Şu yayını okuyorsunuz: Araştırmacılar genel tıbbi yapay zekaya yönelik temel modelleri araştırıyor
Temel modeller, geniş ve çeşitli veri kümeleri üzerinde eğitildikten sonra çok çeşitli alt görevlere uygulanabilir. Metinli soru yanıtlamadan görsel açıklamalara ve oynanışa kadar bireysel modeller artık en üst düzey performansa ulaşabiliyor. Büyüyen veri kümeleri, daha büyük modeller ve geliştirilmiş model mimarileri, temel modeller için yeni olasılıkların ortaya çıkmasına neden oldu.
Tıbbın karmaşıklığı, geniş ve çeşitli tıbbi bilgilerin toplanmasının zorluğu ve bu keşfin yeniliği nedeniyle bu modeller henüz tıbbi yapay zekaya sızmamıştır. Çoğu tıbbi yapay zeka modeli, göreve özgü bir modelleme tekniği kullanır. Göğüs röntgenlerini zatürre açısından analiz edecek bir modeli eğitmek için görüntülerin manuel olarak etiketlenmesi gerekir. Bu algoritma zatürre tespit ettiğinde bir insanın radyoloji raporu yazması gerekiyor. Bu hiper odaklı, etiket tabanlı metodoloji, yalnızca eğitim veri kümesindeki görevleri gerçekleştirebilen katı modeller üretir. Aynı hedefe yönelik yeni görevlere veya veri dağıtımlarına uyum sağlamak için bu modellerin bazen yeni bir veri seti üzerinde yeniden eğitilmesi gerekir.
Çok modlu mimariler, kendi kendini denetleyen öğrenme teknikleri ve bağlam içi öğrenme yetenekleri gibi gelişmeler, GMAI adı verilen yeni bir karmaşık tıbbi temel modeller sınıfını mümkün kıldı. “Genelci” etiketi, belirli tıbbi görevler için daha uzmanlaşmış modellerin yerini alacaklarını gösteriyor.
Stanford Üniversitesi, Harvard Üniversitesi, Toronto Üniversitesi, Yale Üniversitesi Tıp Fakültesi ve Scripps Çeviri Araştırma Enstitüsü’nden araştırmacılar, GMAI modellerini geleneksel tıbbi yapay zeka modellerinden ayıran üç temel özelliği belirliyor.
- Bir GMAI modeli, işin İngilizce (veya başka bir dilde) bildirilmesiyle yeni bir göreve kolayca uyarlanabilir. Modeller, sunulduktan sonra (dinamik görev spesifikasyonu) yeni zorlukların üstesinden gelebilir, ancak yeniden eğitim gerektirmeden önce.
- GMAI modelleri çeşitli kaynaklardan veri alabilir ve çeşitli formatlarda sonuçlar üretebilir. GMAI modelleri tıbbi bilgiyi açıkça yansıtacak, yeni zorluklarla akıl yürütmelerine ve sonuçlarını tıp profesyonellerinin anlayacağı şekilde iletmelerine olanak tanıyacak. Mevcut tıbbi yapay zeka modelleriyle karşılaştırıldığında, GMAI modelleri daha az etiketle veya hiç etiket olmadan daha çeşitli görevleri ele alma potansiyeline sahiptir. GMAI’nin çeşitli veri yöntemleri kombinasyonlarını destekleyen tanımlayıcı yeteneklerinden ikisi ve dinamik olarak tanımlanmış görevleri gerçekleştirme yeteneği, GMAI modellerinin kullanıcılarla çeşitli şekillerde etkileşime girmesine olanak tanır.
- GMAI modelleri tıbbi alan bilgisini açıkça temsil etmeli ve bunu karmaşık tıbbi muhakeme için kullanmalıdır.
