یادداشت ویرایشگر: این اولین داستان در یک سری دو بخش در مورد استفاده از مدل های اساسی در صنعت MedTech است. داستان دوم روز سه شنبه منتشر می شود.
بیشتر شرکت تجهیزات پزشکی استفاده از “مدل های اساسی Olan” ، نوعی هوش مصنوعی را تشویق می کند که می تواند با طیف گسترده ای از کارها سازگار باشد. با این وجود ، هنوز سؤالاتی در مورد استفاده از فناوری در صنعت MedTech وجود دارد.
سال گذشته ، GE Healthcare یک مدل بنیاد تحقیقات MRI را معرفی کردجدید فیلیپس برنامه های خود را اعلام کرد همکاری با Nvidia برای ایجاد یک الگوی بنیادی برای MRI و نحوه خلاصه شدن در جلسه انجمن رادیولوژی سال گذشته آمریکای شمالی مدلهای پایه را ارزیابی و بهبود بخشیدبشر مدیریت مواد غذایی و دارویی نیز به روز شد بانک اطلاعاتی دستگاههای پزشکی AI برای نشان دادن این که در حال بررسی روش های شناسایی و برچسب زدن دستگاه های حاوی مدل های اساسی است.
با این حال ، تعریف آنچه که به عنوان یک مدل اساسی شمرده می شود نامشخص است ، دشوار است بدانید که آیا متخصصان و وسایل نقلیه موجود امروز به رادیولوژیست ها و بیماران کمک می کنند.
مدل های اساسی چیست؟
Magdalini Paschali ، یک دانشمند پس از تحصیلات در بخش رادیولوژی استنفورد ، گفت که مدل های بنیاد دارای چندین ویژگی اساسی هستند: آنها بیشتر در خوشه های داده های بزرگ داده های غیرقابل آموزش آموزش دیده اند. تصاویر می توانند انواع مختلفی از داده ها مانند متن ، گذشته پزشکی و ژنومی را پردازش کنند. و سرانجام ، آنها می توانند با طیف گسترده ای از وظایف ، مانند مدلی که بیماری را تشخیص می دهد که وی در طول آموزش ندیده است ، کنار بیایند.
Magdalini Paschali یک محقق پس از تحصیلات در بخش رادیولوژی استنفورد است.
مجوز داده شده توسط استنفورد
خیانت مقاله ای منتشر کرد در اوایل سال جاری ، او می خواهد فناوری را با وضوح بیشتری در مجله رادیولوژی RSNA تعریف کند.
Akshay Chaudhari ، معاون دانشیار رادیولوژی و داده های زیست پزشکی در استنفورد گفت: “همه چیز را می توان به عنوان یک الگوی اساسی تعریف کرد.”
چوداری ، اصطلاح “مدل بنیاد” ابتدا در استنفورد اختراع شد در سال ۲۰۲۱ یکی از اولین نسخه های خدمات درمانی در خروج Med-Palm Google در پایان سال ۲۰۲۲ ، یک مدل بزرگ زبان برای پاسخ به سؤالات پزشکی طراحی شده است.
چوداری گفت که مدل های بنیاد در سال ۲۰۲۳ در RSNA مشهودتر بودند.
مدلهای سنتی یادگیری عمیق مورد استفاده در رادیولوژی بر وضعیت سلامت خاصی و بر اساس داده های برچسب زده شده ، به عنوان تشخیص ذات الریه متمرکز شده اند. به عنوان مثال ، رادیولوژیست ها نمونه های ذات الریه را احاطه می کنند یا در گزارش متن تأکید می کنند.
چوداری گفت ، چوداری به جای هزاران تصویر ، برای مدلهای اساسی که بر روی میلیون ها تصویر آموزش داده شده است ، نه تنها عملی ، که به داده های برچسب خورده نیاز دارد.
آیا مدل های اصلی دقیق تر هستند؟
برخی از توسعه دهندگان دستگاه های پزشکی ادعا می کنند که مدل های اساسی دقیق تر از مدل های باریک هوش مصنوعی هستند. به عنوان مثال ، AIDOC ، که یک نرم افزار Triacic را برای رادیولوژی ایجاد می کند ، می گوید که امکان توسعه سریعتر مدل های پایه را فراهم می کند. ابزارهای دقیق تر AI.
وی گفت ، کارشناسان ، صحت دستگاه ها به نحوه ساخت بستگی دارد. Paschahi استنفورد گفت که یک مدل بنیاد “جعبه” مسطح می تواند بدتر از یک ابزار خاص هوش مصنوعی و بدون هیچ گونه تخصص یا آموزش اضافی باشد ، اما ممکن است بعد از دیدن برخی از نمونه ها و زمینه ها بهتر عمل کند.
“بهترین کاری که ما می توانیم انجام دهیم این است که به اظهارات خلاصه اسناد تمیز کردن FDA نگاه کنیم ، و حداقل ما واقعاً مزایای این مدل های اساسی در بازار را ندیده ایم.”
Akshay Chaudhari
رادیولوژی و استادیار داده های زیست پزشکی استادیار در استنفورد
کوتلر گفت که از آنجا که مدل های اصلی آنها بر روی چنین داده های زیادی آموزش دیده است ، می توانند در یافتن وقایع نادر مانند آنوریسم مغز عملکرد بهتری داشته باشند.
