Üretken Yapay Zeka ile Sağlık Bakımı Tahmin Modellerinin Geliştirilmesi
Zatürre Tespiti ve Kanser Evrelemesi Üzerine Bir Vaka Çalışması
Projeye Genel Bakış
Hızla ilerleyen sağlık alanında, özellikle Büyük Dil Modelleri (LLM'ler) olmak üzere üretken AI'nın klinik raporlardan hastalık durumlarını tahmin etmek için kullanılması önemli bir ilerlemeyi işaret ediyor. Sağlık analitiğinde öncü olan müşteri, hastalık durumu tahmin modellerini geliştirmek için bir göreve başladı. Açık kaynaklı MIMIC CXR veritabanından yararlanarak ve ilk analiz için üretken AI tahminlerini dahil ederek, ardından Label Studio ile manuel doğrulama yaparak, hedef, özellikle radyoloji raporları olmak üzere klinik rapor analizleri için model doğruluğunu ve güvenilirliğini artırmaktı.
Meydan Okumalar
Üretken yapay zeka tahminlerinin sağlık iş akışlarına entegre edilmesi çok sayıda zorluğu beraberinde getirdi:
Veri Erişimi ve Güvenliği
MIMIC-CXR gibi yüksek kaliteli, açık kaynaklı tıbbi veri kümelerine erişimin güvence altına alınması, gizlilik ve etik standartlara uyumu garanti eden titiz bir kimlik doğrulama sürecini gerektiriyordu.
Tahmin Doğruluğu
Üretken yapay zeka modellerinden elde edilen ilk çıktılar, hastalık durumu tahminlerinde zaman zaman yanlışlıklar gösterdi ve bu durum, daha yüksek hassasiyet için manuel kontrollerin yapılmasını gerektirdi.
Karmaşık Hastalık Durumu Tanımlaması
Özellikle üretken yapay zeka kullanıldığında, klinik raporların nüanslı dilinden hastalık durumlarını doğru bir şekilde sınıflandırmak önemli bir engel teşkil ediyordu.
Açıklama Kalitesi
Label Studio aracında yüksek kaliteli ve doğru ek açıklamaların sağlanması, tıbbi hastalık durumları hakkında özel bilgi ve anlayış gerektiriyordu.
Çözüm
Shaip, bu zorlukları ele almak için kapsamlı bir strateji uyguladı:
- Basitleştirilmiş Kimlik Bilgileri: Ekip, MIMIC-CXR erişimi için kimlik doğrulama sürecini hızla yöneterek verimlilik ve etik araştırma uygulamalarına bağlılık gösterdi.
- Kılavuz Geliştirme: LLM tahminlerini açıklamada tutarlılık ve kaliteyi garantilemek için manuel doğrulayıcılar için bilgilendirici yönergeler geliştirildi.
- Yapay Zeka Tahminleri Üzerine Uzman Açıklamaları: Tıbbi uzmanlığın desteğiyle, Label Studio kullanılarak LLM tahminlerinin titizlikle manuel olarak doğrulanması ve düzeltilmesi sağlandı.
- Performans Ölçütleri: Shaip, detaylı analizler yoluyla LLM'nin uyumluluk, kesinlik, geri çağırma ve F1 puanı gibi performans ölçütlerini hesaplayarak sürekli iyileştirmeye olanak sağladı.
Sonuç
- Gelişmiş doğruluk radyoloji raporlarından hastalık durumlarının tahmin edilmesinde.
- gelişme bir bölgesinin yüksek kaliteli zemin gerçeği Gelecekteki ürün geliştirme ve üretken yapay zeka tahminlerinin değerlendirilmesi için veri seti.
- Geliştirilmiş anlayış hastalık durumunun belirlenmesinde daha güvenilir tahminlerin yapılmasını kolaylaştırır.
Kullanım Örneği 1: Makine Öğrenmesi Model Doğrulaması
Senaryo: Üretken AI ile Zatürre Tahmin Doğruluğunun Artırılması Bu örnekte, üretken bir AI modeli zatürre belirtilerini tespit etmek için göğüs röntgeni raporlarını inceledi. "Sağ alt lobda bulaşıcı bir süreci düşündüren artan opaklık" notunu alan bir rapor, raporun belirsiz ifadeleri nedeniyle AI tarafından başlangıçta "Belirsiz" sınıflandırmasına yol açtı.
Doğrulama Süreci:
- Tıbbi bir uzman, yapay zekanın vurguladığı metne odaklanarak raporu Label Studio içerisinde inceledi.
- Klinik bağlamı değerlendirip radyolojik bilgiyi uygulayan uzman, raporu pnömoni açısından kesin “Pozitif” olarak yeniden sınıflandırdı.
- Bu uzman düzeltmesi yapay zeka modeline tekrar entegre edilerek, modelin sürekli öğrenmesi ve iyileştirilmesi kolaylaştırıldı.
Sonuçlar:
- Geliştirilmiş Model Doğruluğu
- Performans Ölçümlerinin hassasiyetini ve geri çağırmayı iyileştirme
Kullanım Örneği 2: Zemin Gerçeği Veri Kümesi Oluşturun
Senaryo: Üretken Yapay Zeka ile Kanser TNM Evrelemesi için Bir Ölçüt Veri Seti Oluşturma
Kanser ilerlemesi ürün geliştirmeyi ilerletmeyi amaçlayan müşteri, kapsamlı bir temel gerçek veri seti oluşturmayı amaçladı. Bu veri seti, klinik anlatılardan kanserin TNM evrelemesini doğru bir şekilde tahmin etmek için yeni AI modellerinin eğitimi ve değerlendirmesinin ölçütünü belirleyecekti.
Veri Seti Oluşturma Süreci:
- Patoloji bulguları ve tanısal özetler de dahil olmak üzere kanserle ilgili geniş yelpazede raporlar toplandı.
- Üretken AI modeli, öğrenilmiş kalıpları ve bilgisini kullanarak her rapor için ilk TNM evreleme tahminlerini sağladı.
- Tıbbi uzmanlar, doğruluk açısından bu yapay zeka tarafından üretilen tahminleri gözden geçirdiler, hataları düzelttiler ve eksik veya yanlış yapay zeka tahminleri durumunda bilgileri tamamladılar.
Sonuçlar:
- Yüksek Kaliteli Bir Gerçek Veri Setinin Oluşturulması.
- Kanser teşhisi ve evrelemesi için yeni nesil modellerin geliştirilmesi amacıyla Geleceğin Ürünleri Vakfı.
Shaip ile çalışmak hastalık tahminine yaklaşımımızda devrim yarattı. Modellerimizin hassasiyeti ve güvenilirliği, Shaip'in alan uzmanları tarafından gerçekleştirilen açıklamalarla önemli ölçüde iyileşti. Titiz doğrulama süreçleri sayesinde.