GMAI, kullanıcıların kişiselleştirilmiş sorgular aracılığıyla modellerle etkileşime girmesine olanak tanıyarak, işler ve durumlar arasında dikkate değer bir uyum sağlar ve yapay zeka içgörülerinin daha geniş bir tüketici kitlesi için erişilebilir olmasını sağlar. Kullanıcılar, “Bu kafa MR’ında gösterilen kütleyi açıklayın” gibi sorgular oluşturmak için özel bir sorgu kullanabilir. Tümör mü yoksa apse mi olması daha muhtemel?”
İki önemli özellik, dinamik görev belirleme ve çok modlu giriş ve çıkışlar, kullanıcı tanımlı sorgular aracılığıyla mümkün olacaktır.
- Dinamik görev spesifikasyonu: Yapay zeka modelleri, yeni zorlukların nasıl çözüleceğini öğrenmek için özel sorgular kullanılarak anında yeniden eğitilebilir. “Bu ultrasona göre safra kesesi duvarının kalınlığı milimetre cinsinden ne kadardır?” diye sorulduğunda GMAI daha önce görülmemiş bir cevap sağlayabilir. Bağlam içi öğrenme sayesinde GMAI yalnızca birkaç örnekle yeni bir kavram üzerinde eğitilebilir.
- Çok modlu girişler ve çıkışlar: Kişiselleştirilmiş konsültasyonlar, karmaşık tıbbi problemlerde yöntemleri keyfi olarak birleştirme yeteneğini sağlar. Teşhis talebinde bulunurken, doktor sorgusuna birkaç fotoğraf ve laboratuvar raporu ekleyebilir. Müşterinin metinsel bir yanıt ve buna eşlik eden bir görüntü talep etmesi halinde, bir GMAI modeli her iki isteği de kolayca karşılayabilir.
GMAI’nin kullanım durumlarından bazıları aşağıda belirtilmiştir:
- Güvenilir radyoloji bulguları: GMAI, radyologları süreçlerinin herhangi bir aşamasında destekleyebilecek ve iş yüklerini önemli ölçüde azaltabilecek yeni bir esnek dijital radyoloji asistanları sınıfının önünü açıyor. Hem anormal hem de ilgili normal sonuçları içeren ve hasta geçmişini dikkate alan radyoloji raporları, GMAI modelleri tarafından otomatik olarak üretilebilmektedir. Bu modellerin etkileşimli görselleştirmeleri, metin raporlarıyla birleştirildiğinde, örneğin her ifadeyle belirtilen alanın vurgulanmasıyla klinisyenlere çok yardımcı olabilir.
- Geliştirilmiş cerrahi yöntemler: GMAI modeliyle cerrahi ekiplerin tedavileri daha kolay gerçekleştirmesi bekleniyor. GMAI modelleri, bir operasyonun canlı video akışlarına açıklama eklemek gibi görselleştirme görevlerini gerçekleştirebilir. Cerrahlar olağandışı anatomik olayları keşfettiklerinde, alarm çalarak veya ilgili literatürü yüksek sesle okuyarak sözlü bilgi de aktarabilirler.
- Yatak başında zor kararlar vermenize yardımcı olur. Gelecekteki bakıma yönelik daha ayrıntılı açıklamalar ve öneriler, mevcut yapay zeka tabanlı erken uyarı sistemlerini temel alan GMAI destekli hasta başı klinik karar destek araçlarıyla mümkün hale geliyor.
- Metinden protein yapma: GMAI, metin girişinden protein amino asit dizilerini ve üç boyutlu yapıları sentezledi. Bu model, mevcut üretken modellerde bulunanlar gibi arzu edilen fonksiyonel özelliklere sahip protein dizilerinin üretilmesine bağlı olabilir.
- İşbirlikçi not alma. GMAI modelleri, elektronik notlar ve tahliye raporları gibi belgeleri otomatik olarak hazırlayacak; Doktorların bunları incelemesi, güncellemesi ve onaylaması yeterli olacaktır.
- Tıbbi sohbet robotları. Yeni hasta destek uygulamaları GMAI tarafından desteklenerek, yüksek kaliteli bakımın klinik ortamların dışında da sunulmasına olanak sağlanabilir.
