Публику восхитили художественные образы, созданные с помощью генеративных моделей типа ДАЛЛЕ-2 и Стабильная диффузия, и поразили разговоры с, казалось бы, всезнающим Чат-ТПТ. Варианты использования этих генеративных моделей изучаются в областях от моды до редактирования текстов.

Как специалист по цифровым медицинским данным в компании Edge Analytics, я всегда нахожусь в поиске лучших методов машинного обучения для решения проблем здравоохранения. В этой статье я подробно расскажу о применении генеративных моделей машинного обучения в цифровой медицине. Благодаря возможности генерировать синтетические данные для обучения алгоритмов, поддерживать анализ существующих данных о здоровье, персонализировать медицину с помощью моделирования и улучшать обучение пациентов, эти модели имеют большие перспективы. Я особенно заинтересован в изучении вариантов использования генеративных моделей в области психического здоровья и предоставлю углубленный анализ этого приложения.

В целом, в этой статье освещаются возможные будущие варианты использования генеративных моделей в цифровой медицине.

Улучшение моделей за счет генерации данных

Обучение моделей машинного обучения для медицинских приложений является сложной задачей. Одной из основных причин этого является отсутствие доступных обучающих данных. Модели машинного обучения требуют больших объемов обучающих данных, чтобы делать точные прогнозы. Медицинские данные особенно сложно получить и использовать по ряду причин. Во-первых, данные должны быть получены с разрешения пациента, чтобы обеспечить конфиденциальность пациента, процесс, который часто требует очень много времени и ресурсов. Во-вторых, медицинские данные часто сильно несбалансированы, а плохое покрытие данных затрудняет моделирование редких состояний. Например, сбор данных о конкретном типе рака может выявить лишь несколько случаев среди сотен или тысяч записей. Наконец, имеющиеся медицинские данные весьма необъективны. Модели машинного обучения демонстрируют те же погрешности, что и данные, используемые для их обучения, что очень важно для сведения к минимуму погрешностей в обучающих наборах данных.

Генеративные модели можно использовать для синтетического создания сбалансированных реалистичных данных с минимальной предвзятостью и без ограничений конфиденциальности. Несколько примеров использования генеративных синтетических данных в цифровой медицине:

  • Генеративные модели можно использовать для создания синтетических медицинских изображений, похожих на их реальные аналоги, но с известной достоверностью. Это может помочь в разработке и оценке алгоритмов анализа медицинских изображений. Например, генеративно-состязательные сети (GAN) уже использовались для получения синтетических рентгеновских снимков, компьютерной томографии (КТ), магнитно-резонансной томографии (МРТ) и позитронно-эмиссионной томографии, а также изображений сетчатки, дерматоскопии и ультразвука [ Источник, Источник].

Подпись: Синтетическая рентгенограмма грудной клетки с использованием модели NVIDIA StyleGAN2-ADA [Источник]

  • Генеративные модели можно использовать для синтеза данных пациентов для использования в исследованиях и разработках, сохраняя при этом конфиденциальность пациентов. Например, правила конфиденциальности часто ограничивают доступ к данным электронной медицинской карты (EHR). Использование синтетических данных EHR, сгенерированных с использованием GAN или моделей в стиле GAN, может устранить этот риск [Источник, Источник].
  • Чтобы помочь исследователям и клиницистам лучше понять прогрессирование заболевания и эффективные методы лечения, можно использовать генеративные модели для прогнозирования прогрессирования заболевания путем создания синтетических данных, имитирующих процесс заболевания. В недавнем исследовании использовалась генеративная марковско-байесовская модель для создания 5000 синтетических траекторий заболеваний, чтобы сделать вывод о прогрессировании осложнений у пациентов с диабетом 2 типа [Источник].

В дополнение к генерации синтетических данных генеративные модели могут использоваться для дополнения существующих данных. Дополнение существующих наборов данных дополнительными точками данных может быть полезным в случаях, когда доступные данные ограничены или когда модели требуется больше обучающих примеров. Недавнее исследование использует GAN для дополнения набора данных Кливленда, небольшого и несбалансированного набора данных для прогнозирования сердечных заболеваний [Источник]. В другом недавнем исследовании предлагается продольно-диагностическая генеративно-состязательная сеть (LDGAN) для прогнозирования множественных клинических показателей в моменты времени в будущем с использованием неполных продольных данных МРТ [Источник].

