Трансформационный потенциал базовой модели, специфичной для здравоохранения

За последние два года базовые модели общего назначения, такие как GPT-4, значительно развились, предлагая беспрецедентные возможности благодаря более крупным наборам данных, увеличению размеров моделей и усовершенствованиям архитектуры. Эти модели адаптируются к широкому спектру задач в различных областях. Однако для ИИ в здравоохранении по-прежнему характерны модели, предназначенные для конкретных задач. Например, модель, обученная анализировать рентгеновские снимки на предмет переломов костей, будет только выявлять переломы и не сможет генерировать подробные радиологические отчеты. Большинство из 500 Модели ИИ одобренные Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов, ограничены одним или двумя вариантами использования. Однако базовые модели, известные своей широкой применимостью для решения различных задач, создают основу для преобразующего подхода в приложениях здравоохранения.

Хотя первоначальные попытки разработать фундаментальные модели для медицинских приложений предпринимались, этот более широкий подход еще не стал преобладающим в сфере искусственного интеллекта в здравоохранении. Такое медленное внедрение связано главным образом с проблемами, связанными с доступом к большим и разнообразным наборам медицинских данных, а также с необходимостью использования моделей для анализа различных типов медицинских данных. Практика здравоохранения по своей сути мультимодальна и включает в себя информацию из изображений, электронных медицинских карт (ЭМК), датчиков, носимых устройств, геномики и многого другого. Таким образом, базовая модель здравоохранения также должна быть по своей сути мультимодальной. Тем не менее, недавний прогресс в мультимодальных архитектурах и самоконтролируемом обучении, которые могут обрабатывать различные типы данных без необходимости размечать данные, прокладывает путь к фундаментальной модели здравоохранения.

Текущее состояние генеративного искусственного интеллекта в здравоохранении

Здравоохранение традиционно медленно внедряло технологии, однако, похоже, оно Генеративный ИИ быстрее. На HIMSS24, крупнейшей глобальной конференции для специалистов в области медицинских технологий, генеративный искусственный интеллект был в центре внимания почти каждой презентации.

Один из первых вариантов использования генеративного искусственного интеллекта в здравоохранении, получивший широкое распространение, направлен на облегчение административной нагрузки на клиническую документацию. Традиционно документирование взаимодействия пациентов и процессов оказания помощи отнимает у врачей значительную часть времени (>2 часов в день), часто отвлекая их от непосредственного ухода за пациентами.

Модели искусственного интеллекта, такие как GPT-4 или MedPalm-2, используются для мониторинга данных пациентов и взаимодействия врача с пациентом для составления ключевых документов, таких как отчеты о ходе работы, резюме выписки и направления. Эти проекты точно отражают важную информацию, требуя только рассмотрения и одобрения врачом. Это значительно сокращает время оформления документов, позволяя врачам больше сосредоточиться на уходе за пациентами, повышая качество обслуживания и снижая уровень выгорания.

Однако более широкое применение фундаментальных моделей в здравоохранении еще не полностью реализовано. Базовые модели общего характера, такие как GPT-4, имеют несколько ограничений; таким образом, существует потребность в базовой модели, ориентированной на здравоохранение. Например, GPT-4 не имеет возможности анализировать медицинские изображения или понимать продольные данные пациентов, что имеет решающее значение для постановки точного диагноза. Кроме того, он не обладает самыми современными медицинскими знаниями, поскольку обучался на данных, доступных только до декабря 2023 года. Google MedPalm-2 представляет собой первую попытку создать базовую модель для здравоохранения, способную как ответить медицинские вопросы и рассуждения о медицинских изображениях. Однако он по-прежнему не раскрывает весь потенциал ИИ в здравоохранении.

Построение базовой модели здравоохранения

Процесс построения базовой модели здравоохранения начинается с данных, полученных как из государственных, так и из частных источников, включая биобанки, экспериментальные данные и записи пациентов. Эта модель будет способна обрабатывать и комбинировать различные типы данных, например текст с изображениями или результатами лабораторных исследований, для выполнения сложных медицинских задач.

Кроме того, он мог рассуждать о новых ситуациях и формулировать свои выводы на медицински точном языке. Эта возможность распространяется на вывод и использование причинно-следственных связей между медицинскими концепциями и клиническими данными, особенно при предоставлении рекомендаций по лечению, основанных на данных наблюдений. Например, он может предсказать острый респираторный дистресс-синдром в результате недавней тяжелой травмы грудной клетки и снижения уровня кислорода в артериях, несмотря на повышенную подачу кислорода.

Кроме того, модель будет получать доступ к контекстной информации из таких ресурсов, как графики знаний или базы данных, для получения современных медицинских знаний, улучшая ее обоснование и гарантируя, что ее рекомендации отражают последние достижения в медицине.

