално ниво.

Прерак Гарг е производ лидер и стратег во областа на вештачката интелигенција, моментално работи како виш директор во Мајкрософт. Тој беше движечката сила зад влезот на Мајкрософт во здравствениот простор преку купувањето на Nuance од 19 милијарди долари и последователниот развој на DAX Copilot.