Klīniskā AI rīku rezultāti novērtē visu laiku augstāko medicīniskās licencēšanas eksāmenu Amerikas Savienotajās Valstīs

Klīniskā AI rīku rezultāti novērtē visu laiku augstāko medicīniskās licencēšanas eksāmenu Amerikas Savienotajās Valstīs

Spēcīgs klīniskā mākslīgā intelekta rīks, ko izstrādājuši Bufalo Universitātes biomedicīnas informātikas pētniekiJama tīkls ir atvērts.

Sasniedzot augstākus rezultātus par USMLE nekā lielākajai daļai ārstu un visiem citiem AI rīkiem līdz šim, semantiskais klīniskais mākslīgais intelekts (SCAI, izrunā "Sky") var kļūt par būtisku ārstu partneri, saka vadošais autors Pīters L. Elkins, MD, Biomedicīnas informātikas katedras vadītājs Džeikobsas medicīnas un biomedicīnas zinātņu skolā UB MD.

Saskaņā ar Elkin teikto, SCAI ir līdz šim precīzākais klīniskais AI rīks, kas ir ieguvis vismodernāko versiju USMLE 3. solī, savukārt GPT4 Omni rīks tajā pašā testā ieguva 90,5%.

Kā ārsti mēs esam pieraduši izmantot datorus kā rīkus, bet SCAI ir atšķirīgs. Tas var palielināt jūsu lēmumu pieņemšanu un domāšanu, pamatojoties uz saviem argumentiem. "

Pīters L. Elkins, MD, UB Džeikobsas Medicīnas un biomedicīnas zinātņu skolas Biomedicīnas informātikas katedras vadītājs

Šis rīks var atbildēt uz medicīniskiem jautājumiem, ko uzdod ārsti vai sabiedrība

Pētnieki pārbaudīja modeli, salīdzinot ar USMLE, kas ir nepieciešama ārstu licencēšanai visā valstī, kas novērtē ārsta spēju pielietot zināšanas, koncepcijas un principus un demonstrēt pamata uz pacientu vērstas prasmes. Jautājumi ar vizuālo komponentu ir novērsti.

Elkins skaidro, ka lielākā daļa AI rīku strādā ar statistiku, lai atrastu asociācijas tiešsaistes datos, ko viņi var izmantot, lai atbildētu uz jautājumu. "Mēs šos rīkus saucam par ģeneratīvu mākslīgo intelektu," viņš saka. "Daži ir postulējuši, ka viņi tikai plaģiātu, kas atrodas internetā, jo atbildes, ko viņi jums sniedz, ir tādas, ko rakstījuši citi." Tomēr šie AI modeļi tagad kļūst par aprūpes partneriem, nevis vienkāršiem rīkiem, kurus ārsti var izmantot savā praksē, viņš saka.

"Bet Scai atbild uz sarežģītākiem jautājumiem un veic sarežģītāku semantisko spriešanu," viņš saka: "Mēs esam radījuši zināšanu avotus, kas var vairāk līdzināties tam, kā cilvēki mācās medicīnas skolā."

Komanda sāka ar iepriekš izstrādātu dabiskās valodas apstrādes programmatūru. Viņi pievienoja lielu daudzumu autoritatīvas klīniskās informācijas, kas iegūta no ļoti atšķirīgiem avotiem, sākot no jaunākās medicīniskās literatūras un klīniskajām vadlīnijām līdz genoma datiem, informācijai par zālēm, izrakstīšanas ieteikumiem, pacientu drošības datiem un daudz ko citu. Netika iekļauti nekādi dati, kas varētu būt neobjektīvi, piemēram: B. klīniskās piezīmes.

13 miljoni medicīnisku faktu

SCAI satur 13 miljonus medicīnisku faktu, kā arī visas iespējamās mijiedarbības starp šiem faktiem. Komanda izmantoja pamata klīniskos faktus, kas pazīstami kā semantiskie trīskārši (subjekta un objekta attiecības, piemēram, "penicilīns ārstē pneimokoku pneimoniju") semantiskos tīklus. Pēc tam rīks var attēlot šos semantiskos tīklus tā, lai no tiem varētu izdarīt loģiskus secinājumus.

"Mēs mācījām lielo valodu modeļus, kā izmantot semantisko pamatojumu," saka Elkins.

Citas metodes, kas veicināja SCAI, ietver zināšanu diagrammas, kas paredzētas jaunām saitēm medicīniskajos datos, kā arī iepriekš "slēptiem" modeļiem, kā arī izguves ģenerēšanas panākšanu, kas ļauj lielajam valodas modelim ātri piekļūt informācijai no ārējām zināšanu bāzēm un iekļaut to. Tas samazina “konfabulāciju”, AI rīku tendenci vienmēr reaģēt uz uzvedni pat tad, ja tā nesniedz pietiekami daudz informācijas, lai turpinātu.

Elkins piebilst, ka formālās semantikas izmantošana, lai informētu par lielo valodas modeli, nodrošina svarīgu kontekstu, kas nepieciešams SCAI, lai precīzāk saprastu konkrētu jautājumu un atbildētu uz to.

"Tam var būt saruna ar jums."

"SCAI atšķiras no citiem lieliem valodu modeļiem, jo ​​tas var sarunāties ar jums un kā cilvēka un datora partnerība var palielināt jūsu lēmumu pieņemšanu un domāšanu, pamatojoties uz saviem argumentiem," saka Elkins.

Viņš secina: "Lielajiem valodu modeļiem pievienojot semantiku, mēs nodrošinām tiem spēju spriest līdzīgi kā praktizējot uz pierādījumiem balstītu medicīnu."

Tā kā SCAI var piekļūt tik lielam datu apjomam, tā var arī uzlabot pacientu drošību, uzlabot piekļuvi aprūpei un "demokratizēt speciālo aprūpi", saka Elkins, padarot specializēto un apakšspecialitātes medicīnisko informāciju pieejamu primārajai aprūpei un pat pacientiem.

Lai gan Scai spēks ir iespaidīgs, Elkins uzsver, ka tā misija ir palielināt, nevis aizstāt ārstus.

"Mākslīgais intelekts neaizstās ārstus," viņš saka, "ārsts, kurš izmanto AI, var aizstāt ārstu, kurš to nedara."

Papildus Elkinam UB līdzautori no Biomedicīnas informātikas katedras ir Guresh Mehta; Frenks Lehouillier; Melisa Resnick, PhD; Crystal Tomlin, PhD; Skyler Resendez, PhD; un Jiaxing Liu.

Sarah Mullin, PhD, Roswell Park Comprehensive Cancer Center, un Džonatans R. Nebekers, MD, un Stīvens H. Brauns, MD, abi ir veterānu lietu departamenta līdzautori.

Darbs tika finansēts no Nacionālo veselības institūtu un Veterānu lietu departamenta dotācijām.

Avoti: