การปรับปรุงโมเดลการทำนายการดูแลสุขภาพด้วย AI เชิงสร้างสรรค์
กรณีศึกษาเกี่ยวกับการตรวจพบโรคปอดบวมและการแบ่งระยะของมะเร็ง
ภาพรวมโครงการ
ในโดเมนของการดูแลสุขภาพที่ก้าวหน้าอย่างรวดเร็ว การใช้ AI เชิงสร้างสรรค์ โดยเฉพาะ Large Language Models (LLM) เพื่อทำนายสถานะโรคจากรายงานทางคลินิก ถือเป็นก้าวกระโดดที่สำคัญ ลูกค้าซึ่งเป็นผู้บุกเบิกในการวิเคราะห์สุขภาพ ได้เริ่มภารกิจในการปรับปรุงโมเดลการทำนายสถานะโรคของตน โดยใช้ประโยชน์จากฐานข้อมูล MIMIC CXR แบบโอเพ่นซอร์สและผสานการทำนาย AI เชิงสร้างสรรค์สำหรับการวิเคราะห์เบื้องต้น ตามด้วยการตรวจสอบด้วยตนเองด้วย Label Studio เป้าหมายคือการเพิ่มความแม่นยำและความน่าเชื่อถือของโมเดลสำหรับการวิเคราะห์รายงานทางคลินิก โดยเฉพาะรายงานรังสีวิทยา
ชาเลนจ์ (Challenge)
การรวมการคาดการณ์ AI เชิงสร้างสรรค์เข้ากับเวิร์กโฟลว์การดูแลสุขภาพก่อให้เกิดความท้าทายมากมาย:
การเข้าถึงข้อมูลและความปลอดภัย
การรักษาความปลอดภัยในการเข้าถึงชุดข้อมูลทางการแพทย์โอเพ่นซอร์สคุณภาพสูง เช่น MIMIC-CXR ต้องมีกระบวนการรับรองที่เข้มงวดซึ่งต้องรับประกันว่าเป็นไปตามมาตรฐานความเป็นส่วนตัวและจริยธรรม
ความแม่นยำในการทำนาย
ผลลัพธ์เริ่มต้นจากโมเดล AI เชิงสร้างสรรค์บางครั้งแสดงให้เห็นถึงความไม่แม่นยำในการคาดการณ์สภาวะของโรค ซึ่งจำเป็นต้องมีการตรวจสอบด้วยตนเองเพื่อความแม่นยำที่เพิ่มขึ้น
การระบุสถานะโรคที่ซับซ้อน
การจัดหมวดหมู่ภาวะโรคอย่างแม่นยำจากภาษาที่มีความละเอียดอ่อนของรายงานทางคลินิก โดยเฉพาะอย่างยิ่งเมื่อใช้ AI เชิงสร้างสรรค์ ถือเป็นอุปสรรคที่สำคัญ
คุณภาพของคำอธิบายประกอบ
การรับประกันคำอธิบายประกอบที่แม่นยำและมีคุณภาพสูงภายในเครื่องมือ Label Studio จำเป็นต้องมีความรู้เฉพาะทางและความเข้าใจเกี่ยวกับสภาวะของโรคทางการแพทย์
Solution
Shaip ใช้กลยุทธ์ที่ครอบคลุมเพื่อแก้ไขความท้าทายเหล่านี้:
- การรับรองที่มีประสิทธิภาพ: ทีมงานได้ดำเนินการตามกระบวนการรับรองสำหรับการเข้าถึง MIMIC-CXR อย่างรวดเร็ว แสดงให้เห็นถึงประสิทธิภาพและความมุ่งมั่นในการปฏิบัติวิจัยที่มีจริยธรรม
- การพัฒนาแนวทางปฏิบัติ: พัฒนาแนวทางเชิงลึกสำหรับผู้ตรวจสอบด้วยตนเองเพื่อรับรองความสอดคล้องและคุณภาพในการใส่คำอธิบายการคาดการณ์ LLM
- คำอธิบายจากผู้เชี่ยวชาญเกี่ยวกับการคาดการณ์ของ AI: ใช้การตรวจสอบและแก้ไขด้วยตนเองอย่างพิถีพิถันในการทำนาย LLM โดยใช้ Label Studio พร้อมด้วยความเชี่ยวชาญทางการแพทย์
- การวัดประสิทธิภาพ: ผ่านการวิเคราะห์โดยละเอียด Shaip ได้คำนวณมาตรวัดประสิทธิภาพของ LLM เช่น ความสอดคล้อง ความแม่นยำ การเรียกคืน และคะแนน F1 ช่วยให้ปรับปรุงได้อย่างต่อเนื่อง
ผล
