Verbetering van gesondheidsorg voorspellende modelle met generatiewe KI

'n Gevallestudie oor die opsporing van longontsteking en kankerverrigting

Laai gevallestudie af
Voorspellende gesondheidsorg

projek Oorsig

In die vinnig vorderende domein van gesondheidsorg, is die gebruik van generatiewe KI, veral groottaalmodelle (LLM's), vir die voorspelling van siektetoestande uit kliniese verslae 'n aansienlike sprong vorentoe. Die kliënt, 'n baanbreker in gesondheidsanalise, het 'n missie aangepak om hul siektetoestandvoorspellingsmodelle te verfyn. Deur gebruik te maak van die oopbron MIMIC CXR-databasis en generatiewe KI-voorspellings vir aanvanklike analise in te sluit, gevolg deur handmatige validering met Label Studio, was die doel om modelakkuraatheid en betroubaarheid vir kliniese verslagontledings, veral radiologieverslae, 'n hupstoot te gee.

Uitdagings

Die integrasie van generatiewe KI-voorspellings in gesondheidsorgwerkvloeie het talle uitdagings gebied:

Datatoegang en sekuriteit

Om toegang tot hoëgehalte, oopbron mediese datastelle soos MIMIC-CXR te verseker, het 'n streng geloofsproses vereis, wat voldoening aan privaatheid en etiese standaarde verseker.

Prediksie Akkuraatheid

Aanvanklike uitsette van generatiewe KI-modelle het soms onakkuraathede in siektetoestandvoorspellings getoon, wat handmatige ondersoeke vir verbeterde akkuraatheid genoodsaak het.

Komplekse siektetoestandidentifikasie

Om siektetoestande akkuraat te klassifiseer uit die genuanseerde taal van kliniese verslae, veral wanneer generatiewe KI gebruik word, het 'n beduidende struikelblok ingehou.

Aantekening Kwaliteit

Om hoëgehalte, akkurate aantekeninge binne die Label Studio-instrument te verseker, het gespesialiseerde kennis en begrip van mediese siektetoestande vereis.

Oplossing

Shaip het 'n omvattende strategie gebruik om hierdie uitdagings aan te spreek:

  • Gestroomlynde geloofsbriewe: Die span het vinnig die geloofsproses vir MIMIC-CXR-toegang navigeer, wat doeltreffendheid en toewyding tot etiese navorsingspraktyke getoon het.
  • Riglynontwikkeling: Het insiggewende riglyne vir handmatige valideerders ontwikkel om konsekwentheid en kwaliteit te verseker in die annotering van LLM-voorspellings.
  • Kundige aantekeninge oor KI-voorspellings: Het noukeurige handmatige validering en regstelling van LLM-voorspellings gebruik met behulp van Label Studio, gerugsteun deur mediese kundigheid.
  • Prestasiemaatstawwe: Deur gedetailleerde ontleding het Shaip LLM se prestasiemaatstawwe soos konkordansie, akkuraatheid, herroeping en F1-telling bereken, wat deurlopende verbetering moontlik maak.

Uitkoms

  • Verbeterde akkuraatheid in die voorspelling van siektetoestande uit radiologieverslae.
  • Ontwikkeling van 'n grondwaarheid van hoë gehalte datastel vir toekomstige produkontwikkeling en evaluering van generatiewe KI-voorspellings.
  • Verbeterde begrip van siektetoestand identifikasie, wat meer betroubare voorspellings fasiliteer.

Gebruiksgeval 1: Masjienleermodel-validering

Masjienleermodel-validering

Scenario: Verbetering van die akkuraatheid van longontstekingvoorspelling met generatiewe KI In hierdie geval het 'n generatiewe KI-model deur borskas X-straalverslae gesif om tekens van longontsteking op te spoor. 'n Verslag wat opmerk "Verhoogde ondeursigtigheid in die regter onderste lob, wat dui op 'n aansteeklike proses" het 'n aanvanklike "Onseker" klassifikasie deur die KI veroorsaak as gevolg van die verslag se dubbelsinnige frasering.

Bekragtigingsproses:

  1. ’n Mediese kenner het die verslag binne Label Studio ondersoek en gekonsentreer op die teks wat deur die KI uitgelig is.
  2. Deur die kliniese konteks te evalueer en radiologiese kennis toe te pas, het die deskundige die verslag herklassifiseer as 'n definitiewe "positief" vir longontsteking.
  3. Hierdie kundige regstelling is terug in die KI-model geïntegreer, wat die voortdurende leer en verfyning daarvan vergemaklik het.

uitkomste:

  • Verbeterde modelakkuraatheid
  • Verbetering van prestasiemetrieke akkuraatheid en herroeping

Gebruiksgeval 2: Genereer Ground Truth Dataset

Masjienleermodel-validering

Scenario: Skep 'n maatstafdatastel vir kanker TNM-staging met generatiewe AI

Met die doel om kankerprogressie-produkontwikkeling te bevorder, het die kliënt probeer om 'n omvattende grondwaarheidsdatastel saam te stel. Hierdie datastel sal die opleiding en assessering van nuwe KI-modelle meet om die TNM-stadium van kanker akkuraat te voorspel uit kliniese vertellings.

Datastel generering proses:

  1. 'n Breë spektrum van kankerverwante verslae, insluitend patologiebevindings en diagnostiese oorsigte, is versamel.
  2. Die generatiewe KI-model het aanvanklike TNM-voorspellingsvoorspellings vir elke verslag verskaf, wat sy aangeleerde patrone en kennis benut het.
  3. Mediese spesialiste het hierdie KI-gegenereerde voorspellings nagegaan vir akkuraatheid, regstelling van foute en aanvulling van inligting in gevalle van onvolledige of verkeerde KI-voorspellings.

uitkomste:

  • Skep van 'n hoë-gehalte grondwaarheid datastel.
  • Stigting vir toekomstige produkte vir die verfyning van die volgende generasie modelle oor kankerdiagnose en -stadium.

Samewerking met Shaip het 'n rewolusie in ons benadering tot siektevoorspelling verander. Die akkuraatheid en betroubaarheid van ons modelle het aansienlik verbeter met aantekeninge wat deur Shaip se domeinkundiges uitgevoer is. Danksy hul noukeurige valideringsproses.

Goue-5-ster