6 Cách LLMs Đang Cách Mạng Hóa Ngành Y Tế

6 Cách LLMs Đang Cách Mạng Hóa Ngành Y Tế

Mục lục:

1. LLMs trong Nghiên cứu Y khoa
2. Chăm sóc Tim mạch với AI Surrogate
3. Llama trong Y học
4. Thúc đẩy Thử nghiệm Lâm sàng
5. Nghiên cứu Dữ liệu
6. Thúc đẩy Sinh học Số
7. Kiến thức Y khoa và Năng lực Cốt Lõi Y khoa

LLMs trong Nghiên cứu Y khoa

Các nhà nghiên cứu tại Đại học Stanford đã sử dụng một LLM để tìm ra một phương pháp điều trị tiềm năng mới cho bệnh tim. Sử dụng MeshGraphNet, một kiến trúc dựa trên mạng nơ ron đồ thị (GNN), nhóm nghiên cứu đã tạo ra một Mô hình Thu gọn Một chiều (1D ROM) để mô phỏng dòng máu. MeshGraphnet cung cấp nhiều tối ưu hóa mã, bao gồm song song hóa dữ liệu, song song hóa mô hình, kiểm tra điểm gradien, cuGraphs, và đào tạo đa GPU và đa nút, tất cả đều hữu ích cho việc xây dựng GNN cho mô phỏng tim mạch.

Chăm sóc Tim mạch với AI Surrogate

Nhóm nghiên cứu từ @Stanford đã tận dụng #MeshGraphNet, một kiến trúc dựa trên mạng nơ ron đồ thị (GNN), để thiết kế một Mô hình Thu gọn Một chiều (1D ROM) để mô phỏng dòng máu. 🌎 Tìm hiểu thêm: https://t.co/Q7nszvIUwG — Jousef Murad (@Jousefm2) March 25, 2024

Llama trong Y học

Các nhà nghiên cứu tại Trường Y khoa Yale và Trường Khoa học Máy tính và Truyền thông tại Viện khoa học và công nghệ Thụy Sĩ EPFL đã sử dụng Llama để mang kiến thức y khoa vào các môi trường có ít tài nguyên. Một ví dụ là Meditron, một bộ mô hình nền đa phương thức y tế lớn được tạo ra bằng cách sử dụng LLMs. Meditron hỗ trợ các truy vấn về chẩn đoán và quản lý y tế thông qua giao diện ngôn ngữ tự nhiên. Công cụ này có thể đặc biệt hữu ích trong các khu vực thiếu dịch vụ y tế và các tình huống phản ứng khẩn cấp, nơi tiếp cận với các chuyên gia y tế có thể bị hạn chế.

Các nhà nghiên cứu tại @ICepfl & @YaleMed đã hợp tác để xây dựng Meditron, một bộ LLM dành cho các thiết lập y tế có ít tài nguyên. Với Llama 3, mô hình mới của họ vượt trội hơn hầu hết các mô hình mở trong lớp tham số của nó trên các điểm chuẩn như MedQA & MedMCQA. Tìm hiểu thêm ➡️ https://t.co/nqKebwOGKa — AI tại Meta (@AIatMeta) April 29, 2024

Theo một bản in trước trong Nature, Meditron đã được đào tạo trong thông tin y tế, bao gồm tài liệu sinh y học và hướng dẫn thực hành. Nó cũng đã được đào tạo để diễn giải hình ảnh y tế, bao gồm chụp X-quang, CT và MRI.

Thúc đẩy Thử nghiệm Lâm sàng

Quantiphi, một công ty kỹ thuật kỹ thuật số AI đầu tiên, sử dụng NVIDIA NIM để phát triển các giải pháp AI thế hệ mới cho nghiên cứu và phát triển lâm sàng. Các giải pháp này, được hỗ trợ bởi LLMs, được thiết kế để tạo ra những hiểu biết và ý tưởng mới, do đó đẩy nhanh tốc độ tiến bộ y học và cải thiện chăm sóc bệnh nhân.

Tương tự, ConcertAI đang thúc đẩy một tập hợp rộng các giải pháp phát triển chuyển hóa và lâm sàng trong nền tảng CARA AI của mình. Llama 3 NIM đã được kết hợp để cung cấp việc kết hợp bệnh nhân quy mô dân số cho các thử nghiệm lâm sàng, tự động hóa nghiên cứu và nghiên cứu.