Применение и влияние базовой модели здравоохранения

Потенциальные возможности использования базовой модели здравоохранения обширны. В диагностике такая модель могла бы снизить зависимость от человеческого анализа. При планировании лечения модель может помочь в разработке индивидуальных стратегий лечения, учитывая всю медицинскую карту пациента, генетические детали и факторы образа жизни. Некоторые другие приложения включают в себя:

• Обоснованные рентгенологические отчеты: Базовая модель здравоохранения может трансформировать цифровую радиологию, создав универсальных помощников, которые помогут рентгенологам, автоматизируя составление отчетов и снижая рабочую нагрузку. Он также сможет интегрировать всю историю пациентов. Например, рентгенологи могут запросить у модели изменения условий с течением времени: «Можете ли вы выявить какие-либо изменения в размере опухоли со времени последнего сканирования?»
• Поддержка принятия клинических решений у постели больного: Используя клинические знания, он будет предлагать четкие текстовые объяснения и сводки данных, предупреждая медицинский персонал о непосредственных рисках для пациентов и предлагая следующие шаги. Например, облачное оповещение модели «Предупреждение: у этого пациента вот-вот начнется шок» и ссылки на соответствующие сводки данных и контрольные списки для действий.
• Открытие наркотиков: Разработка белков, которые специфически и прочно связываются с мишенью, является основой открытия лекарств. Ранние модели, такие как RFdiffusion, начали генерировать белки на основе базовых входных данных, таких как мишень для связывания. Основываясь на этих первоначальных моделях, можно обучить базовую модель, специфичную для здравоохранения, понимать как языковые, так и белковые последовательности. Это позволит предложить текстовый интерфейс для проектирования белков, что потенциально ускорит разработку новых лекарств.

Вызовы

Хотя создание базовой модели, специфичной для здравоохранения, остается конечной целью, а последние достижения сделали ее более осуществимой, все еще существуют серьезные проблемы в разработке единой модели, способной анализировать различные медицинские концепции:

• Сопоставление данных несколькими способами: Модель должна быть обучена на различных модальностях данных, таких как данные EHR, данные медицинских изображений и генетические данные. Обоснование этих модальностей является сложной задачей, поскольку сложно найти высокоточные данные, которые точно отражают взаимодействия во всех этих модальностях. Более того, представление различных биологических модальностей, от клеточной динамики до молекулярных структур и генетических взаимодействий в масштабе всего генома, является сложным. Оптимальное обучение на человеческих данных неосуществимо и неэтично, поэтому исследователи полагаются на менее предсказуемые модели животных или клеточные линии, что создает проблему при переводе лабораторных измерений на сложную работу целых организмов.
• Валидация и проверка: Фундаментальные модели здравоохранения сложно проверить из-за их универсальности. Традиционно модели ИИ проверяются для конкретных задач, таких как диагностика типа рака с помощью МРТ. Однако базовые модели могут выполнять новые, невидимые задачи, что затрудняет предвидение всех возможных режимов отказа. Они требуют подробных объяснений своих испытаний и утвержденных вариантов использования, а также должны выдавать предупреждения об использовании не по назначению. Проверка их результатов также сложна, поскольку они обрабатывают разнообразные входные и выходные данные, что потенциально требует мультидисциплинарной комиссии для обеспечения точности.
• Социальные предубеждения: Эти модели рискуют увековечить предвзятость, поскольку они могут обучаться на данных, которые недостаточно представляют определенные группы или содержат предвзятые корреляции. Устранение этих предубеждений имеет решающее значение, особенно по мере увеличения масштаба моделей, что может усугубить проблему.

Путь вперед

Генеративный ИИ уже начал менять систему здравоохранения, облегчая бремя документации для врачей, но весь его потенциал еще впереди. Будущее фундаментальных моделей здравоохранения обещает быть преобразующим. Представьте себе систему здравоохранения, в которой диагностика не только быстрее, но и точнее, где планы лечения точно адаптированы к генетическому профилю отдельных пациентов и где новые лекарства можно открыть за несколько месяцев, а не лет.

Создание базовой модели ИИ для здравоохранения представляет собой сложную задачу, особенно когда речь идет об интеграции разнообразных и разрозненных медицинских и клинических данных. Однако эти препятствия можно преодолеть совместными усилиями технологов, клиницистов и политиков. Работая вместе, мы можем разработать коммерческие структуры, которые будут стимулировать различные заинтересованные стороны (EHR, компании, занимающиеся визуализацией, патологоанатомические лаборатории, поставщики услуг) объединять эти данные и создавать архитектуры моделей искусственного интеллекта, способные обрабатывать сложные, мультимодальные взаимодействия в сфере здравоохранения.

Более того, крайне важно, чтобы это развитие происходило с четким этическим ориентиром и надежной нормативной базой, обеспечивающей ответственное и справедливое использование этих технологий. Поддерживая высокие стандарты валидации и справедливости, медицинское сообщество может укрепить доверие и способствовать принятию как среди пациентов, так и среди практикующих врачей.

Путь к полной реализации потенциала основополагающих моделей здравоохранения — это захватывающий рубеж. Приняв этот инновационный дух, сектор здравоохранения сможет не только решить текущие проблемы, но и преобразовать медицинскую науку. Мы находимся на пороге новой смелой эры в здравоохранении — эпохи, полной возможностей и движимой обещанием искусственного интеллекта улучшить жизнь в глобальном масштабе.