Исследователи из Стэнфорда создают основу для инженеров, которые расширяют и создают новые медицинские модели искусственного интеллекта.
Роботизированная хирургия. Изображение предоставлено: فاطمه درستی через Википедия, CC-BY-SA-4.0
Пациент лежит на операционном столе, а хирургическая бригада заходит в тупик. Не могут найти разрыв кишечника. Хирург вслух спрашивает: «Проверьте, не пропустили ли мы вид какого-либо отдела кишечника в визуальной ленте за последние 15 минут».
An помощник врача с искусственным интеллектом приступает к работе, просматривая прошлые сканы пациента и выделяя видеопотоки процедуры в режиме реального времени. Он предупреждает команду, если они пропустили шаг в процедуре, и зачитывает соответствующую медицинскую литературу, когда хирурги сталкиваются с редким анатомическим явлением.
Врачи всех дисциплин с помощью искусственного интеллекта вскоре могут получить возможность быстро просматривать всю медицинскую карту пациента на фоне всех медицинских данных и каждой опубликованной медицинской литературы в Интернете. Эта потенциальная универсальность в кабинете врача стала возможной только сейчас благодаря моделям искусственного интеллекта последнего поколения.
«Мы видим смену парадигмы в области медицинского ИИ», — сказал он. Юре Лесковец, профессор компьютерных наук в Stanford Engineering. «Раньше медицинские модели ИИ могли решать только очень маленькие, узкие части головоломки здравоохранения. Теперь мы вступаем в новую эру, когда речь идет о более крупных кусочках головоломки в этой области с высокими ставками».
Исследователи из Стэнфорда и их сотрудники описывают универсальный медицинский искусственный интеллект, или GMAI, как новый класс медицинских моделей ИИ, обладающих знаниями, гибкостью и возможностью повторного использования во многих медицинских приложениях и типах данных. Их точка зрения на этот прогресс опубликована в выпуске природа.
Лесковец и его сотрудники ведут хронику того, как GMAI будет интерпретировать различные комбинации данных из изображений, электронных медицинских карт, результатов лабораторных исследований, геномики и медицинских текстов, выходящих за рамки возможностей параллельных моделей, таких как ChatGPT. Эти модели GMAI будут предоставлять устные объяснения, предлагать рекомендации, рисовать эскизы и аннотировать изображения.
«Многие неэффективности и ошибки, которые случаются сегодня в медицине, происходят из-за чрезмерной специализации врачей-людей и медленного и неравномерного потока информации», — сказал соавтор. Майкл Мур, доктор медицинских наук, а ныне научный сотрудник Stanford Engineering. «Потенциальное влияние универсальных моделей медицинского ИИ может быть огромным, потому что они будут не просто экспертами в своей узкой области, но будут иметь больше возможностей в разных областях».
Медицина без границ
Из более чем 500 моделей ИИ для клинической медицины, одобренных FDA, большинство выполняют только одну или две узкие задачи, такие как сканирование рентгенограммы грудной клетки на наличие признаков пневмонии. Но последние достижения в исследованиях моделей фундаментов обещают решать более разнообразные и сложные задачи.
«Захватывающая и новаторская часть заключается в том, что универсальные медицинские модели искусственного интеллекта смогут получать различные типы медицинской информации, например исследования изображений, лабораторные результаты и данные геномики, а затем выполнять задачи, которые мы поручаем им выполнять на лету. — сказал Лесковец.
«Мы ожидаем увидеть значительные изменения в том, как будет работать медицинский ИИ», — продолжил Мур. «Затем у нас будут устройства, которые будут выполнять не одну задачу, а, может быть, тысячу задач, некоторые из которых даже не предполагались при разработке модели».
Авторы, в число которых также входят Оиши Банерджи и Пранав Раджпуркар из Гарвардского университета, Харлан Крамхольц из Йельского университета, Захра Шакери Хоссейн Абад из Университета Торонто и Эрик Тополь из Исследовательского трансляционного института Скриппса, описывают, как GMAI может работать с различными приложениями чат-ботов. с пациентами, для ведения заметок, вплоть до поддержки принятия решений врачами у постели больного.
Авторы предлагают, чтобы в отделении радиологии модели могли составлять радиологические отчеты, которые визуально указывали бы на аномалии, принимая во внимание историю болезни пациента. Рентгенологи могли улучшить свое понимание случаев, общаясь с моделями GMAI: «Можете ли вы выделить какие-либо новые очаги рассеянного склероза, которых не было на предыдущем изображении?»
В своей статье ученые описывают дополнительные требования и возможности, необходимые для превращения GMAI в надежную технологию. Они отмечают, что модель должна потреблять все личные медицинские данные, а также исторические медицинские знания и обращаться к ним только при взаимодействии с авторизованными пользователями. Затем он должен иметь возможность вести беседу с пациентом, подобно медсестре или врачу, проводящей сортировку, для сбора новых доказательств и данных или предложения различных планов лечения.
Опасения по поводу будущего развития
В своей исследовательской работе соавторы обращаются к последствиям модели, способной выполнять 1,000 медицинских заданий с возможностью узнать еще больше. «Мы считаем, что самой большой проблемой для универсальных моделей в медицине является проверка. Откуда мы знаем, что модель верна, а не просто выдумана?» — сказал Лесковец.
Они указывают на недостатки, уже обнаруженные в языковой модели ChatGPT. Точно так же забавен созданный искусственным интеллектом образ Папы Римского в дизайнерском пухлом пальто. «Но если есть сценарий с высокими ставками, и система ИИ решает вопрос о жизни и смерти, проверка становится действительно важной», — сказал Мур.
Авторы продолжают, что защита конфиденциальности также является необходимостью. «Это огромная проблема, потому что с такими моделями, как ChatGPT и GPT-4, интернет-сообщество уже определило способы взлома существующих защитных мер», — сказал Мур.
«Расшифровка данных и социальных предубеждений также представляет собой серьезную проблему для GMAI», — добавил Лесковец. Модели GMAI нуждаются в способности фокусироваться на сигналах, которые являются причиной данного заболевания, и игнорировать ложные сигналы, которые имеют тенденцию коррелировать только с исходом.
Предполагая, что размер модели будет только увеличиваться, Мур указывает на ранние исследования, которые показывают, что более крупные модели, как правило, демонстрируют больше социальных предубеждений, чем модели меньшего размера. «Владельцы и разработчики таких моделей и поставщики, особенно если они внедряют их в больницах, несут ответственность за своевременное выявление и устранение этих предубеждений», — сказал Мур.
«Существующая технология очень многообещающая, но еще многого не хватает», — согласился Лесковец. «Вопрос в том, можем ли мы определить текущие недостающие элементы, такие как проверка фактов, понимание предубеждений и объяснимость/обоснованность ответов, чтобы мы предоставили сообществу повестку дня о том, как добиться прогресса, чтобы полностью реализовать глубокий потенциал GMAI? ”
Источник: Стэнфордский университет
