Obraz może być wart tysiąca słów, ale mimo to… oboje mają dużo pracy do wykonania, aby dogonić BiomedGPT.
Opisany niedawno w czasopiśmie Nature Medicine, BiomedGPT to nowy rodzaj sztucznej inteligencji (AI) zaprojektowany do wspierania szerokiego zakresu zadań medycznych i naukowych. To nowe badanie, przeprowadzone we współpracy z wieloma instytucjami, opisano w artykule jako „pierwszy lekki model oparty na otwartym kodzie źródłowym, oparty na języku wizyjnym, zaprojektowany jako specjalista zdolny do wykonywania różnych zadań biomedycznych”.
„Ta praca łączy dwa typy sztucznej inteligencji w narzędzie wspomagające podejmowanie decyzji dla dostawców usług medycznych” – wyjaśnia Lichao Sun, adiunkt informatyki i inżynierii na Uniwersytecie Lehigh oraz główny autor badania. „Jedna strona systemu jest przeszkolona w zakresie rozumienia obrazów biomedycznych, a druga w zakresie rozumienia i oceny tekstu biomedycznego. Połączenie tych elementów pozwala modelowi stawić czoła szerokiemu zakresowi wyzwań biomedycznych, wykorzystując wiedzę uzyskaną z baz danych zawierających obrazy biomedyczne oraz z analiza i synteza raportów z badań naukowych i medycznych.”
„16 najnowocześniejszych wyników” dla lekarzy i pacjentów
Kluczową innowacją opisaną w artykule medycyny przyrodniczej z 7 sierpnia „Ogólny model podstawy języka i wizji dla różnorodnych zadań biomedycznych” jest to, że ten model sztucznej inteligencji nie musi być wyspecjalizowany dla każdego zadania. Zazwyczaj systemy sztucznej inteligencji są szkolone do określonych zadań, takich jak rozpoznawanie nowotworów na zdjęciach rentgenowskich lub podsumowywanie artykułów medycznych. Jednak ten nowy model może wykonywać wiele różnych zadań przy użyciu tej samej technologii. Ta wszechstronność sprawia, że jest to model „ogólny” i nowe, potężne narzędzie w rękach dostawców usług medycznych.
„BiomedGPT opiera się na modelach podstawowych, co stanowi najnowsze osiągnięcie w dziedzinie sztucznej inteligencji” – mówi Sun. „Modele podstawowe to duże, wstępnie wyszkolone systemy sztucznej inteligencji, które można dostosować do różnych zadań przy minimalnym dodatkowym szkoleniu. Model ogólny opisany w artykule został wytrenowany na ogromnych ilościach danych biomedycznych, w tym obrazów i tekstu, dzięki czemu może dobrze działać w różnych zastosowaniach.”
„Oceniając 25 zbiorów danych w ramach 9 zadań biomedycznych i różnych modalności” – mówi Kai Zhang, doktorant z Lehigh, któremu doradza Sun i który jest pierwszym autorem artykułu w Nature, „BiomedGPT uzyskał 16 najnowocześniejszych wyników. Człowiek ocena BiomedGPT w trzech zadaniach radiologicznych pokazała solidne możliwości predykcyjne modelu.”
Zhang mówi, że jest dumny, że baza kodu open source jest dostępna dla innych badaczy i może służyć jako odskocznia do dalszego rozwoju i wdrażania.
Zespół donosi, że technologia stojąca za BiomedGPT może pewnego dnia pomóc lekarzom poprzez interpretację złożonych obrazów medycznych, pomóc naukowcom poprzez analizę literatury naukowej, a nawet pomóc w odkrywaniu leków poprzez przewidywanie zachowania cząsteczek.
„Potencjalny wpływ takiej technologii jest znaczący” – mówi Zhang – „ponieważ może usprawnić wiele aspektów opieki zdrowotnej i badań, czyniąc je szybszymi i dokładniejszymi. Nasza metoda pokazuje, że skuteczne szkolenie z wykorzystaniem różnorodnych danych może prowadzić do bardziej praktycznej biomedycznej sztucznej inteligencji dla poprawiając diagnostykę i efektywność pracy.”
Wysiłek zespołowy na rzecz walidacji klinicznej i nie tylko
Kluczowym krokiem w tym procesie była walidacja skuteczności i możliwości zastosowania modelu w rzeczywistych warunkach opieki zdrowotnej.
„Testy kliniczne polegają na zastosowaniu modelu sztucznej inteligencji do rzeczywistych danych pacjentów w celu oceny ich dokładności, niezawodności i bezpieczeństwa” – mówi Sun. „Te testy zapewniają, że model dobrze działa w różnych scenariuszach. Wyniki tych testów pomogły udoskonalić model, wykazując jego potencjał w zakresie poprawy procesu podejmowania decyzji klinicznych i opieki nad pacjentem”.
Szpital Massachusetts General Hospital (MGH), członek-założyciel systemu opieki zdrowotnej Mass General Brigham i oddział dydaktyczny Harvard Medical School, odegrał kluczową rolę w opracowaniu i walidacji modelu BiomedGPT. Zaangażowanie instytucji skupiało się przede wszystkim na dostarczaniu wiedzy klinicznej i ułatwianiu oceny skuteczności modelu w rzeczywistych warunkach opieki zdrowotnej. Na przykład model został przetestowany z radiologami w MGH, gdzie wykazał doskonałą wydajność w takich zadaniach, jak wizualne odpowiadanie na pytania i generowanie raportów radiologicznych. Współpraca ta pomogła zapewnić, że model był zarówno dokładny, jak i praktyczny w zastosowaniu klinicznym.
Inni współpracownicy BiomedGPT to naukowcy z University of Georgia, Samsung Research America, University of Pennsylvania, Stanford University, University of Central Florida, UC-Santa Cruz, University of Texas-Health, Children's Hospital of Philadelphia i Mayo Clinic.
„Te badania mają charakter wysoce interdyscyplinarny i oparty na współpracy” – mówi Sun. „Badania obejmują wiedzę specjalistyczną z wielu dziedzin, w tym informatyki, medycyny, radiologii i inżynierii biomedycznej. Każdy autor wnosi specjalistyczną wiedzę niezbędną do opracowania, przetestowania i walidacji modelu w różnych zadaniach biomedycznych. Tego typu projekty na dużą skalę często wymagają dostępu do różnorodnych zbiorów danych i zasobów obliczeniowych, wraz z dostępem do umiejętności w zakresie opracowywania algorytmów, uczenia modeli, oceny i stosowania w rzeczywistych scenariuszach, a także testów i walidacji klinicznej.
„To był prawdziwy wysiłek zespołowy” – mówi. „Stworzenie czegoś, co może naprawdę pomóc społeczności medycznej poprawić wyniki pacjentów w szerokim zakresie problemów, jest bardzo złożonym wyzwaniem. Przy takiej złożoności współpraca jest kluczem do wywarcia wpływu poprzez zastosowanie nauki i inżynierii”.