- ความแม่นยำที่เพิ่มขึ้น ในการคาดการณ์สภาวะโรคจากรายงานรังสีวิทยา
- พัฒนาการ ของ ความจริงภาคพื้นดินคุณภาพสูง ชุดข้อมูลสำหรับการพัฒนาผลิตภัณฑ์ในอนาคตและการประเมินการคาดการณ์ AI เชิงสร้างสรรค์
- ปรับปรุงความเข้าใจ การระบุสถานะโรคช่วยให้คาดการณ์ได้อย่างน่าเชื่อถือมากขึ้น
กรณีการใช้งาน 1: การตรวจสอบโมเดลการเรียนรู้ของเครื่อง
สถานการณ์จำลอง:การเพิ่มความแม่นยำในการทำนายโรคปอดบวมด้วย AI แบบสร้างภาพ ในกรณีนี้ โมเดล AI แบบสร้างภาพได้คัดกรองรายงานภาพเอกซเรย์ทรวงอกเพื่อตรวจหาสัญญาณของโรคปอดบวม รายงานที่ระบุว่า “ความทึบแสงเพิ่มขึ้นในกลีบปอดด้านล่างขวา บ่งชี้ถึงกระบวนการติดเชื้อ” ทำให้ AI จัดประเภทเบื้องต้นเป็น “ไม่แน่ใจ” เนื่องจากถ้อยคำในรายงานไม่ชัดเจน
กระบวนการตรวจสอบ:
- ผู้เชี่ยวชาญด้านการแพทย์ตรวจสอบรายงานภายใน Label Studio โดยเน้นที่ข้อความที่เน้นโดย AI
- โดยการประเมินบริบททางคลินิกและการใช้ความรู้ด้านรังสีวิทยา ผู้เชี่ยวชาญได้จัดประเภทรายงานใหม่เป็น "ผลบวก" ที่ชัดเจนสำหรับโรคปอดบวม
- การแก้ไขของผู้เชี่ยวชาญนี้ได้รับการบูรณาการกลับเข้าสู่โมเดล AI เพื่อช่วยให้การเรียนรู้และการปรับปรุงอย่างต่อเนื่องเป็นไปได้ง่ายขึ้น
ผลลัพธ์:
- ปรับปรุงความแม่นยำของโมเดล
- การปรับปรุงความแม่นยำและการเรียกคืนของตัวชี้วัดประสิทธิภาพ
กรณีการใช้งาน 2: สร้างชุดข้อมูลพื้นฐาน
สถานการณ์จำลอง:การสร้างชุดข้อมูลมาตรฐานสำหรับการจำแนกระยะของมะเร็ง TNM ด้วยปัญญาประดิษฐ์เชิงสร้างสรรค์
ลูกค้ามุ่งมั่นที่จะพัฒนาผลิตภัณฑ์เพื่อการดำเนินโรคของมะเร็ง โดยรวบรวมชุดข้อมูลพื้นฐานที่ครอบคลุม ชุดข้อมูลนี้จะใช้เป็นมาตรฐานในการฝึกอบรมและประเมินโมเดล AI ใหม่ๆ เพื่อทำนายระยะ TNM ของมะเร็งจากข้อมูลทางคลินิกได้อย่างแม่นยำ
กระบวนการสร้างชุดข้อมูล:
- มีการรวบรวมรายงานที่เกี่ยวข้องกับมะเร็งหลากหลายประเภท รวมถึงผลการตรวจทางพยาธิวิทยาและภาพรวมการวินิจฉัย
- โมเดล AI เชิงสร้างสรรค์ให้การทำนายขั้นตอน TNM เบื้องต้นสำหรับแต่ละรายงานโดยใช้ประโยชน์จากรูปแบบและความรู้ที่เรียนรู้
- ผู้เชี่ยวชาญทางการแพทย์ได้ตรวจสอบความแม่นยำของการทำนายที่สร้างโดย AI แก้ไขข้อผิดพลาด และเสริมข้อมูลในกรณีที่การทำนายโดย AI ไม่ครบถ้วนหรือไม่ถูกต้อง
ผลลัพธ์:
- การสร้างชุดข้อมูลพื้นฐานที่มีคุณภาพสูง
- มูลนิธิเพื่อผลิตภัณฑ์ในอนาคตเพื่อการปรับปรุงโมเดลรุ่นถัดไปในการวินิจฉัยและระยะโรคมะเร็ง
การทำงานร่วมกับ Shaip ได้ปฏิวัติแนวทางของเราในการคาดการณ์โรค ความแม่นยำและความน่าเชื่อถือของโมเดลของเราได้รับการปรับปรุงอย่างมีนัยสำคัญด้วยคำอธิบายประกอบที่ดำเนินการโดยผู้เชี่ยวชาญในสาขาของ Shaip ขอบคุณกระบวนการตรวจสอบที่พิถีพิถันของพวกเขา