Вменение данных часто выполняется, когда точки данных отсутствуют из-за ошибки измерения или несоблюдения пациентом режима лечения. Хотя традиционные методы импутации данных просты (т. е. импутация среднего или медианы), они часто не отражают фактические данные и могут оказать существенное влияние на результирующую модель. В некоторых случаях для вменения данных можно использовать генеративные модели. Было показано, что вменение с использованием генеративных моделей более эффективно, чем традиционные методы в клинических исследованиях [Источник].

Поддержка анализа существующих данных о здоровье

Невероятную мощь генеративных больших языковых моделей можно использовать для анализа существующих наборов данных в цифровой медицине. Например, модель может сканировать сотни страниц медицинских карт, чтобы извлечь ключевую информацию для индивидуального лечения или плана медицинского обслуживания. Разработка большой языковой модели для электронных медицинских карт использовалась для извлечения клинических понятий, извлечения медицинских отношений, семантического текстового сходства, вывода на естественном языке и ответов на медицинские вопросы [Источник]. Модели, настроенные на биомедицинские данные, такие как BioGPT (тонкая настройка на GPT-2) или AWS Comprehend Medical, будут играть центральную роль в языковом моделировании, применяемом в медицине.

Генеративные модели также можно использовать для оказания помощи поставщикам медицинских услуг посредством поддержки принятия клинических решений, например, для выявления потенциальных взаимодействий с лекарствами или рекомендации дозировок лекарств. Исследования на ранней стадии показывают большие перспективы в прогнозировании взаимодействий лекарств с использованием генеративных моделей [Источник]. Исследования с использованием генеративных моделей для разработки комбинаций лекарств показали, что созданные комбинации лекарств в совокупности охватывают модуль заболевания, аналогичный комбинациям лекарств, одобренным FDA, и потенциально могут предложить новые фармакологические стратегии [Источник].

Исследования в области цифровой медицины также могут извлечь большую пользу из генеративных моделей: анализируя большие объемы данных и выявляя закономерности и тенденции, генеративные модели могут помочь в разработке нового понимания причин заболеваний, методов раннего выявления заболеваний и новых методов лечения. . Ранние исследования показывают многообещающие результаты с использованием GAN для оценки прогрессирования болезни Альцгеймера [Источник].

Персонализированная медицина с цифровым двойником

Цифровой двойник — это виртуальная модель, предназначенная для точного отображения физического объекта. Используемые в приложениях от моделирования ветряных турбин до космических капсул, цифровые двойники чрезвычайно полезны для получения информации о различных сенсорных системах и их среде.

Человеческое тело невероятно сложное, поэтому его сложно смоделировать. С помощью генеративных моделей мы можем стать на шаг ближе к собственному цифровому двойнику здоровья. Цифровые двойники здоровья — это виртуальные представления пациентов, которые генерируются на основе мультимодальных данных о пациентах, данных о населении и обновлений в реальном времени о пациентах и ​​переменных окружающей среды [Источник]. Например, генеративные модели можно использовать для прогнозирования результатов различных вариантов лечения и прогнозирования реакции человека на различные варианты лечения, персонализируя медицину. Мир стартапов уже инвестирует в эту идею: Unlearn AI привлекла 50 миллионов долларов для создания своей платформы, которая с помощью генеративных моделей моделирует потенциальные результаты для здоровья отдельных пациентов.

Обучение пациентов

Генеративные модели также можно использовать для обучения пациентов и помощи пациентам в управлении своим здоровьем и благополучием. Представьте себе чуткий WebMD, интерактивные образовательные модули для объяснения медицинских концепций или систему управления заболеваниями, помогающую пациентам справляться с хроническими состояниями, такими как диабет или гипертония. Хотя генеративные модели еще недостаточно надежны для обучения управлению здравоохранением, они обещают персонализировать обучение и управление здравоохранением.

Применение генеративных моделей к психическому здоровью

Подобласть психического здоровья в цифровой медицине — это одна из областей с многочисленными приложениями для генеративных моделей. Терапия может быть значительно улучшена с помощью генеративного моделирования.

