Ramalan Hinton menjadi kenyataan! Nature, universiti terkemuka di Amerika Syarikat dan Kanada, menerbitkan artikel: Kecerdasan buatan perubatan am GMAI bukan sahaja akan menggantikan "ahli radiologi"

Hinton, pemenang Anugerah Turing dan perintis pembelajaran mendalam, pernah meramalkan, "Orang ramai harus berhenti melatih ahli radiologi sekarang. Jelas sekali bahawa dalam tempoh lima tahun, pembelajaran mendalam akan melakukan lebih baik daripada pakar radiologi. Ini mungkin Ia akan mengambil masa 10 tahun , tetapi kami sudah mempunyai cukup ahli radiologi, saya fikir jika anda seorang ahli radiologi, anda sudah berada di tepi tebing, tetapi serigala liar itu belum lagi melihat ke bawah.

Hampir tujuh tahun telah berlalu, dan teknologi kecerdasan buatan hanya mengambil bahagian dalam dan menggantikan beberapa kerja teknikal pakar radiologi, dan mempunyai masalah seperti fungsi tunggal dan data latihan yang tidak mencukupi. Biarkan ahli radiologi masih memegang jawatan mereka dengan teguh.

Walau bagaimanapun, selepas keluaran model asas kelas ChatGPT, keupayaan model kecerdasan buatan telah dipertingkatkan sebelum ini. Ia boleh mengendalikan data berbilang modal dan menyesuaikan diri dengan in -konteks tugas baharu tanpa penalaan halus keupayaan pembelajaran, perkembangan pesat model kecerdasan buatan yang sangat fleksibel dan boleh digunakan semula mungkin memperkenalkan keupayaan baharu dalam bidang perubatan.

Baru-baru ini, penyelidik dari banyak universiti dan institusi perubatan terkemuka seperti Universiti Harvard, Universiti Stanford, Sekolah Perubatan Yale di Amerika Syarikat dan Universiti Toronto di Kanada bersama-sama mencadangkan kaedah in Nature Paradigma baru kecerdasan buatan perubatan, iaitu "generalist medical artificial intelligence (GMAI)".

Pautan kertas: ​https://www.nature.com/articles/s41586-023-05881-4​

Model GMAI akan dapat melaksanakan pelbagai jenis tugasan menggunakan sedikit atau tiada data berlabel khusus tugasan. Melalui latihan penyeliaan sendiri mengenai set data yang besar dan pelbagai, GMAI boleh mentafsir kombinasi kaedah perubatan yang berbeza secara fleksibel, termasuk data daripada pengimejan, rekod kesihatan elektronik, keputusan makmal, genomik, carta atau teks perubatan.

Seterusnya, model juga boleh menjana output ekspresif seperti penjelasan teks percuma, pengesyoran lisan atau anotasi imej, yang menunjukkan keupayaan penaakulan perubatan lanjutan.

Dalam artikel itu, penyelidik mengenal pasti satu set senario aplikasi berpotensi berimpak tinggi untuk GMAI dan menyenaraikan keupayaan teknikal khusus dan set data latihan.

Pasukan pengarang menjangkakan bahawa aplikasi GMAI akan mencabar peranti AI perubatan yang disahkan semasa dan mengubah amalan yang berkaitan dengan pengumpulan set data perubatan yang besar.

Potensi Model Umum untuk AI Perubatan

Model GMAI dijangka dapat menyelesaikan tugas yang lebih pelbagai dan mencabar daripada model AI perubatan semasa, walaupun untuk tugasan tertentu hampir tiada keperluan pelabelan.

Antara tiga keupayaan GMAI yang ditentukan, "boleh melaksanakan tugasan yang ditentukan secara dinamik" dan "boleh menyokong gabungan corak data yang fleksibel" boleh membenarkan komunikasi yang fleksibel antara model GMAI dan Interaksi; keupayaan ketiga memerlukan model GMAI untuk mewakili pengetahuan secara rasmi dalam bidang perubatan dan dapat melakukan penaakulan perubatan lanjutan.

