જનરેટિવ AI સાથે હેલ્થકેર પ્રિડિક્ટિવ મોડેલ્સને વધારવું
ન્યુમોનિયા શોધ અને કેન્સર સ્ટેજીંગ પર કેસ સ્ટડી
પ્રોજેક્ટ ઓવરવ્યૂ
આરોગ્ય સંભાળના ઝડપથી આગળ વધી રહેલા ક્ષેત્રમાં, ક્લિનિકલ રિપોર્ટ્સમાંથી રોગની સ્થિતિની આગાહી કરવા માટે જનરેટિવ AI, ખાસ કરીને લાર્જ લેંગ્વેજ મોડેલ્સ (LLMs) નો ઉપયોગ કરવો એ એક નોંધપાત્ર છલાંગ છે. આરોગ્ય વિશ્લેષણમાં અગ્રણી ક્લાયન્ટે તેમના રોગની સ્થિતિની આગાહી મોડેલ્સને સુધારવાના મિશન પર કામ શરૂ કર્યું. ઓપન-સોર્સ MIMIC CXR ડેટાબેઝનો ઉપયોગ કરીને અને પ્રારંભિક વિશ્લેષણ માટે જનરેટિવ AI આગાહીઓનો સમાવેશ કરીને, ત્યારબાદ લેબલ સ્ટુડિયો સાથે મેન્યુઅલ માન્યતા દ્વારા, ધ્યેય ક્લિનિકલ રિપોર્ટ વિશ્લેષણ, ખાસ કરીને રેડિયોલોજી રિપોર્ટ્સ માટે મોડેલની ચોકસાઈ અને વિશ્વસનીયતાને વધારવાનો હતો.
પડકારો
હેલ્થકેર વર્કફ્લોમાં જનરેટિવ AI આગાહીઓને એકીકૃત કરવાથી અસંખ્ય પડકારો ઉભા થયા:
ડેટા એક્સેસ અને સુરક્ષા
MIMIC-CXR જેવા ઉચ્ચ-ગુણવત્તાવાળા, ઓપન-સોર્સ મેડિકલ ડેટાસેટ્સની ઍક્સેસ સુરક્ષિત કરવા માટે ગોપનીયતા અને નૈતિક ધોરણોનું પાલન સુનિશ્ચિત કરતી કઠોર ઓળખ પ્રક્રિયાની જરૂર હતી.
આગાહીની ચોકસાઈ
જનરેટિવ AI મોડેલ્સના પ્રારંભિક આઉટપુટમાં ક્યારેક ક્યારેક રોગની સ્થિતિની આગાહીઓમાં અચોક્કસતા જોવા મળતી હતી, જેના કારણે વધુ ચોકસાઇ માટે મેન્યુઅલ તપાસની જરૂર પડતી હતી.
જટિલ રોગ સ્થિતિ ઓળખ
ક્લિનિકલ રિપોર્ટ્સની સૂક્ષ્મ ભાષામાંથી રોગની સ્થિતિઓનું સચોટ વર્ગીકરણ, ખાસ કરીને જનરેટિવ AI નો ઉપયોગ કરતી વખતે, એક મહત્વપૂર્ણ અવરોધ ઊભો થયો.
ટીકા ગુણવત્તા
લેબલ સ્ટુડિયો ટૂલમાં ઉચ્ચ-ગુણવત્તાવાળા, સચોટ ટીકાઓ સુનિશ્ચિત કરવા માટે તબીબી રોગની સ્થિતિઓનું વિશિષ્ટ જ્ઞાન અને સમજ જરૂરી છે.
ઉકેલ
આ પડકારોનો સામનો કરવા માટે શેપે એક વ્યાપક વ્યૂહરચના અપનાવી:
- સુવ્યવસ્થિત ઓળખપત્ર: ટીમે MIMIC-CXR ઍક્સેસ માટે ઓળખપત્ર પ્રક્રિયા ઝડપથી પૂર્ણ કરી, કાર્યક્ષમતા અને નૈતિક સંશોધન પ્રથાઓ પ્રત્યે પ્રતિબદ્ધતા દર્શાવી.
- માર્ગદર્શિકા વિકાસ: LLM આગાહીઓની ટીકા કરવામાં સુસંગતતા અને ગુણવત્તા સુનિશ્ચિત કરવા માટે મેન્યુઅલ વેલિડેટર્સ માટે સમજદાર માર્ગદર્શિકા વિકસાવી.
- AI આગાહીઓ પર નિષ્ણાત ટિપ્પણીઓ: તબીબી કુશળતા દ્વારા સમર્થિત, લેબલ સ્ટુડિયોનો ઉપયોગ કરીને LLM આગાહીઓનું ઝીણવટભર્યું મેન્યુઅલ માન્યતા અને સુધારણાનો ઉપયોગ કર્યો.
- પરફોર્મન્સ મેટ્રિક્સ: વિગતવાર વિશ્લેષણ દ્વારા, શેપે LLM ના પ્રદર્શન મેટ્રિક્સ જેમ કે કોનકોર્ડન્સ, પ્રિસિઝન, રિકોલ અને F1 સ્કોરની ગણતરી કરી, જેનાથી સતત સુધારો શક્ય બન્યો.
પરિણામ
- ઉન્નત ચોકસાઈ રેડિયોલોજી રિપોર્ટ્સમાંથી રોગની સ્થિતિની આગાહી કરવામાં.