  • Искусство — это распространенный способ терапии. Генерирующие модели изображений можно использовать для создания произведений искусства в сотрудничестве с пациентами. Пациенты, предоставляющие материалы для создания уникальных произведений искусства, могут использоваться как форма творческого самовыражения и терапии. На момент написания этой статьи я смог найти только одно приложение, утверждающее, что оно использует генеративное искусство ИИ для арт-терапии, NightCafe.

  • Генеративные модели можно использовать для создания изображений, представляющих эмоции пациента, которые служат отправной точкой для обсуждения во время традиционных терапевтических сеансов.
  • Изображение генеративные модели могут быть использованы для создания реалистичной виртуальной среды для пациентов. Эти виртуальные среды можно использовать в экспозиционной терапии, чтобы помочь пациентам противостоять своим страхам или тревогам в контролируемой обстановке.
  • Бот-терапевты, построенные на больших языковых генеративных моделях, могут использоваться для сеансов терапии 24 часа в сутки, 7 дней в неделю. Люди, которые беспокоятся о суждениях или предвзятом отношении, могут быть более склонны делиться своими проблемами с ботом. Сабреддит Chat GPT заполнен людьми, использующими Chat GPT в качестве терапии [Источник]. Однако важно отметить, что, согласно политике OpenAI, Chat GPT не настроен для предоставления медицинской информации и не должен использоваться для предоставления диагностических или лечебных услуг при заболеваниях. В будущем можно представить себе мир, в котором модель, подобная Chat GPT, точно настраивается или обучается с использованием медицинских данных для проведения терапии.

Потенциальные проблемы

Существует ряд проблем с использованием генеративных моделей в цифровой медицине, которые необходимо решить по мере перехода этих технологий от исследований и разработок к клиническим условиям. Помимо технических сложностей [Источник, Источник] есть еще этические соображения, которые было бы упущением не отметить:

Предвзятость

Смещение в обучающем наборе данных генеративных моделей приведет к смещению выходных данных модели. Модели следует обучать с использованием репрезентативных данных населения, для которого они предназначены, чтобы смягчить последующие предвзятости и потенциальный вред.

Неправильное использование

Неправильное использование этих моделей в здравоохранении — еще одна потенциальная проблема. Эти модели обладают невероятным потенциалом для расширения сферы здравоохранения, но эти модели никогда не должны использоваться для замены поставщика медицинских услуг или использования в гнусных целях.

Выводы

В заключение можно сказать, что генеративные модели обладают огромным потенциалом в цифровой медицине. Они могут дополнять модели синтетическими данными, помогать в анализе существующих данных и персонализировать медицину за счет создания «цифрового двойника». Кроме того, генеративный ИИ может улучшить обучение и терапию пациентов, особенно в области психического здоровья. Несмотря на то, что есть проблемы, которые необходимо преодолеть, я считаю, что мы только начинаем видеть преимущества генеративных моделей здравоохранения.

Для чего вы планируете использовать генеративные модели?

Ждем вашего ответа! Как вы планируете использовать генеративные модели? Оставьте нам комментарий или отправьте нам электронное письмо по адресу [email protected]. Пока вы здесь, ознакомьтесь с нашей серией блогов о получении максимальной отдачи от текстовых классификаторов на основе GPT-3: Часть 1, Часть 2, Часть 3 или ознакомьтесь с нашим недавним блогом GPT-Edit .

Генеративный ИИ в Edge Analytics

Edge Analytics помог нескольким компаниям создать решения, использующие генеративные модели. В более широком смысле мы специализируемся на науке о данных, машинном обучении и разработке алгоритмов как на периферии, так и в облаке. Мы предоставляем сквозную поддержку на протяжении всего жизненного цикла продукта, от быстрых исследовательских прототипов до алгоритмов искусственного интеллекта и машинного обучения на уровне производства. Мы сотрудничаем с нашими клиентами, от компаний из списка Fortune 500 до инновационных стартапов, чтобы воплотить их идеи в реальность. У вас есть сложная проблема? Свяжитесь с нами по адресу [email protected].