Sesetengah model asas yang dikeluarkan baru-baru ini telah menunjukkan beberapa keupayaan GMAI Dengan menggabungkan berbilang modaliti secara fleksibel, ia boleh diubah suai secara dinamik semasa fasa ujian tugas baharu, tetapi membina model GMAI dengan tiga keupayaan di atas masih memerlukan pembangunan lanjut Contohnya, model penaakulan perubatan sedia ada (seperti GPT-3 atau PaLM) bukan multi-modal dan tidak boleh menghasilkan kenyataan fakta yang boleh dipercayai.

Interaksi fleksibel Interaksi fleksibelGMAI menyediakan pertanyaan tersuai kepada pengguna Keupayaan untuk berinteraksi dengan model menjadikan cerapan AI lebih mudah diakses oleh khalayak yang berbeza dan memberikan fleksibiliti yang lebih besar untuk tugas dan tetapan yang berbeza.

Model kecerdasan buatan pada masa ini hanya boleh mengendalikan set tugasan yang sangat terhad dan menjana satu set output tegar dan telah ditetapkan Sebagai contoh, model boleh mengesan penyakit tertentu, menerima imej tertentu dan hasilnya kemungkinan mengembangkan penyakit ini.

Sebaliknya, pertanyaan tersuai boleh memasukkan soalan yang boleh difikirkan oleh pengguna semasa mereka menepuk kepala, seperti "Terangkan jisim ini yang muncul pada imbasan MRI kepala. Adakah ia lebih cenderung untuk menjadi tumor atau abses?" ?".

Selain itu, pertanyaan membenarkan pengguna menyesuaikan format outputnya, seperti "Ini ialah imbasan MRI susulan glioblastoma pesakit, menggunakan Bahagian yang mungkin tumor diserlahkan dengan warna merah "

Pertanyaan tersuai boleh merealisasikan dua keupayaan utama, iaitu "Tugas dinamik" dan "Input dan output berbilang mod". .

Pertanyaan tersuai boleh mengajar model AI untuk menyelesaikan masalah baharu dengan pantas, secara dinamik menyatakan tugas baharu tanpa melatih semula model.

Sebagai contoh, GMAI boleh menjawab soalan yang sangat spesifik, yang sebelum ini tidak kelihatan, seperti "Berdasarkan keputusan ultrasound ini, berapa milimeter tebal dinding pundi hempedu?"

Model GMAI mungkin mengalami kesukaran untuk menyelesaikan tugasan baharu yang melibatkan konsep atau patologi yang tidak diketahui, manakala pembelajaran dalam konteks membolehkan pengguna mengajar GMAI mempelajari tugasan baharu dengan sangat sedikit contoh, seperti ". Berikut adalah sejarah perubatan 10 pesakit yang sebelum ini menghidapi penyakit yang baru muncul, iaitu dijangkiti Langya henipavirus. Bagaimanakah kemungkinan pesakit sekarang ini juga dijangkiti Langya henipavirus?"

Pertanyaan tersuai juga boleh menerima maklumat perubatan kompleks yang mengandungi pelbagai modaliti Contohnya, apabila seorang doktor bertanya tentang diagnosis, dia boleh memasukkan laporan, isyarat bentuk gelombang, keputusan makmal, pemetaan Genom. dan kajian pengimejan, dsb.; model GMAI juga boleh menggabungkan mod yang berbeza ke dalam jawapan secara fleksibel, contohnya pengguna boleh meminta jawapan teks dan maklumat visual yang disertakan.

Pengetahuan bidang perubatan

dengan klinikal Berbeza dengan doktor, model kecerdasan buatan perubatan tradisional biasanya kurang memahami latar belakang bidang perubatan (seperti proses patofisiologi, dll.) sebelum latihan untuk tugas khusus mereka, dan hanya boleh bergantung sepenuhnya pada ciri data input dan sasaran ramalan korelasi antara.