- વિકાસ એક ઉચ્ચ ગુણવત્તાની જમીની સત્યતા ભવિષ્યના ઉત્પાદન વિકાસ અને જનરેટિવ AI આગાહીઓના મૂલ્યાંકન માટે ડેટાસેટ.
- સમજણમાં સુધારો થયો રોગની સ્થિતિ ઓળખ, વધુ વિશ્વસનીય આગાહીઓને સરળ બનાવે છે.
કેસ 1 નો ઉપયોગ કરો: મશીન લર્નિંગ મોડેલ વેલિડેશન
પરિદ્દશ્ય: જનરેટિવ AI સાથે ન્યુમોનિયા આગાહી ચોકસાઈ વધારવી આ કિસ્સામાં, એક જનરેટિવ AI મોડેલે ન્યુમોનિયાના ચિહ્નો શોધવા માટે છાતીના એક્સ-રે રિપોર્ટ્સમાંથી તપાસ કરી. "જમણા નીચલા લોબમાં વધેલી અસ્પષ્ટતા, ચેપી પ્રક્રિયા સૂચવે છે" નોંધાયેલા એક અહેવાલમાં અહેવાલના અસ્પષ્ટ શબ્દસમૂહને કારણે AI દ્વારા પ્રારંભિક "અનિશ્ચિત" વર્ગીકરણને પ્રોત્સાહન આપવામાં આવ્યું.
માન્યતા પ્રક્રિયા:
- એક તબીબી નિષ્ણાતે લેબલ સ્ટુડિયોમાં રિપોર્ટની તપાસ કરી, જેમાં AI દ્વારા પ્રકાશિત લખાણ પર ધ્યાન કેન્દ્રિત કરવામાં આવ્યું.
- ક્લિનિકલ સંદર્ભનું મૂલ્યાંકન કરીને અને રેડિયોલોજીકલ જ્ઞાનનો ઉપયોગ કરીને, નિષ્ણાતે રિપોર્ટને ન્યુમોનિયા માટે ચોક્કસ "સકારાત્મક" તરીકે ફરીથી વર્ગીકૃત કર્યો.
- આ નિષ્ણાત કરેક્શનને AI મોડેલમાં પાછું એકીકૃત કરવામાં આવ્યું હતું, જેનાથી તેના ચાલુ શિક્ષણ અને સુધારણાને સરળ બનાવવામાં આવ્યું હતું.
પરિણામો:
- સુધારેલ મોડેલ ચોકસાઈ
- પ્રદર્શન મેટ્રિક્સ ચોકસાઇ અને રિકોલ સુધારવું
કેસ 2 નો ઉપયોગ કરો: ગ્રાઉન્ડ ટ્રુથ ડેટાસેટ જનરેટ કરો
પરિદ્દશ્ય: જનરેટિવ AI સાથે કેન્સર TNM સ્ટેજીંગ માટે બેન્ચમાર્ક ડેટાસેટ બનાવવો
કેન્સર પ્રગતિ ઉત્પાદન વિકાસને આગળ વધારવાના લક્ષ્ય સાથે, ક્લાયન્ટે એક વ્યાપક ગ્રાઉન્ડ ટ્રુથ ડેટાસેટ એસેમ્બલ કરવાનો પ્રયાસ કર્યો. આ ડેટાસેટ ક્લિનિકલ વર્ણનોમાંથી કેન્સરના TNM સ્ટેજીંગની સચોટ આગાહી કરવા માટે નવા AI મોડેલોની તાલીમ અને મૂલ્યાંકનને બેન્ચમાર્ક કરશે.
ડેટાસેટ જનરેશન પ્રક્રિયા:
- કેન્સર સંબંધિત અહેવાલોનો વ્યાપક સ્પેક્ટ્રમ એકત્રિત કરવામાં આવ્યો હતો, જેમાં પેથોલોજીના તારણો અને ડાયગ્નોસ્ટિક ઝાંખીનો સમાવેશ થાય છે.
- જનરેટિવ AI મોડેલે દરેક રિપોર્ટ માટે પ્રારંભિક TNM સ્ટેજીંગ આગાહીઓ પૂરી પાડી હતી, જેમાં તેના શીખેલા પેટર્ન અને જ્ઞાનનો ઉપયોગ કરવામાં આવ્યો હતો.
- તબીબી વ્યાવસાયિકોએ આ AI-જનરેટેડ આગાહીઓની ચોકસાઈ, ભૂલો સુધારવા અને અપૂર્ણ કે ખોટી AI આગાહીઓના કિસ્સામાં માહિતીને પૂરક બનાવવા માટે સમીક્ષા કરી.
પરિણામો:
- ઉચ્ચ-ગુણવત્તાવાળા ગ્રાઉન્ડ ટ્રુથ ડેટાસેટનું નિર્માણ.
- કેન્સર નિદાન અને સ્ટેજીંગ પર આગામી પેઢીના મોડેલોના શુદ્ધિકરણ માટે ફ્યુચર પ્રોડક્ટ્સ માટે ફાઉન્ડેશન.
શેપ સાથે કામ કરવાથી રોગની આગાહી કરવાના અમારા અભિગમમાં ક્રાંતિ આવી છે. શેપના ડોમેન નિષ્ણાતો દ્વારા કરવામાં આવતી ટીકાઓ સાથે અમારા મોડેલોની ચોકસાઈ અને વિશ્વસનીયતામાં નોંધપાત્ર સુધારો થયો છે. તેમની ઝીણવટભરી માન્યતા પ્રક્રિયાને કારણે.