کوتلر گفت: “وقتی تعداد کمی از افراد با چیزی دارید ، پیدا کردن این چیز مانند سوزن در یونجه است.” “شما برای انجام این کار به یک مدل بسیار صحیح نیاز دارید.”
نینا کوتلر مسئول پزشکی رئیس جمهور اطلاعات بالینی مصنوعی در شرکای رادیولوژی است.
مجوز اعطا شده توسط شرکای رادیولوژی
یکی دیگر از مناطق که در آن مدل های پایه می توانند درخشش دهند این است که سایر مدل های هوش مصنوعی سریعتر توسعه یابد. با ایجاد یک مدل سنتی باریک هوش مصنوعی ، سهمیه ها ممکن است شش ماه طول بکشد تا داده ها را تمیز کند ، داده ها را برچسب گذاری کرده و آموزش را طی کند. تکرارهای مختلف یک مدل اساسی را می توان طی چند هفته ساخته شد.
با این حال ، در عمل ، دشوار است بدانید که آیا این مزایا برای بیماران یا تیم های مراقبت به فواید واقعی تبدیل می شود یا خیر. وی گفت که چوداری از استنفورد ، FDA برای مدل های بنیاد ، شرکت هایی که از ادعاهای شرکت ها پشتیبانی می کنند.
وی گفت: “بهترین کاری که ما می توانیم انجام دهیم این است که به اظهارات خلاصه اسناد تمیز کردن FDA نگاه کنیم.”
ارزیابی مدلهای اساسی
در حال حاضر ، مدلهای اساسی مجاز توسط FDA برای مثال ، به عنوان مثال ، برای حل یک کار خاص طراحی شده اند شکستگی دنده های Aidoc امتحان وسیله نقلیه ساخته شده بر روی مدل اصلی شرکت. AIDOC ، به عنوان یک شکستگی دنده محمول ، با استفاده از نسخه قدیمی ابزار Triaj از ۵۱۰ (k) برای مدل استفاده کرد. فرآیند ۵۱۰ (k) نیاز به هم ارزی قابل توجهی بین دستگاه های تولید کنندگان و یک دستگاه محمول دارد که می تواند در ایالات متحده به بازار عرضه شود.
چوداری گفت که هنوز یک دستورالعمل برای مدل های گسترده تر حاوی زبان و تصویر یا فیلم وجود ندارد.
برخی از بیمارستان ها سیستم هایی را برای ارزیابی مدل های هوش مصنوعی پیدا کردند ، اما کامل نیستند. به عنوان مثال ، بیمارستان ها نیاز به مدلی را تعیین می کنند که می تواند ذات الریه را در تصاویر اشعه ایکس یا یک مدل برای تهیه گزارش های اشعه ایکس تعریف کند.
“سپس آنها ۱۰۰۰ تصویری را که از سایت های خود می شناسند ، کامپایل می کنند ، و سپس آنها اساساً یک مسابقه را ترتیب می دهند تا ببینند عملکرد فروشنده در این مجموعه داده به حداکثر می رسد.” “این ابتدایی است ، اما این بهترین چیزی است که ما داریم ، زیرا این تنها راه ارزیابی عملکرد محلی برای یک کار خاص است.”
Akshay Chaudhari دستیار دستیار دستیار رادیولوژی و علوم داده های زیست پزشکی در استنفورد است.
مجوز داده شده توسط استنفورد
این کار می تواند برای مراکز پزشکی بزرگ دانشگاهی ، یک تیم علوم داده انجام شود ، اما “بسیاری از بیمارستان ها فقط مدل ها را توزیع می کنند و داده های با کیفیت مشکوک ، چوداری را دریافت می کنند.
به منظور آزمایش یک مدل اساسی برای صحت ، Paschali ابتدا برای شناسایی معیارها و وظایف مدل مهم است. بیمارستان ها همچنین باید آزمایش کنند که چگونه مدل در گروه های مختلف بیمار و انواع مختلف مرورگر عملکرد دارد. سرانجام ، یک مدل باید “آزمایش استرس Için را برای توصیف مشکلات احتمالی ممکن است ، مانند بیمارستان ها ، بیماری های بسیار نادر آزمایش کند.
وی گفت: “بنابراین ، همکاری نزدیک با رادیولوژیست ها بسیار مهم است ، زیرا آنها می توانند به ما در طراحی تست استرس به روشی بسیار جامع کمک کنند.” “از آنجا که آنها موارد زیادی را دیده اند و می دانند که حتی کارها برای آنها دشوار است.”
امید این است که مدل های بنیادی که روی خوشه های داده بسیار بزرگتر آموزش دیده اند ، شرایط مختلف را پوشش می دهند ، انواع بیمارستان و دستگاه های تصویربرداری ممکن است قبل از استقرار نیاز به ارزیابی کمتری داشته باشند.
چا چوداری گفت ، اوروم فکر نمی کنم ما به آنجا می آییم ، حداقل هیچ مدرکی در جهان وجود ندارد. “اما این مدل های اساسی جذابیت آنچه می توانند به دست آورند.”
هدف دیگر انتشار زمان رادیولوژیست ها است ، کمبود مداوم رادیولوژیست ها در ایالات متحده و تعداد فزاینده ای از تصاویر.
چوداری گفت: “اگر ما می خواهیم که آنها خروجی را از آنها تأیید کنند ، همه چیز را دو برابر کنند.”