Kekurangan maklumat latar belakang boleh menyukarkan untuk melatih model untuk tugas perubatan tertentu, terutamanya apabila data tugas adalah terhad.

Model GMAI boleh menyelesaikan kekurangan ini dengan secara formal mewakili pengetahuan perubatan Struktur seperti graf pengetahuan boleh membolehkan model memahami konsep perubatan dan hubungan antara penaakulan berdasarkan perhubungan di samping itu, berdasarkan kaedah berasaskan pengambilan semula, GMAI boleh mendapatkan latar belakang yang berkaitan daripada pangkalan data sedia ada dalam bentuk artikel, imej atau kes sebelumnya.

Model yang dihasilkan boleh memberikan beberapa kaveat, seperti "Pesakit ini mungkin mengalami sindrom gangguan pernafasan akut kerana pesakit ini baru-baru ini dimasukkan dengan trauma dada yang teruk dan walaupun tersedut Jumlah oksigen meningkat, tetapi tekanan separa oksigen dalam darah arteri pesakit terus menurun 》

Oleh kerana model GMAI mungkin diminta untuk memberikan cadangan rawatan, walaupun kebanyakannya adalah berdasarkan data pemerhatian. Keupayaan model untuk membuat kesimpulan dan mengeksploitasi hubungan sebab akibat antara konsep perubatan dan penemuan klinikal akan memainkan peranan penting dalam kebolehgunaan klinikal.

Akhir sekali, dengan mengakses pengetahuan molekul dan klinikal yang kaya, model GMAI boleh menyelesaikan tugasan terhad data dengan menggunakan pengetahuan daripada masalah berkaitan.

Peluang

GMAI berpotensi memberi kesan kepada proses perubatan sebenar dengan menambah baik penjagaan dan mengurangkan beban kerja doktor.

Kebolehkawalan

GMAI membenarkan pengguna mengawal dengan teliti mereka Format output membuat maklumat perubatan yang kompleks lebih mudah diperoleh dan difahami, jadi beberapa jenis model GMAI diperlukan untuk menyatakan semula output model mengikut keperluan penonton.

Hasil visualisasi yang disediakan oleh GMAI juga perlu disesuaikan dengan teliti, seperti dengan menukar perspektif atau melabelkan ciri penting dengan teks, dsb. model juga berpotensi dilaraskan tahap perincian dalam domain tertentu dalam outputnya, atau menterjemahkannya ke dalam berbilang bahasa untuk berkomunikasi secara berkesan dengan pengguna yang berbeza.

Akhir sekali, fleksibiliti GMAI membolehkannya disesuaikan dengan wilayah atau hospital tertentu, mengikut adat dan dasar tempatan Pengguna mungkin memerlukan panduan tentang cara bertanya model GMAI dan menggunakannya dengan berkesan keluaran.

Kebolehsuaian

Model kecerdasan buatan perubatan sedia ada sukar untuk mengatasi Pergeseran dalam pengedaran , tetapi pengedaran data boleh berubah secara mendadak disebabkan perubahan berterusan dalam teknologi, prosedur, persekitaran atau populasi.

GMAI boleh bersaing dengan rentak transformasi melalui pembelajaran dalam konteks Contohnya, hospital boleh mengajar model GMAI untuk mentafsir sinar-X daripada pengimbas serba baharu dengan hanya memasukkan gesaan dan beberapa perkataan.

Dalam erti kata lain, GMAI boleh menyesuaikan dengan serta-merta kepada pengedaran data baharu, manakala model kecerdasan buatan perubatan tradisional perlu dilatih semula pada set data baharu bagaimanapun, pada masa ini hanya dalam model bahasa yang besar pembelajaran dalam konteks diperhatikan dalam .

Untuk memastikan GMAI boleh menyesuaikan diri dengan perubahan dalam konteks, model GMAI perlu dilatih mengenai data yang pelbagai daripada pelbagai sumber data pelengkap.