Nghiên cứu Dữ liệu

Mendel AI đang phát triển các giải pháp AI tập trung vào lâm sàng để hiểu các sắc thái của dữ liệu y tế ở quy mô lớn và cung cấp những hiểu biết có thể hành động. Nó đã triển khai một Llama 3 NIM được tinh chỉnh cho Hypercube copilot của mình, mang lại cải thiện hiệu suất 36%.

Mendel cũng đang nghiên cứu các ứng dụng có thể có cho Llama 3 NIM, chẳng hạn như chuyển đổi ngôn ngữ tự nhiên thành các câu hỏi lâm sàng và trích xuất dữ liệu lâm sàng từ hồ sơ bệnh nhân.

Thúc đẩy Sinh học Số

Các công ty dược phẩm Techbio và các nhà cung cấp nền tảng khoa học đời sống sử dụng NVIDIA NIM cho sinh học thế hệ mới, hóa học và dự đoán phân tử. Điều này bao gồm việc sử dụng LLMs để tạo ra các cấu trúc hoặc dự đoán sinh học, hóa học và phân tử mới, do đó đẩy nhanh tốc độ phát hiện và phát triển thuốc.

Transcripta Bio, một công ty chuyên về phát hiện thuốc, có một Rosetta Stone để giải mã có hệ thống các quy tắc mà thuốc ảnh hưởng đến biểu hiện của gen trong cơ thể người. Công cụ mô hình hóa AI độc quyền Conductor AI của nó phát hiện và dự đoán tác động của thuốc mới ở quy mô transcriptome. Nó cũng sử dụng Llama 3 để đẩy nhanh việc phát hiện thuốc thông minh.

BioNeMo là một nền tảng AI thế hệ mới để phát hiện thuốc giúp đơn giản hóa và đẩy nhanh việc đào tạo mô hình bằng dữ liệu của riêng bạn và mở rộng việc triển khai mô hình cho các ứng dụng phát hiện thuốc. BioNeMo cung cấp con đường nhanh nhất để phát triển và triển khai mô hình AI.

Sau đó là bộ tăng tốc phát hiện thuốc AtlasAI, được hỗ trợ bởi các microservices BioNeMo, NeMo và Llama 3 NIM. AtlasAI đang được phát triển bởi Deloitte.

Kiến thức Y khoa và Năng lực Cốt Lõi Y khoa

Một cách để nâng cao khả năng suy luận và hiểu biết y tế của LLMs là thông qua một quá trình gọi là ‘tinh chỉnh’. Điều này bao gồm cung cấp đào tạo bổ sung với các câu hỏi theo phong cách của các kỳ thi cấp phép y tế và các ví dụ về câu trả lời được lựa chọn bởi các chuyên gia lâm sàng.

Quá trình này có thể giúp LLMs hiểu và phản hồi tốt hơn các truy vấn y tế, do đó cải thiện hiệu suất của chúng trong các ứng dụng chăm sóc sức khỏe.

Các ví dụ về các công cụ như vậy là First Derm, một ứng dụng teledermoscopy để chẩn đoán các tình trạng da, cho phép các bác sĩ da liễu đánh giá và cung cấp hướng dẫn từ xa, và Pahola, một chatbot kỹ thuật số để hướng dẫn việc tiêu thụ rượu.

ChatDoctor: Một mô hình trò chuyện y tế được tinh chỉnh trên LLaMA bằng cách sử dụng kiến thức lĩnh vực y tế. Thu thập dữ liệu về khoảng 700 bệnh và tạo ra 5K cuộc trò chuyện giữa bác sĩ và bệnh nhân để tinh chỉnh LLM. https://t.co/XaLLaem9U6 https://t.co/aJOCOwKDyF — elvis (@omarsar0) March 28, 2023

Chatdoctor, được tạo ra bằng cách sử dụng một bộ dữ liệu khổng lồ bao gồm 100.000 cuộc đối thoại giữa bệnh nhân và bác sĩ được trích xuất từ một nền tảng tư vấn y tế trực tuyến được sử dụng rộng rãi, có thể thành thạo trong việc hiểu các truy vấn của bệnh nhân và đưa ra lời khuyên chính xác. Họ đã sử dụng phiên bản 7B của mô hình LLaMA.