ما چندین سال گذشته را صرف تحقیق در مورد هوش مصنوعی (AI) برای مراقبتهای بهداشتی کردهایم – و بررسی کردیم که چگونه میتواند به تشخیص زودهنگام بیماریها، گسترش دسترسی به مراقبت و موارد دیگر کمک کند. ما برای اثبات اثربخشی، برابری، مفید بودن و ایمنی بیش از همه، رویکرد «آهسته حرکت و آزمایش چیزها» را در پیش گرفته ایم. امروز، در رویداد سالانه سلامت خود، The Check Up، بهروزرسانیهای هوش مصنوعی از جمله پیشرفتهایمان در تحقیقات مدل پزشکی زبان بزرگ (LLM)، مشارکتهایی که راهحلها را در تنظیمات دنیای واقعی آوردهاند، و راههای جدیدی که هوش مصنوعی میتواند به بیماریها کمک کند را به اشتراک گذاشتیم. تشخیص در اینجا به آنچه جدید است نگاه کنید.
تحقیقات در حال انجام در Med-PaLM 2، LLM پزشکی در سطح متخصص ما
پیشرفتهای اخیر در مدلهای زبان بزرگ (LLM) – ابزارهای هوش مصنوعی که تواناییهایی را در درک و تولید زبان نشان میدهند، راههای جدیدی را برای استفاده از هوش مصنوعی برای حل مشکلات دنیای واقعی باز کرده است. با این حال، بر خلاف سایر موارد استفاده از LLM، کاربردهای هوش مصنوعی در زمینه پزشکی نیاز به حداکثر تمرکز بر ایمنی، برابری و سوگیری برای محافظت از رفاه بیمار دارد. برای کار به سمت توسعه ابزارهای هوش مصنوعی که می توانند دانش پزشکی را بازیابی کنند، به سؤالات پزشکی دقیق پاسخ دهند و استدلال ارائه کنند، ما در تحقیقات پزشکی LLM سرمایه گذاری کرده ایم.
سال گذشته Med-PaLM را ساختیم، نسخهای از PalM که برای حوزه پزشکی تنظیم شده است. Med-PaLM اولین کسی بود که “نمره قبولی” (بیش از 60٪) در سؤالات سبک مجوز پزشکی ایالات متحده به دست آورد. این مدل نه تنها به پرسشهای چند گزینهای و باز پاسخ دقیق میدهد، بلکه منطقی ارائه میدهد و پاسخهای خود را ارزیابی میکند.
اخیراً، تکرار بعدی ما، Med-PaLM 2، به طور مداوم در سطح “پزشک متخصص” در مورد سؤالات معاینه پزشکی انجام شد و امتیاز 85٪ را به دست آورد. این یک بهبود 18 درصدی نسبت به عملکرد قبلی Med-PaLM است و بسیار از مدل های مشابه هوش مصنوعی پیشی می گیرد.
در حالی که این پیشرفت هیجان انگیز است، هنوز کارهای زیادی باید انجام شود تا مطمئن شویم این فناوری می تواند در تنظیمات دنیای واقعی کار کند. مدل های ما بر اساس 14 معیار – از جمله واقعیت علمی، دقت، اجماع پزشکی، استدلال، سوگیری و آسیب – آزمایش شدند و توسط پزشکان و غیرپزشکان از طیف وسیعی از زمینه ها و کشورها ارزیابی شدند. از طریق این ارزیابی، شکاف های قابل توجهی در پاسخ به سؤالات پزشکی و رعایت استانداردهای برتری محصول خود پیدا کردیم. ما مشتاقانه منتظر همکاری با محققان و جامعه پزشکی جهانی برای رفع این شکاف ها و درک این موضوع هستیم که چگونه این فناوری می تواند به بهبود ارائه سلامت کمک کند.
شرکای جدید برای سونوگرافی به کمک هوش مصنوعی
در سالهای اخیر، فناوری حسگر برای مقرونبهصرفهتر و قابل حملتر کردن دستگاههای اولتراسوند تکامل یافته است. اما آنها اغلب به متخصصان با سالها تجربه برای انجام امتحانات و تفسیر تصاویر نیاز دارند و بسیاری از مناطق کم منابع کمبود متخصص سونوگرافی دارند. برای کمک به پر کردن این شکاف، ما در حال ساخت مدلهای هوش مصنوعی هستیم که میتواند به سادهسازی دریافت و تفسیر تصاویر اولتراسوند برای شناسایی اطلاعات مهم مانند سن بارداری در مادران باردار و تشخیص زودهنگام سرطان سینه کمک کند.
