- “Görüntüleme sonuçları ve klinik sonuçlardan elde edilen kriterlere dayalı hasta gruplarının oluşturulması”
- Sağlık alanında yapay zeka için hangi kaynakları kullanmalıyız?
- “İyi sonuçlar verebilmek için harika dil modellerinin başka bir şeyle tamamlanması gerekir”
- “Modellerimiz doktorun yerini almaya yönelik değil”
Sağlık alanı, Microsoft da dahil olmak üzere yapay zeka oyuncularının ilgisini giderek daha fazla çekiyor.
Geçen hafta, şirket duyurdu uzantıları Veri analizi platformu Fabric, mayıs ayında açılışını yaptıFabric’in birden fazla sağlık verisi türü üzerinde daha fazla analiz gerçekleştirmesini sağlamak için. Microsoft ayrıca Azure Bulut Bilişim hizmeti için, diğer şeylerin yanı sıra, tıbbi asistanlar olarak büyük dil modellerinin kullanılmasına yönelik yeni hizmetleri de duyurdu.
Microsoft Bulut genel müdürü Umesh Rustogi şöyle konuştu: “Bu birleşik, çok modlu veritabanını Fabric One Lake’te oluşturmak istiyoruz; burada tüm bu farklı veri yöntemlerini birleştirip bu veriler hakkında mantık yürütebilir, yapay zeka modellerini çalıştırabilirsiniz.” Sağlık, ZDNET ile röportajda.
“Görüntüleme sonuçları ve klinik sonuçlardan elde edilen kriterlere dayalı hasta gruplarının oluşturulması”
Rustogi, ZDNET’in bu ay yapay zeka üzerine bir makalesinde incelediği çoklu yöntem eğiliminin sağlık hizmetlerinde giderek daha önemli hale geldiğini söyledi. Rustogi, “Birçok müşteri, birden fazla veri yöntemini birleştirirseniz, tek bir veri yöntemini araştırarak mümkün olmayan yeni bilgiler elde edebileceğinize inanıyor” dedi.
Umesh Rustogi, Sağlık Hizmetleri için Microsoft Bulut’un genel müdürü. Microsoft
Çoklu yöntemlerin örnekleri arasında “görüntüleme sonuçlarından ve klinik sonuçlarından elde edilen kriterlere dayalı olarak hasta gruplarının oluşturulması yer alıyor. Ve bunu bugün başarmak çok da kolay değil” diye açıkladı. Bay Rustogi örnek olarak şunları gösterdi: Prestijli Nature dergisinde 2020’de yayınlanan çalışma. Bu makale, “tıbbi görüntüleme ve elektronik sağlık kayıtlarını (EHR’ler) birleştirmek için uygulanabilecek” “veri birleştirme” tekniklerine genel bir bakış sunmaktadır.
Fabric’in yeni özelliklerinden bir diğeri de, doktor notları gibi verilerdeki hasta kimliklerini maskelemek amacıyla klinik verileri temizlemek için makine öğrenimini kullanan “kimlik gizleme hizmeti”dir. Rustogi, “Sektör, bu yapılandırılmamış klinik notların nasıl alınacağı ve bunların araştırma camiasına faydalı olmasını sağlayacak şekilde kimlik bilgilerinin nasıl kaldırılacağı sorusunu çözmekte çok zorlandı” dedi.
Sağlık alanında yapay zeka için hangi kaynakları kullanmalıyız?
Bay Rustogi’nin meslektaşı, Microsoft’un Sağlık Yapay Zekası ve Sağlık ve Yaşam Bilimleri bölümü başkanı Hadas Bitran, Azure web hizmetleri tarafından sunulan birkaç yeni yapay zeka teklifini tartıştı.
