Paveikslėlis gali būti vertas tūkstančio žodžių, tačiau jie abu turi daug nuveikti, kad pasiektų BiomedGPT. Lehigh universiteto tyrimų komanda dabar bendradarbiauja su Masačusetso bendrąją ligonine, siekdama paversti medicininį tekstą ir vaizdus į greitesnę ligos diagnozę, patobulintą medicininę ataskaitą, patobulintą vaistų atradimą ir dar daugiau.
Aprašyta neseniai žurnale Gamtos medicinaBiomedGPT yra naujo tipo dirbtinis intelektas (AI), skirtas įvairioms medicininėms ir mokslinėms užduotims atlikti. Šis naujas tyrimas, atliktas bendradarbiaujant su keliomis institucijomis, straipsnyje aprašytas kaip „pirmasis atvirojo kodo ir lengvo matymo ir kalbos pagrindo modelis, sukurtas kaip generalistas, galintis atlikti įvairias biomedicinines užduotis.”
„Šiame darbe dviejų tipų dirbtinis intelektas sujungiamas į medicinos paslaugų teikėjų sprendimų palaikymo įrankį,” aiškina Lichao Sun, Lehigh universiteto kompiuterių mokslo ir inžinerijos docentas ir pagrindinis tyrimo autorius. „Viena sistemos pusė mokoma suprasti biomedicininius vaizdus, o kita – suprasti ir vertinti biomedicininį tekstą.
„Jų derinys leidžia modeliui spręsti daugybę biomedicininių iššūkių, naudojant įžvalgas, gautas iš biomedicininių vaizdų duomenų bazių ir iš mokslinių bei medicininių tyrimų ataskaitų analizės ir sintezės.”
Šiuolaikiniai rezultatai gydytojams ir pacientams
Pagrindinė straipsnyje aprašyta naujovė yra ta, kad šio AI modelio nereikia specializuoti kiekvienai užduočiai. Paprastai dirbtinio intelekto sistemos yra apmokomos atlikti konkrečius darbus, pavyzdžiui, atpažinti navikus rentgeno spinduliuose arba apibendrinti medicininius dokumentus. Tačiau šis naujas modelis gali atlikti daugybę skirtingų užduočių naudojant tą pačią pagrindinę technologiją. Šis universalumas daro jį a „generalistas” modelis ir galingas naujas įrankis medicinos paslaugų teikėjų rankose.
„„BiomedGPT“ yra pagrįstas pagrindų modeliais, neseniai sukurta AI,” sako Saulė. „Pamatiniai modeliai yra didelės, iš anksto apmokytos AI sistemos, kurias galima pritaikyti įvairioms užduotims su minimaliu papildomu mokymu. Straipsnyje aprašytas bendras modelis buvo parengtas naudojant daugybę biomedicininių duomenų, įskaitant vaizdus ir tekstą, todėl jis gerai veiktų įvairiose programose.”
„Įvertinus 25 duomenų rinkinius, susijusius su 9 biomedicininėmis užduotimis ir skirtingais būdais,” sako Kai Zhang, Lehigh mokslų daktaras. studentas, patariamas Sun, kuris yra pirmasis straipsnio autorius.
Zhang sako, kad jis didžiuojasi, kad atvirojo kodo kodų bazė gali būti prieinama kitiems tyrėjams kaip tramplinas tolesniam vystymuisi ir pritaikymui.
Komanda praneša, kad BiomedGPT technologija vieną dieną gali padėti gydytojams interpretuoti sudėtingus medicininius vaizdus, padėti tyrėjams analizuoti mokslinę literatūrą ar net padėti atrasti vaistus, numatant, kaip molekulės elgiasi.
„Galimas tokios technologijos poveikis yra didelis,” Zhang sako, „nes tai galėtų supaprastinti daugelį sveikatos priežiūros ir tyrimų aspektų, padaryti juos greitesnius ir tikslesnius. Mūsų metodas rodo, kad efektyvus mokymas naudojant įvairius duomenis gali padėti sukurti praktiškesnį biomedicininį AI, siekiant pagerinti diagnozę ir darbo eigos efektyvumą.”
Komandos pastangos klinikiniam patvirtinimui ir dar daugiau
Esminis proceso žingsnis buvo modelio veiksmingumo ir pritaikymo realiose sveikatos priežiūros įstaigose patvirtinimas.
„Klinikiniai tyrimai apima AI modelio taikymą tikriems paciento duomenims, siekiant įvertinti jų tikslumą, patikimumą ir saugumą,” Saulė sako. „Šis bandymas užtikrina, kad modelis gerai veiktų įvairiuose scenarijuose. Šių testų rezultatai padėjo patobulinti modelį, parodydami jo potencialą pagerinti klinikinių sprendimų priėmimą ir pacientų priežiūrą.”
Masačusetso bendroji ligoninė (MGH) atliko lemiamą vaidmenį kuriant ir patvirtinant BiomedGPT modelį. Institucija daugiausia dėmesio skyrė klinikinės patirties teikimui ir modelio veiksmingumo įvertinimui realiose sveikatos priežiūros įstaigose.
Pavyzdžiui, modelis buvo išbandytas su radiologais MGH, kur jis parodė puikų našumą atliekant tokias užduotis kaip vizualinis atsakymas į klausimus ir radiologijos ataskaitų generavimas. Šis bendradarbiavimas padėjo užtikrinti, kad modelis būtų tikslus ir praktiškas klinikiniam naudojimui.
Kiti prie BiomedGPT prisidėjo mokslininkai iš Džordžijos universiteto, „Samsung Research America“, Pensilvanijos universiteto, Stanfordo universiteto, Centrinės Floridos universiteto, UC-Santa Cruz, Teksaso sveikatos universiteto, Filadelfijos vaikų ligoninės ir Mayo klinikos.
„Šis tyrimas yra labai tarpdisciplininis ir bendradarbiaujantis,” sako Saulė. „Tyrimai apima įvairių sričių patirtį, įskaitant kompiuterių mokslą, mediciną, radiologiją ir biomedicinos inžineriją. Kiekvienas autorius suteikia specialių žinių, reikalingų modeliui sukurti, išbandyti ir patvirtinti atliekant įvairias biomedicinos užduotis. Didelio masto projektams, tokiems kaip šis, dažnai reikalinga prieiga prie įvairių duomenų rinkinių ir skaičiavimo išteklių, taip pat prieiga prie įgūdžių, susijusių su algoritmų kūrimu, modelių mokymu, vertinimu ir pritaikymu realaus pasaulio scenarijams, taip pat klinikiniams bandymams ir patvirtinimui.”
„Tai buvo tikras komandinis darbas,” sako jis. „Sukurti tai, kas tikrai padėtų medicinos bendruomenei pagerinti pacientų rezultatus įvairiais klausimais, yra labai sudėtingas iššūkis. Esant tokiam sudėtingumui, bendradarbiavimas yra labai svarbus norint sukurti poveikį taikant mokslą ir inžineriją.”