Sebagai contoh, untuk menyesuaikan diri dengan varian baharu penyakit coronavirus 2019, model yang berjaya boleh mendapatkan semula ciri-ciri varian terdahulu dan meramalkan Untuk mengemas kini ini ciri untuk konteks baharu, doktor mungkin hanya menaip "Semak X-ray dada ini untuk Omicron".

Model boleh dibandingkan dengan varian delta, dengan mengambil kira penyusupan peribronchial dan perivaskular sebagai isyarat utama.

Walaupun pengguna boleh melaraskan gelagat model secara manual melalui perkataan pantas, teknologi baharu juga boleh memainkan peranan dalam memasukkan maklum balas manusia secara automatik.

Pengguna boleh menilai atau mengulas pada setiap output model GMAI, sama seperti teknologi maklum balas pembelajaran pengukuhan yang digunakan oleh ChatGPT, yang boleh mengubah tingkah laku model GMAI.

Kebolehgunaan

Model kecerdasan buatan berskala besar telah menjadi banyak Asas untuk hiliran aplikasi, seperti GPT-3, telah menyediakan sokongan teknikal untuk lebih daripada 300 aplikasi dalam industri yang berbeza dalam beberapa bulan selepas dikeluarkan.

Antara model asas perubatan, CheXzero boleh digunakan untuk mengesan berpuluh-puluh penyakit dalam X-ray dada dan tidak memerlukan latihan mengenai label eksplisit untuk penyakit ini.

Peralihan paradigma ke arah GMAI akan memacu pembangunan dan pengeluaran model AI perubatan berskala besar dengan pelbagai keupayaan, yang boleh berfungsi sebagai asas untuk pelbagai aplikasi klinikal hiliran: sama ada secara langsung menggunakan output GMAI, atau mengintegrasikan GMAI's Hasilnya digunakan sebagai perwakilan perantaraan, dan kemudiannya disambungkan kepada model domain kecil.

Perlu diambil perhatian bahawa kebolehgunaan fleksibel ini juga merupakan pedang bermata dua, kerana semua kerosakan yang wujud dalam model asas akan terus merebak dalam aplikasi hiliran.

Cabaran

Walaupun model GMAI mempunyai banyak kelebihan, berbanding dengan bidang lain, bidang perubatan mempunyai risiko keselamatan yang tinggi, jadi ia masih perlu menangani masalah tersebut untuk memastikan penempatan selamat.

Pengesahan/Pengesahan

Model GMAI kerana fungsinya yang tidak pernah berlaku sebelum ini, jadi ia adalah juga sangat sukar untuk menjalankan pengesahan kemahiran.

Model AI semasa direka untuk tugas tertentu, jadi model tersebut hanya perlu disahkan dalam kes penggunaan yang telah ditetapkan, seperti mendiagnosis daripada MRI otak Jenis kanser tertentu.

Tetapi model GMAI juga boleh melaksanakan tugas yang tidak kelihatan sebelum ini yang pertama kali dicadangkan oleh pengguna akhir (seperti mendiagnosis penyakit lain dalam MRI otak), bagaimana untuk meramalkan semua mod kegagalan adalah persoalan yang lebih Sukar.

Pembangun dan pengawal selia perlu bertanggungjawab untuk menerangkan cara model GMAI diuji dan untuk kes penggunaan yang diluluskan untuk antara muka GMAI itu sendiri memberi amaran tentang "penggunaan luar label" apabila memasuki wilayah yang belum dipetakan, dan bukannya mengada-adakan maklumat yang tidak tepat dengan yakin.

Secara lebih luas, keluasan unik keupayaan GMAI memerlukan pandangan jauh kawal selia, yang memerlukan institusi dan dasar kerajaan untuk menyesuaikan diri dengan paradigma baharu yang juga akan membentuk semula pengaturan insurans dan peruntukan tanggungjawab.

