Mempertingkatkan Model Ramalan Penjagaan Kesihatan dengan Generatif AI

Kajian Kes Mengenai Pengesanan Pneumonia dan Peringkat Kanser

Muat turun Kajian Kes
Penjagaan kesihatan ramalan

Gambaran Keseluruhan projek

Dalam domain penjagaan kesihatan yang berkembang pesat, menggunakan AI generatif, terutamanya Model Bahasa Besar (LLM), untuk meramalkan keadaan penyakit daripada laporan klinikal menandakan lonjakan yang besar ke hadapan. Pelanggan, pelopor dalam analisis kesihatan, memulakan misi untuk memperhalusi model ramalan keadaan penyakit mereka. Dengan memanfaatkan pangkalan data MIMIC CXR sumber terbuka dan menggabungkan ramalan AI generatif untuk analisis awal, diikuti dengan pengesahan manual dengan Label Studio, matlamatnya adalah untuk meningkatkan ketepatan model dan kebolehpercayaan untuk analisis laporan klinikal, terutamanya laporan radiologi.

Cabaran

Mengintegrasikan ramalan AI generatif ke dalam aliran kerja penjagaan kesihatan memberikan pelbagai cabaran:

Akses dan Keselamatan Data

Menjamin akses kepada set data perubatan sumber terbuka yang berkualiti tinggi seperti MIMIC-CXR memerlukan proses pengesahan yang ketat, memastikan pematuhan terhadap piawaian privasi dan etika.

Ketepatan Ramalan

Output awal daripada model AI generatif kadangkala menunjukkan ketidaktepatan dalam ramalan keadaan penyakit, yang memerlukan pemeriksaan manual untuk ketepatan yang dipertingkatkan.

Pengenalan Keadaan Penyakit Kompleks

Mengelaskan keadaan penyakit dengan tepat daripada bahasa laporan klinikal yang bernuansa, terutamanya apabila menggunakan AI generatif, menimbulkan halangan yang ketara.

Kualiti Anotasi

Memastikan anotasi yang berkualiti tinggi dan tepat dalam alat Studio Label memerlukan pengetahuan dan pemahaman khusus tentang keadaan penyakit perubatan.

Penyelesaian

Shaip menggunakan strategi yang komprehensif untuk menangani cabaran ini:

  • Pengesahan Diperkemas: Pasukan itu dengan pantas menavigasi proses pengesahan untuk akses MIMIC-CXR, menunjukkan kecekapan dan komitmen terhadap amalan penyelidikan beretika.
  • Pembangunan Garis Panduan: Membangunkan garis panduan berwawasan untuk pengesah manual bagi memastikan ketekalan dan kualiti dalam menganotasi ramalan LLM.
  • Anotasi Pakar tentang Ramalan AI: Menggunakan pengesahan manual yang teliti dan pembetulan ramalan LLM menggunakan Studio Label, disokong oleh kepakaran perubatan.
  • Metrik Prestasi: Melalui analisis terperinci, Shaip mengira metrik prestasi LLM seperti konkordans, ketepatan, ingatan semula dan skor F1, yang membolehkan peningkatan berterusan.

Hasil

  • Ketepatan dipertingkatkan dalam meramalkan keadaan penyakit daripada laporan radiologi.
  • pembangunan a kebenaran tanah yang berkualiti tinggi set data untuk pembangunan produk masa depan dan penilaian ramalan AI generatif.
  • Pemahaman yang lebih baik pengecaman keadaan penyakit, memudahkan ramalan yang lebih dipercayai.

Kes Penggunaan 1: Pengesahan Model Pembelajaran Mesin

Pengesahan Model Pembelajaran Mesin

Senario: Meningkatkan Ketepatan Ramalan Pneumonia dengan Generatif AI Dalam keadaan ini, model AI generatif menapis laporan X-ray dada untuk mengesan tanda-tanda radang paru-paru. Laporan yang menyatakan "Peningkatan kelegapan di lobus bawah kanan, menunjukkan proses berjangkit" mendorong pengelasan awal "Tidak Pasti" oleh AI disebabkan oleh frasa samar-samar laporan itu.

Proses Pengesahan:

  1. Pakar perubatan meneliti laporan dalam Label Studio, menumpukan pada teks yang diserlahkan oleh AI.
  2. Dengan menilai konteks klinikal dan menggunakan pengetahuan radiologi, pakar mengklasifikasikan semula laporan itu sebagai "Positif" muktamad untuk radang paru-paru.
  3. Pembetulan pakar ini telah disepadukan kembali ke dalam model AI, memudahkan pembelajaran dan penghalusannya yang berterusan.

Hasil:

  • Ketepatan Model yang Dipertingkatkan
  • Meningkatkan ketepatan dan ingatan semula Metrik Prestasi

Kes Penggunaan 2: Jana Set Data Kebenaran Dasar

Pengesahan Model Pembelajaran Mesin

Senario: Mencipta Set Data Penanda Aras untuk Peringkat TNM Kanser dengan Generatif AI

Bertujuan untuk memajukan pembangunan produk perkembangan kanser, pelanggan berusaha untuk mengumpulkan set data kebenaran asas yang komprehensif. Dataset ini akan menanda aras latihan dan penilaian model AI baharu untuk meramal dengan tepat peringkat TNM kanser daripada naratif klinikal.

Proses Penjanaan Set Data:

  1. Spektrum luas laporan berkaitan kanser, termasuk penemuan patologi dan gambaran keseluruhan diagnostik, telah dikumpulkan.
  2. Model AI generatif menyediakan ramalan pementasan TNM awal untuk setiap laporan, memanfaatkan corak dan pengetahuan yang dipelajarinya.
  3. Profesional perubatan menyemak ramalan yang dijana AI ini untuk ketepatan, membetulkan ralat dan menambah maklumat sekiranya ramalan AI yang tidak lengkap atau tidak betul.

Hasil:

  • Penciptaan Set Data Kebenaran Dasar Berkualiti Tinggi.
  • Asas untuk Produk Masa Depan untuk memperhalusi model generasi seterusnya mengenai diagnosis dan pementasan kanser.

Bekerjasama dengan Shaip telah merevolusikan pendekatan kami terhadap ramalan penyakit. Ketepatan dan kebolehpercayaan model kami telah meningkat dengan ketara dengan anotasi yang dilakukan oleh pakar domain Shaip. Terima kasih kepada proses pengesahan mereka yang teliti.

Bintang Emas 5