“`html
Применение искусственного интеллекта в области здравоохранения
Широкий спектр областей продемонстрировал отличную производительность больших языковых моделей (LLM), которые являются гибкими инструментами для генерации языка. Потенциал этих моделей в медицинском образовании, исследованиях и клинической практике не только огромен, но и трансформационен, предлагая многообещающее будущее, где естественный язык служит интерфейсом. Усовершенствованные специфическими для здравоохранения данными, LLM превосходят в медицинском вопросно-ответном обслуживании, детальном анализе электронных медицинских записей, дифференциальной диагностике медицинских изображений, стандартизированной оценке психического функционирования и доставке психологических вмешательств. Их успех в этих тестах свидетельствует о способности извлекать ценные сигналы из “клинических данных”, собранных в медицинском учреждении, внушая надежду на их широкое использование в здравоохранении.
Мониторинг здоровья с помощью носимых технологий
Носимые технологии могут отслеживать важные аспекты здоровья и благополучия человека, которые традиционные клинические визиты упускают, такие как сон, физическая активность, стресс и кардиометаболическое здоровье, оцениваемые по физиологическим реакциям и поведению. Пассивное и непрерывное получение этих постоянных, продолжительных данных, которые предлагают прямые сигналы физиологии и поведения, является значительным преимуществом для мониторинга здоровья. Несмотря на статистику неблагоприятных результатов для здоровья, заболеваемости и лет жизни с ограниченной деятельностью, свидетельствующую о значительном влиянии этих факторов на общее здоровье, они не были полностью интегрированы в клиническую практику или включены в стандартные наборы данных, используемые для медицинского вопросно-ответного обслуживания. Причины низкой активации включают в себя то, что такие данные часто собираются в вакууме, их вычислительная стоимость для хранения и анализа высока, и они не всегда легко понимаются. Таким образом, даже медицински настроенные LLM или общие основные LLM могут не иметь возможности использовать эти данные при рассуждении и предложении терапий на основе индивидуальных здоровых привычек.
Исследование Google: персональная модель большого языка для здоровья (PH-LLM)
Новое исследование Google представляет Gemini-настроенную LLM (PH-LLM) для выполнения ряда действий, связанных с установлением и достижением конкретных индивидуальных здоровьесберегающих целей. Исследователи обнаружили, что PH-LLM может брать пассивно полученные объективные данные от носимых устройств и превращать их в конкретные идеи, возможные причины наблюдаемого поведения и предложения для улучшения упражнений и сна. После усовершенствования отличной Gemini Ultra 1.0, которая уже демонстрирует агрегированную производительность, сравнимую с профессионалами фитнеса, PH-LLM показала заметное улучшение в использовании предметных знаний и настройке соответствующих пользовательских данных для анализа сна.
Применение PH-LLM в здравоохранении
Исследование демонстрирует, что PH-LLM может правильно отвечать на технические вопросы с множественным выбором в области сна и фитнеса, что соответствует его высокой производительности в этих длинных кейс-стади. PH-LLM может использовать мультимодальный кодер для прогнозирования субъективных результатов сна, и специализированные модели могут использовать высокоразрешенные временные ряды данных о здоровье в качестве входных токенов. Ключевые применения LLM для персональных здоровьесберегающих функций на носимых устройствах включают сложные длинные кейс-стади, которые трудно оценить автоматизированным методом. Здесь команда использовала 857 кейс-стади, собранных из группы добровольных участников, для оценки готовности к упражнениям и качества сна, и сопоставила кейс-стади с жесткими критериями оценки. Все человеческие эксперты, Gemini Ultra 1.0 и PH-LLM достигли очень высокой средней производительности по всем ответам на кейс-стади, демонстрируя сильные навыки рассуждения и знаний семейства моделей Gemini. В результате лучшей контекстуализации ключевых аспектов сна для этих задач PH-LLM может опираться на соответствующие пользовательские и предметные знания и улучшить свое предсказание в части анализа сна и этиологии кейс-стади.
Оптимизация моделей и ограничения
Для дешифрирования субъективного опыта пользователя исследователи эффективно интегрируют продолжительные временные ряды сенсорных характеристик. Результаты демонстрируют, что для достижения соответствующей производительности модели необходимо интегрировать мультимодальные данные путем оценки способности PH-LLM прогнозировать нарушение сна и нарушение PROs (полученные из проверенных опросных инструментов) из пассивных сенсорных выходов.
Заключение
Хотя существуют определенные ограничения, исследование показывает, что модели Gemini обладают большими знаниями в области здоровья и что производительность Gemini Ultra 1.0 может улучшить многие персональные здоровьесберегающие результаты. Полученные результаты исследования прокладывают путь для использования LLM для помощи людям в достижении своих здоровьесберегающих целей, предоставляя персонализированную информацию и рекомендации. Для улучшения прогностической силы исследователи надеются, что будущие исследования будут содержать большие наборы данных, содержащие сопоставленные данные о результатах, чтобы сделать возможным изучение нелинейных взаимодействий между характеристиками.
Подробнее о исследовании можно узнать здесь. Вся заслуга за это исследование принадлежит его ученым. Также не забудьте подписаться на наш Twitter.
Присоединяйтесь к нашему каналу в Telegram и группе в LinkedIn.
Если вам понравилась наша работа, вам понравится и наша рассылка.
Не забудьте присоединиться к нашему 44k+ ML SubReddit.
“`