जनरेटिव्ह AI सह हेल्थकेअर प्रेडिक्टिव मॉडेल्स वाढवणे
न्यूमोनिया शोधणे आणि कर्करोग स्टेजिंगवर केस स्टडी
प्रोजेक्ट विहंगावलोकन
आरोग्यसेवेच्या झपाट्याने प्रगती करत असलेल्या क्षेत्रात, क्लिनिकल अहवालांवरून रोगाच्या स्थितीचा अंदाज लावण्यासाठी जनरेटिव्ह एआय, विशेषत: लार्ज लँग्वेज मॉडेल्स (एलएलएम) वापरणे ही एक लक्षणीय झेप आहे. क्लायंट, हेल्थ ॲनालिटिक्समधील ट्रेलब्लेझर, त्यांच्या रोग स्थितीचे अंदाज मॉडेल्स सुधारण्यासाठी एक मिशन सुरू केले. मुक्त-स्रोत MIMIC CXR डेटाबेसचा लाभ घेऊन आणि प्रारंभिक विश्लेषणासाठी जनरेटिव्ह AI अंदाज समाविष्ट करून, त्यानंतर लेबल स्टुडिओसह मॅन्युअल प्रमाणीकरण करून, क्लिनिकल अहवाल विश्लेषणासाठी, विशेषतः रेडिओलॉजी अहवालांसाठी मॉडेल अचूकता आणि विश्वासार्हता वाढवणे हे ध्येय होते.
आव्हाने
जनरेटिव्ह एआय अंदाजांना हेल्थकेअर वर्कफ्लोमध्ये एकत्रित केल्याने अनेक आव्हाने समोर आली:
डेटा ऍक्सेस आणि सुरक्षा
MIMIC-CXR सारख्या उच्च-गुणवत्तेच्या, मुक्त-स्रोत वैद्यकीय डेटासेटमध्ये प्रवेश सुरक्षित करण्यासाठी कठोर क्रेडेन्शियल प्रक्रिया आवश्यक आहे, गोपनीयता आणि नैतिक मानकांचे पालन सुनिश्चित करणे.
अंदाज अचूकता
जनरेटिव्ह एआय मॉडेल्सच्या सुरुवातीच्या आउटपुटमध्ये अधूनमधून रोग स्थितीच्या अंदाजांमध्ये अयोग्यता दिसून येते, ज्यामुळे वर्धित अचूकतेसाठी मॅन्युअल तपासणे आवश्यक होते.
जटिल रोग राज्य ओळख
क्लिनिकल अहवालांच्या सूक्ष्म भाषेतून रोगाचे अचूक वर्गीकरण करणे, विशेषत: जनरेटिव्ह एआय वापरताना, एक महत्त्वपूर्ण अडथळा निर्माण झाला.
भाष्य गुणवत्ता
लेबल स्टुडिओ टूलमध्ये उच्च-गुणवत्तेची, अचूक भाष्ये सुनिश्चित करण्यासाठी विशेष ज्ञान आणि वैद्यकीय रोग स्थितींचे आकलन आवश्यक आहे.
उपाय
या आव्हानांना तोंड देण्यासाठी शैपने एक व्यापक रणनीती वापरली:
- सुव्यवस्थित क्रेडेन्शियल: कार्यकुशलता आणि नैतिक संशोधन पद्धतींशी बांधिलकी दाखवून, टीमने MIMIC-CXR प्रवेशासाठी क्रेडेन्शियल प्रक्रिया त्वरीत नेव्हिगेट केली.
- मार्गदर्शक तत्त्वे विकास: LLM अंदाज भाष्य करताना सुसंगतता आणि गुणवत्ता सुनिश्चित करण्यासाठी मॅन्युअल प्रमाणीकरणकर्त्यांसाठी अंतर्दृष्टीपूर्ण मार्गदर्शक तत्त्वे विकसित केली आहेत.
- AI अंदाजांवर तज्ञ भाष्ये: वैद्यकीय निपुणतेने समर्थित लेबल स्टुडिओ वापरून LLM अंदाजांचे काळजीपूर्वक मॅन्युअल प्रमाणीकरण आणि दुरुस्तीकरण केले.
- कामगिरी मेट्रिक्स: तपशीलवार विश्लेषणाद्वारे, शैपने LLM च्या कार्यप्रदर्शन मेट्रिक्सची गणना केली जसे की एकरूपता, अचूकता, रिकॉल आणि F1 स्कोअर, ज्यामुळे सतत सुधारणा करणे शक्य होते.
परिणाम
- वर्धित अचूकता रेडिओलॉजी अहवालांवरून रोग परिस्थितीचा अंदाज लावण्यासाठी.
