یک روند نوظهور در تقاطع هوش مصنوعی (AI) و مراقبت های بهداشتی ، تقویت قابلیت های LLM های استاندارد (مدل های بزرگ زبان) با استفاده از مجموعه داده های آموزش با کیفیت بالاتر و برنامه نویسی سفارشی است. یک مطالعه جدید منتشر شده در شبکه جاما باز است نشان داد که چگونه یک مدل زبان بزرگ پیشرفته (LLM) تمام قسمت های آزمون مجوز پزشکی ایالات متحده (USMLE) را با امتیازاتی که از اکثر پزشکان و سایر ابزارهای موجود در AI استفاده می کند ، گذراند.

روند فزاینده ای برای ارزیابی LLMS برای استفاده در مراقبت های بهداشتی وجود دارد. براساس یک نظرسنجی توسط Statista که در سال 2024 انجام شده است ، 18 ٪ از پاسخ دهندگان که در مراقبت های بهداشتی کار می کنند از LLMS برای تحقیقات زیست پزشکی استفاده می کردند و حداقل یک پنجم از چت های پزشکی و LLMS استفاده می کردند تا به سؤالات بیماران پاسخ دهند.

“Improving LLM performance in health care with targeted, up-to-date clinical knowledge is an important step in LLM implementation and acceptance,” wrote lead author Peter L. Elkin, MD, along with co-authors Guresh Mehta, Frank LeHouillier, Melissa Resnick, Sarah Mullin, Crystal Tomlin, Skyler Resendez, Jiaxing Liu, Jonathan Nebeker, and Steven Brown.

AI و LLMS در مراقبت های بهداشتی

هوش مصنوعی به سرعت در حال مختل کردن مراقبت های بهداشتی است. هنگامی که Openai در تاریخ 30 نوامبر 2022 Chatbot Chatgpt خود را به عموم مردم آزاد کرد ، ضرب المثل ضرب المثل در بطری آزاد شد و دیگر بازگشت به آنجا نبود. Chatgpt رکورد ها را شکست و فقط یک هفته یک میلیون کاربر را به دست آورد و طی دو ماه با توجه به ارقام UBS 100 میلیون کاربر داشت. نمونه هایی از LLM ها شامل Llama Meta ، Google's Bert ، Bard ، Gemini و Lamda ، Google Ai's Palm 2 (Bison-001) ، Claude Anthropic's ، موسسه نوآوری فناوری (TII) ، Falcon ، Cohere ، Orca Microsoft ، Guanaco ، Vicuna by Caldysy ، 30B LMSYS ، MPT-30B ، MPT-30B. محققان ، جادوگر ، دانشگاه استنفورد ALPACA 7B و بسیاری دیگر.

بسیاری از بیمارستان ها در حال حاضر در حال استفاده از هوش مصنوعی هستند یا در حال ارزیابی استفاده از یادگیری ماشین در سراسر جهان هستند. با توجه به شاخص سلامت آینده 2024 گزارش جهانی مبنی بر بررسی نزدیک به 3000 رهبر مراقبت های بهداشتی از 14 کشور ، پاسخ دهندگان گزارش می دهند که AI قبلاً توسط تقریباً 43 ٪ برای نظارت بر بیمار در بیمارستان ، 37 ٪ برای برنامه ریزی دارو ، 37 ٪ برای برنامه ریزی درمانی ، 36 ٪ برای رادیولوژی ، 36 ٪ برای مراقبت های پیشگیرانه ، 33 ٪ برای آسیب شناسی از راه دور ، نظارت بر بیمار از راه دور ، و 32 ٪ برای ماهیت های بالینی انجام شده است.

به عنوان مثال ، کلینیک مایو دارای بیش از 200 پروژه هوش مصنوعی ، از جمله ایجاد مدل ها برای تشخیص زودرس اضطراب ، افسردگی ، بیماری عصبی عضلانی ، سرطان پستان ، سرطان لوزالمعده و بیماری های قلبی عروقی است. دانشگاه و پزشکی جان هاپکینز در حال آزمایش استفاده از هوش مصنوعی به عنوان ابزاری بالینی برای جمع بندی نمودارهای پزشکی بیمار ، مستندات بالینی ، پیش نویس پاسخ به پیام های بیمار و طبقه بندی و اختصاص پیام های دریافتی است. پزشکان در General General Brigham در حال حاضر امکان استفاده از هوش مصنوعی را برای پیش بینی خطر بدخیمی ضایعات شفاهی و چتپ به دلیل توصیه خدمات تصویربرداری برای بیماران مبتلا به درد پستان و سرطان پستان و پاسخ دادن به سؤالات بیمار کولونوسکوپی ارزیابی می کنند. پزشک ژنرال بریگام وسیلا کوواچوا ، دکتر ، دکتری. در حال ایجاد یک الگوریتم یادگیری ماشین هوش مصنوعی برای اتوماسیون تجویز بیهوشی به مادران باردار است که قصد دارند بخش سزارین (بخش های C) داشته باشند. دانشگاه کالیفرنیا سن دیگو سلامت اخیراً منتشر شده است مجله پزشکی نیوانگلند مجله nejm ai مطالعه ای که نشان می دهد چگونه LLM ها می توانند از داده های ورودی از منابع فعال سازی مراقبت های بهداشتی سریع برای خروجی سپسیس شدید و انتزاع مدیریت شوک سپتیک (SEP-1) با دقت بالا استفاده کنند.

