Это исследование по искусственному интеллекту представляет полный обзор больших языковых моделей, применяемых в области здравоохранения.

Научно-исследовательский обзор использования больших языковых моделей в сфере здравоохранения роль искусственного интеллекта

Содержимое доступно только для подписчиков

Условия использованияПолитика конфиденциальности

Системы обработки естественного языка (Natural Language Processing, NLP) долгое время полагались на предобученные модели языка (Pretrained Language Models, PLMs) для выполнения различных задач, включая распознавание речи, обработку метафор, анализ тональности, извлечение информации и машинный перевод. С последними достижениями PLMs быстро меняются, и новые разработки показывают, что они могут функционировать как самостоятельные системы. Значительный прогресс в этом подходе был достигнут благодаря разработке OpenAI больших языковых моделей (Large Language Models, LLMs), таких как GPT-4, которые показали улучшенную производительность в задачах NLP, а также в таких отраслях, как биология, химия и медицинские тесты. Началась новая эра возможностей с появлением Google Med-PaLM 2, который разработан специально для медицинского сектора и достигает “экспертного” уровня производительности на наборах медицинских вопросов.

LLMs имеют силу изменить здравоохранительную систему, повысив эффективность и эффективность множества приложений. Эти модели могут предложить осмысленный анализ и ответы на медицинские вопросы, поскольку они имеют глубокое понимание медицинских идей и терминологии. Они могут помочь при взаимодействии с пациентами, поддержке клинических решений и даже в интерпретации медицинского изображения. Вместе с тем, у LLMs есть и некоторые недостатки, включая необходимость значительного объема обучающих данных и возможность распространения смещений, содержащихся в этих данных.

В недавнем исследовании команда исследователей изучила возможности LLMs в области здравоохранения. Чтобы понять значительное улучшение от PLMs к LLMs, необходимо сравнить эти два типа языковых моделей. Хотя PLMs являются фундаментальными строительными блоками, LLMs обладают более широким спектром возможностей, позволяющим им создавать связные, контекстосознательные ответы в контексте здравоохранения. Переход от дискриминативных подходов искусственного интеллекта, в которых модели категоризируют или прогнозируют события, к генеративным подходам искусственного интеллекта, в которых модели создают ответы на основе языка, можно увидеть в изменении от PLMs к LLMs. Этот сдвиг дополнительно подчеркивает изменение акцента с модельно-ориентированных подходов на данные-ориентированные подходы.

В мире LLM существует множество различных моделей, каждая из которых подходит для определенной специализации. Известными моделями, специально разработанными для отрасли здравоохранения, являются HuatuoGPT, Med-PaLM 2 и Visual Med-Alpaca. Например, HuatuoGPT задает вопросы, чтобы активно вовлекать пациентов, в то время как Visual Med-Alpaca работает с визуальными экспертами и выполняет такие обязанности, как интерпретация радиологического изображения. Благодаря своей разнообразности, LLMs способны решать множество проблем, связанных со здравоохранением.

Обучающий набор данных, используемые техники и стратегии оптимизации имеют значительное влияние на производительность LLMs в медицинских приложениях. В опросе рассматриваются технические аспекты создания и оптимизации LLMs для использования в медицинских учреждениях. При использовании LLMs в медицинских установках существуют практические и этические проблемы. Крайне важно гарантировать справедливость, ответственность, открытость и этику при использовании LLM. Применения в здравоохранении должны быть лишены предубеждений, следовать моральным принципам и давать ясные обоснования своих ответов, особенно когда речь идет о здоровье пациентов.

Основные вклады исследовательской команды были суммированы следующим образом.

  1. Представлен переходный путь от PLMs к LLMs, освещены новые разработки.
  1. Сфокусированы на сборе тренировочных материалов, оценочных инструментов и данных для LLMs в отрасли здравоохранения, чтобы помочь медицинским исследователям выбрать лучшие модели LLMs для своих индивидуальных потребностей.
  1. Исследованы моральные вопросы, включая беспристрастность, равенство и открытость.