تحسين نماذج التنبؤ بالرعاية الصحية باستخدام الذكاء الاصطناعي التوليدي

دراسة حالة حول اكتشاف الالتهاب الرئوي وتحديد مرحلة السرطان

نظرة عامة على المشروع

في مجال الرعاية الصحية الذي يشهد تقدمًا سريعًا، يمثل استخدام الذكاء الاصطناعي التوليدي، وخاصة نماذج اللغة الكبيرة (LLMs)، للتنبؤ بحالات المرض من التقارير السريرية قفزة كبيرة إلى الأمام. شرع العميل، وهو رائد في تحليلات الصحة، في مهمة لتحسين نماذج التنبؤ بحالة المرض الخاصة به. من خلال الاستفادة من قاعدة بيانات MIMIC CXR مفتوحة المصدر ودمج تنبؤات الذكاء الاصطناعي التوليدي للتحليل الأولي، متبوعًا بالتحقق اليدوي باستخدام Label Studio، كان الهدف هو تعزيز دقة النموذج وموثوقيته لتحليلات التقارير السريرية، وخاصة تقارير الأشعة.

التحديات

أدى دمج تنبؤات الذكاء الاصطناعي التوليدية في سير عمل الرعاية الصحية إلى ظهور العديد من التحديات:

الوصول إلى البيانات والأمان

تطلب تأمين الوصول إلى مجموعات البيانات الطبية عالية الجودة والمفتوحة المصدر مثل MIMIC-CXR عملية اعتماد صارمة، مما يضمن الامتثال لمعايير الخصوصية والأخلاق.

دقة التنبؤ

أظهرت المخرجات الأولية من نماذج الذكاء الاصطناعي التوليدي أحيانًا عدم دقة في التنبؤ بحالة المرض، مما استلزم إجراء فحوصات يدوية لتحسين الدقة.

تحديد حالة المرض المعقدة

لقد شكل التصنيف الدقيق لحالات المرض من خلال اللغة الدقيقة للتقارير السريرية، وخاصة عند استخدام الذكاء الاصطناعي التوليدي، عقبة كبيرة.

جودة التعليقات التوضيحية

يتطلب ضمان التعليقات التوضيحية الدقيقة وعالية الجودة داخل أداة Label Studio معرفة متخصصة وفهمًا لحالات الأمراض الطبية.

الحلول

وقد استخدم شايب استراتيجية شاملة لمواجهة هذه التحديات:

تبسيط عملية اعتماد البيانات: نجح الفريق بسرعة في اجتياز عملية اعتماد الوصول إلى MIMIC-CXR، مما يدل على الكفاءة والالتزام بممارسات البحث الأخلاقية.
تطوير المبادئ التوجيهية: تم تطوير إرشادات مفيدة للمحققين اليدويين لضمان الاتساق والجودة في شرح تنبؤات LLM.
تعليقات الخبراء على تنبؤات الذكاء الاصطناعي: تم استخدام التحقق اليدوي الدقيق وتصحيح توقعات LLM باستخدام Label Studio، بدعم من الخبرة الطبية.
مقاييس الأداء: من خلال التحليل التفصيلي، قام Shaip بحساب مقاييس أداء LLM مثل التوافق والدقة والاستدعاء ونتيجة F1، مما يتيح التحسين المستمر.

نتيجة

دقة محسنة في التنبؤ بالحالات المرضية من تقارير الأشعة.
التطوير من الحقيقة الأرضية عالية الجودة مجموعة بيانات لتطوير المنتجات المستقبلية وتقييم تنبؤات الذكاء الاصطناعي التوليدية.
تحسين الفهم تحديد حالة المرض، مما يسهل التنبؤات بشكل أكثر موثوقية.

حالة الاستخدام 1: التحقق من صحة نموذج التعلم الآلي

السيناريو: تحسين دقة التنبؤ بالالتهاب الرئوي باستخدام الذكاء الاصطناعي التوليدي في هذه الحالة، قام نموذج الذكاء الاصطناعي التوليدي بفحص تقارير الأشعة السينية للصدر للكشف عن علامات الالتهاب الرئوي. وقد دفع تقرير يشير إلى "زيادة التعتيم في الفص السفلي الأيمن، مما يشير إلى عملية معدية" الذكاء الاصطناعي إلى تصنيف "غير مؤكد" في البداية بسبب صياغة التقرير الغامضة.

عملية التحقق:

قام خبير طبي بفحص التقرير داخل Label Studio، مع التركيز على النص المميز بواسطة الذكاء الاصطناعي.
ومن خلال تقييم السياق السريري وتطبيق المعرفة الإشعاعية، أعاد الخبير تصنيف التقرير على أنه "إيجابي" نهائي للالتهاب الرئوي.
تم دمج هذا التصحيح الخبير مرة أخرى في نموذج الذكاء الاصطناعي، مما يسهل التعلم المستمر وتحسينه.

النتائج:

تحسين دقة النموذج
تحسين دقة مقاييس الأداء واستدعائها

حالة الاستخدام 2: إنشاء مجموعة بيانات الحقيقة الأساسية

السيناريو: إنشاء مجموعة بيانات مرجعية لتحديد مرحلة تطور السرطان باستخدام الذكاء الاصطناعي التوليدي

بهدف تعزيز تطوير منتجات تطور السرطان، سعى العميل إلى تجميع مجموعة بيانات شاملة للواقع. ستُعَد هذه المجموعة من البيانات بمثابة معيار لتدريب وتقييم نماذج الذكاء الاصطناعي الجديدة للتنبؤ بدقة بمرحلة تطور السرطان وفقًا لـ TNM من السرديات السريرية.

عملية إنشاء مجموعة البيانات:

تم جمع مجموعة واسعة من التقارير المتعلقة بالسرطان، بما في ذلك النتائج المرضية والنظرة العامة التشخيصية.
قدم نموذج الذكاء الاصطناعي التوليدي تنبؤات أولية لمرحلة TNM لكل تقرير، مستفيدًا من الأنماط والمعرفة المكتسبة.
قام المتخصصون في المجال الطبي بمراجعة هذه التنبؤات التي تم إنشاؤها بواسطة الذكاء الاصطناعي للتأكد من دقتها، وتصحيح الأخطاء، واستكمال المعلومات في حالات التنبؤات غير المكتملة أو غير الصحيحة للذكاء الاصطناعي.