آیا LLM ها واقعاً باهوش هستند؟

یادگیری ماشین هوش مصنوعی “یاد می گیرد” با شناسایی الگوهای از مجموعه داده های آموزش عظیم به جای تکیه بر دستورالعمل های برنامه نویسی صریح ، به دنبال پیش بینی ها می آموزد. مدل های بزرگ زبان نوعی برنامه یادگیری ماشین هوش مصنوعی است.

LLM ها شبکه های عصبی مصنوعی متشکل از الگوریتم های یادگیری عمیق با مکانیسم های توجه هستند که به منظور “یادگیری” به اندازه کافی برای پیش بینی کلمه یا توکن در دنباله در هنگام ارائه متن قبلی ، از قبل در مجموعه داده های عظیم آموزش داده می شوند.

مدلهای استاندارد زبان بزرگ ممکن است باهوش و قادر به استدلال پیچیده به نظر برسند ، با این حال ، در واقعیت LLM های استاندارد تا حد زیادی به قابلیت های تشخیص الگوی برای انجام پیش بینی ها متکی هستند ، که شبیه به یک حدس خوب است.

محققان نوشتند: “مدلهای بزرگ زبان (LLMS) در مراقبت های بهداشتی اجرا می شوند ،” دقت و روشهای پیشرفته برای حفظ دقت در طول زمان برای به حداکثر رساندن مزایای LLM مورد نیاز است. “

چگونه دقت هوش مصنوعی را بهبود بخشیم؟

در حال حاضر چندین روش متنوع برای بهبود عملکرد مدل های AI وجود دارد. مثالها شامل افزایش اندازه و کیفیت مجموعه داده های آموزش ، اضافه کردن پارامترهای بیشتر به خود مدل AI و تقویت قدرت محاسباتی در طول آموزش است. به طور خاص برای LLM ها ، پیشرفت های عملکرد با تنظیم ، تقطیر سریع و تکنیک های سریع مهندسی حاصل می شود.

برای این مطالعه جدید ، محققان تصمیم گرفتند LLM های بومی را با دانش بالینی مربوطه با استفاده از نسل بازیابی-اوج (RAG) ، یک روش پردازش زبان طبیعی (NLP) تقویت کنند که با مراجعه به یک پایگاه دانش در خارج از داده های آموزشی خود قبل از ایجاد پاسخ ، خروجی LLM را بهینه می کند.

مزایای بسیاری برای استفاده از نسل بازیابی شده برای بهبود عملکرد LLM وجود دارد. RAG انعطاف پذیری بیشتری را برای تغییر و مدیریت منابع داده ورودی برای LLM ها امکان پذیر می کند. با استفاده از RAG ، یک LLM می تواند به روزترین اطلاعات را از منابع داده زنده مانند مخازن داده به طور منظم به روز شده ، سایت های خبری ، مجلات ، نشریات ، تحقیق و رسانه های اجتماعی بدست آورد. RAG همچنین می تواند استنادها ، منابع و انتساب منبع را برای افزایش شفافیت مدل و هوش مصنوعی قابل توضیح فراهم کند.

محققان همچنین از ساختار داده ای به نام Triples معنایی استفاده کردند که داده ها را بر اساس موضوع ، رابطه و موضوع به منظور اطلاع رسانی LLM با زمینه غنی تر گروه بندی کردند.

این تیم تکنیک خود را SCAI نامید (تلفظ می شود آسمان) ، که برای هوش مصنوعی بالینی معنایی کوتاه است.

دانشمندان نوشتند: “فرضیه ما این بود که تقویت LLM های بومی با دانش بالینی مربوطه به عنوان سه گانه معنایی باعث بهبود دقت و کاهش همگرایی می شود.”

این تیم LLM های SCAI Rag -Enhed خود را با مدل پارامتر Llama 2 13B Meta's ، Llama 3 70B و Llama 3.1 405B در مورد سؤالات متنی از مراحل آزمایش مجوز پزشکی ایالات متحده 1 ، 2 و 3 آزمایش کردند.

دانشمندان نتیجه گرفتند: “در این مطالعه تحقیقاتی اثربخشی مقایسه ای ، ما دریافتیم که تقویت معنایی با استفاده از SCAI RAG با نمرات بهبود یافته در مراحل 1 ، 2 و 3 USMLE همراه است.”

با استفاده از این اثبات مفهوم ، مراحل بعدی گسترش روش SCAI RAG به LLM های بیشتر برای تعیین تعمیم قابلیت تکنیک خواهد بود.

با این نتایج مطالعه ، محققان تأکید می کنند که آنها معتقدند پزشکانی که از هوش مصنوعی استفاده می کنند ممکن است جایگزین کسانی شوند که این کار را نمی کنند ، و هوش مصنوعی به جای جایگزینی پزشکان انسانی ، به عنوان یک ابزار کمکی خدمت می کند. در آینده نه چندان دور پیش رو ، همکاری بین پزشکان انسانی و هوش مصنوعی ممکن است به جای استثناء به یک هنجار تبدیل شود.

کپی رایت © 2025 Cami Rosso کلیه حقوق محفوظ است.