Pengesahan (Pengesahan)

Berbanding dengan model kecerdasan buatan tradisional, Model GMAI boleh mengendalikan input dan output yang sangat kompleks, menjadikannya lebih sukar bagi doktor untuk menentukan ketepatannya.

Sebagai contoh, model tradisional hanya boleh mempertimbangkan keputusan satu kajian pengimejan apabila mengklasifikasikan kanser pesakit, dan hanya pakar radiologi atau pakar patologi diperlukan untuk mengesahkan model tersebut ?

Model GMAI mungkin mempertimbangkan dua input dan boleh mengeluarkan klasifikasi awal, pengesyoran rawatan dan hujah pelbagai mod yang melibatkan visualisasi, analisis statistik dan rujukan literatur.

Dalam kes ini, pasukan pelbagai disiplin (terdiri daripada pakar radiologi, pakar patologi, doktor pakar onkologi dan pakar lain) untuk menilai sama ada output GMAI adalah betul.

Oleh itu, semakan fakta keluaran GMAI merupakan cabaran yang serius, semasa pengesahan dan selepas penggunaan model.

Pencipta boleh menjadikan output GMAI lebih mudah untuk disahkan dengan menggabungkan teknologi boleh tafsir, contohnya, membenarkan output GMAI menyertakan kesusasteraan boleh klik dan perenggan bukti khusus, membolehkan doktor menjadi lebih berkesan untuk mengesahkan ramalan GMAI .

Akhir sekali, adalah penting untuk model GMAI menyatakan ketidakpastian dengan tepat dan menghalang pengguna yang mengelirukan dengan kenyataan yang terlalu yakin.

Kecondongan sosial

Model AI perubatan mungkin mengekalkan berat sebelah masyarakat dan bahaya kepada kumpulan terpinggir .

Risiko ini mungkin lebih ketara apabila membangunkan GMAI, di mana permintaan dan kerumitan data besar boleh menyukarkan untuk memastikan model itu bebas daripada berat sebelah yang tidak diingini.

Model GMAI mesti disahkan secara menyeluruh untuk memastikan ia tidak berprestasi buruk dalam populasi tertentu, seperti kumpulan minoriti.

Walaupun selepas penggunaan, model memerlukan pengauditan dan pemantauan berterusan, kerana apabila model menghadapi tugas dan persekitaran baharu, masalah baharu mungkin timbul yang perlu dikenal pasti dengan cepat dan Bias diperbaiki mesti menjadi keutamaan untuk pembangun, vendor dan pengawal selia.

Privasi

Pembangunan dan penggunaan model GMAI menimbulkan risiko serius kepada privasi pesakit dan mungkin Mendapat akses kepada orang kaya ciri pesakit, termasuk ukuran dan isyarat klinikal, tandatangan molekul dan maklumat demografi, dan data pengesanan tingkah laku dan deria.

Selain itu, model GMAI mungkin menggunakan seni bina yang lebih besar, menjadikannya lebih mudah untuk menghafal data latihan dan mengulanginya terus kepada pengguna, yang berpotensi mendedahkan data pesakit yang sensitif dalam set data latihan.

Boleh mengurangkan kerosakan yang disebabkan oleh data terdedah dengan menyahkenal pasti dan mengehadkan jumlah maklumat yang dikumpul pada pesakit individu.

Isu privasi tidak terhad kepada data latihan Model GMAI yang digunakan juga boleh mendedahkan data pesakit semasa Sebagai contoh, gesaan boleh menipu model seperti GPT-3 untuk mengabaikan arahan sebelumnya. Pengguna berniat jahat boleh memaksa model mengabaikan arahan "jangan dedahkan maklumat" untuk mengekstrak data sensitif.

Atas ialah kandungan terperinci Ramalan Hinton menjadi kenyataan! Nature, universiti terkemuka di Amerika Syarikat dan Kanada, menerbitkan artikel: Kecerdasan buatan perubatan am GMAI bukan sahaja akan menggantikan "ahli radiologi". Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!