Azure AI Health Insights teklifi, önceden oluşturulmuş makine öğrenimi modellerinden oluşur. Önizlemede üç model sunulmaktadır:
- Hasta zaman çizelgesi“ilaçlar, teşhisler ve prosedürler gibi yapılandırılmamış verilerden önemli olayları çıkarmak için üretken yapay zekayı kullanan ve bakım planlarını daha iyi bilgilendirmek amacıyla klinisyenlere hastanın tıbbi geçmişine ilişkin daha doğru bir görünüm sağlamak için bunları kronolojik olarak organize eden”;
- Klinik raporları basitleştirme“klinisyenlere tıbbi jargonu alma ve bunu sade dile dönüştürme yeteneği vermek için üretken yapay zekayı kullanan ve aynı zamanda hastalar da dahil olmak üzere diğer kişilerle paylaşılabilmesi için klinik bilgilerin özünü koruyan”;
-
Radyoloji içgörüleri“hatalar ve tutarsızlıklar hakkında geri bildirim yoluyla kalite kontrolleri sağlar. Model aynı zamanda radyolog tarafından belgelenen ölçümler (boyutlar) ile klinik belgelerdeki takip önerilerini ve klinik bulguları da tanımlar.”
Bu üç model, klinik araştırmalar ve onkolojideki fenotip bazlı modeller için halihazırda önerilen birkaç önceden oluşturulmuş modele ek olarak sunulmaktadır.
Azure AI Health Bot adlı yeni bir teklif, bir sağlık kuruluşunun kendi veritabanı gibi kaynaklardan yanıtlar çıkarmak ve soruları yanıtlamak için büyük dil modeli (LLM) teknolojisini kullanıyor. Bay Bitran, Bay Rustogi ile aynı röportajda ZDNET’e “Amaç, bu hizmetin müşterilerin özel ortak sürüş deneyimleri yaratmasına yardımcı olmasıdır” dedi.
Bitran, “İlginç olan da basamaklı bir etki yaratmanın mümkün olmasıdır” diye ekledi. “Yani kendi kaynaklarınızı kullanabilirsiniz ve eğer hiçbir şey vermezlerse, güvenilir kaynaklara dayalı yanıtlar da verebilirsiniz, ardından güvenilir kaynaklar hiçbir şey vermezse genel bir yanıta başvurabilirsiniz. ”
Elbette şu anda sağlık gibi hassas uygulamalarda büyük dil modelleri gibi üretken yapay zeka biçimlerinin kullanımına ilişkin pek çok şüphe var. Microsoft bu endişeler hakkında ne düşünüyor?
Hadas Bitran, Microsoft’un Sağlık Yapay Zekası ve Sağlık ve Yaşam Bilimleri bölümünün başkanı. Microsoft
“İyi sonuçlar verebilmek için harika dil modellerinin başka bir şeyle tamamlanması gerekir”
Hadas Bitran, “İyi sonuçlar verebilmek için büyük dil modellerinin başka bir şeyle tamamlanması gerekiyor” dedi. Bitran, “Oluşturduğumuz her model, büyük dil modelleri kullanırsak her zaman sağlık sektörüne özel koruma önlemleriyle birlikte gelecektir” diye ekledi.
Bitran, “En ilginç yaklaşımlardan biri, yüksek lisans ile hibrit bir modelde daha küçük modeller ve kural tabanlı modeller kullanmaktır” diye ekledi.
Örneğin, klinik raporlamanın basitleştirilmesine yönelik önceden oluşturulmuş modelde, “yalnızca dil modelinin açıklamasını istemiyoruz. Aynı zamanda basitleştirmenin sonucunu almamıza, onu mevcut duruma göre ölçmemize olanak tanıyan birçok ön işleme ve son işleme mantığını da uyguluyoruz. Sadeleştirmenin performans ölçümleri” diye açıkladı Sayın Bitran. “Daha sonra sonuçların aslında kaynağın basitleştirilmiş hali olup olmadığını veya uydurma ya da eksik unsurlar olup olmadığını görmek için çapraz referans veriyoruz.”
“Modellerimiz doktorun yerini almaya yönelik değil”
“Bu sorumlu yapay zeka çerçevesi yalnızca gizlilik, güvenlik, erişilebilirlik ve şeffaflık vb. ile ilgili değildir. “Aynı zamanda doğruluk, hesap verebilirlik ve adaletle de ilgilidir.”
Bitran, “Son olarak modellerimiz doktorun yerini almayı amaçlamıyor” diye ekledi. “Klinisyenlere iş yüklerini hafifletecek ve işlerinde yardımcı olacak araçlar sağlamayı amaçlıyorlar.”
Kaynak : “ZDNet.com”