- विकास एक उच्च दर्जाचे ग्राउंड सत्य भविष्यातील उत्पादन विकासासाठी डेटासेट आणि जनरेटिव्ह एआय अंदाजांचे मूल्यांकन.
- समज सुधारली रोगाची स्थिती ओळखणे, अधिक विश्वासार्ह अंदाज सुलभ करणे.
केस 1 वापरा: मशीन लर्निंग मॉडेल प्रमाणीकरण
परिस्थिती: जनरेटिव्ह एआयच्या साहाय्याने न्यूमोनियाच्या अंदाजाची अचूकता वाढवणे. या उदाहरणात, एका जनरेटिव्ह एआय मॉडेलने न्यूमोनियाची लक्षणे शोधण्यासाठी छातीच्या एक्स-रे अहवालांची छाननी केली. "उजव्या फुफ्फुसाच्या खालच्या भागात वाढलेली अपारदर्शकता, जी संसर्गजन्य प्रक्रियेचे सूचक आहे" असे नमूद करणाऱ्या अहवालातील संदिग्ध शब्दरचनेमुळे, एआयने सुरुवातीला त्याचे "अनिश्चित" असे वर्गीकरण केले.
प्रमाणीकरण प्रक्रिया:
- AI ने हायलाइट केलेल्या मजकुरावर लक्ष केंद्रित करून वैद्यकीय तज्ञाने लेबल स्टुडिओमधील अहवालाचे परीक्षण केले.
- क्लिनिकल संदर्भाचे मूल्यमापन करून आणि रेडिओलॉजिकल ज्ञान लागू करून, तज्ञाने निमोनियासाठी निश्चित "पॉझिटिव्ह" म्हणून अहवालाचे पुनर्वर्गीकरण केले.
- ही तज्ञ सुधारणा पुन्हा AI मॉडेलमध्ये समाकलित केली गेली, ज्यामुळे त्याचे चालू शिक्षण आणि परिष्करण सुलभ झाले.
परिणाम:
- सुधारित मॉडेल अचूकता
- कार्यप्रदर्शन मेट्रिक्सची अचूकता आणि रिकॉल सुधारणे
केस 2 वापरा: ग्राउंड ट्रुथ डेटासेट तयार करा
परिदृश्य: जनरेटिव्ह एआय वापरून कर्करोगाच्या टीएनएम स्टेजिंगसाठी एक बेंचमार्क डेटासेट तयार करणे
कर्करोगाच्या प्रगतीच्या उत्पादनाचा विकास करण्याच्या उद्देशाने, क्लायंटने सर्वसमावेशक ग्राउंड सत्य डेटासेट एकत्र करण्याचा प्रयत्न केला. हा डेटासेट क्लिनिकल कथांमधून कर्करोगाच्या TNM स्टेजिंगचा अचूक अंदाज लावण्यासाठी नवीन AI मॉडेल्सचे प्रशिक्षण आणि मूल्यांकन बेंचमार्क करेल.
डेटासेट निर्मिती प्रक्रिया:
- पॅथॉलॉजी निष्कर्ष आणि निदान विहंगावलोकन यासह कर्करोग-संबंधित अहवालांचे विस्तृत स्पेक्ट्रम एकत्रित केले गेले.
- जनरेटिव्ह एआय मॉडेलने प्रत्येक अहवालासाठी प्रारंभिक TNM स्टेजिंग अंदाज प्रदान केले, त्याच्या शिकलेल्या नमुन्यांचा आणि ज्ञानाचा फायदा घेतला.
- वैद्यकीय व्यावसायिकांनी अचूकतेसाठी, त्रुटी सुधारण्यासाठी आणि अपूर्ण किंवा चुकीच्या AI अंदाजांच्या बाबतीत पूरक माहितीसाठी या AI-व्युत्पन्न अंदाजांचे पुनरावलोकन केले.
परिणाम:
- उच्च-गुणवत्तेच्या ग्राउंड ट्रुथ डेटासेटची निर्मिती.
- कर्करोग निदान आणि स्टेजिंगवर पुढील-जनरल मॉडेल्सच्या शुद्धीकरणासाठी भविष्यातील उत्पादनांसाठी पाया.
Shaip सोबत काम केल्याने रोगाचा अंदाज लावण्याच्या आमच्या दृष्टिकोनात क्रांती झाली आहे. Shaip च्या डोमेन तज्ञांनी केलेल्या भाष्यांमुळे आमच्या मॉडेल्सची अचूकता आणि विश्वासार्हता लक्षणीयरीत्या सुधारली आहे. त्यांच्या सूक्ष्म प्रमाणीकरण प्रक्रियेबद्दल धन्यवाद.