ما با Jacaranda Health، یک سازمان غیرانتفاعی مستقر در کنیا که بر بهبود نتایج سلامت مادران و نوزادان در بیمارستانهای دولتی متمرکز است، برای تحقیق در مورد راهحلهای دیجیتالی که میتواند به آنها در رسیدن به هدف کمک کند، همکاری میکنیم. در جنوب صحرای آفریقا، مرگ و میر مادران همچنان بالاست و کمبود کارگران آموزش دیده برای کار با دستگاه های سونوگرافی سنتی پر هزینه وجود دارد. از طریق این همکاری، ما تحقیقات اکتشافی برای درک رویکرد فعلی تحویل اولتراسوند در کنیا انجام خواهیم داد و بررسی خواهیم کرد که چگونه ابزارهای جدید هوش مصنوعی میتوانند از سونوگرافی نقطه مراقبت برای زنان باردار پشتیبانی کنند.
ما همچنین با بیمارستان یادبود چانگ گونگ (CGMH) در تایوان همکاری می کنیم تا با استفاده از سونوگرافی برای تشخیص سرطان سینه کاوش کنیم. ماموگرافی، که اشعه ایکس از پستان است، معمولاً برای غربالگری سرطان سینه استفاده می شود و یک روش اثبات شده برای کاهش مرگ و میر است. با این حال، برنامه های غربالگری در بسیاری از مناطق به دلیل هزینه های بالا در دسترس نیست. علاوه بر این، ما می دانیم که ماموگرافی می تواند برای جمعیت های خاص، از جمله آنهایی که تراکم سینه بالاتری دارند، کمتر موثر باشد. با CGMH، ما در حال بررسی هستیم که آیا مدلهای هوش مصنوعی ما میتوانند به تشخیص زودهنگام سرطان سینه با استفاده از سونوگرافی کمک کنند.
هوش مصنوعی برای برنامه ریزی درمان سرطان با کلینیک مایو
در طول سه سال گذشته، ما با کلینیک مایو همکاری کردهایم تا بررسی کنیم که چگونه هوش مصنوعی میتواند از فرآیند خستهکننده و زمانبر برنامهریزی رادیوتراپی پشتیبانی کند، یک درمان رایج سرطان که برای درمان بیش از نیمی از سرطانها در ایالات متحده استفاده میشود. مرحله فشرده در فرآیند برنامه ریزی، تکنیکی به نام “کانتورینگ” است، که در آن پزشکان خطوطی را بر روی سی تی اسکن ترسیم می کنند تا نواحی سرطان را از بافت های سالم مجاور که می توانند در طول درمان توسط اشعه آسیب ببینند، جدا کنند. این فرآیند برای یک بیمار تنها 7 ساعت طول می کشد.
ما به زودی تحقیقاتی را در مورد یافته های مطالعه خود و مدل رادیوتراپی که توسعه داده ایم منتشر خواهیم کرد. از امروز، ما در حال رسمی کردن توافق خود با کلینیک Mayo برای بررسی تحقیقات بیشتر، توسعه مدل و تجاری سازی هستیم. برداشتن این گامهای بعدی با کلینیک مایو به این معنی است که با هم میتوانیم دامنه مدل خود را افزایش دهیم، با هدف کمک به بیماران بیشتری برای دریافت زودتر درمان رادیوتراپی.
رساندن غربالگری سل به هزاران نفر
با تکیه بر سالها تحقیق هوش مصنوعی سلامت، ما با شرکای خود در محل کار میکنیم تا نتایج تحقیقات خود را در مورد غربالگری اشعه ایکس قفسه سینه مبتنی بر هوش مصنوعی سل (TB) در محیط مراقبت ارائه کنیم. بر اساس گزارش سازمان جهانی بهداشت، سل نهمین علت مرگ و میر در سراسر جهان است و بیش از 25 درصد از مرگ و میر ناشی از سل در آفریقا رخ می دهد. در حالی که سل قابل درمان است، به راهحلهای غربالگری مقرونبهصرفه برای کمک به تشخیص زودهنگام بیماری و کاهش گسترش جامعه نیاز دارد.
ما با یک سازمان مبتنی بر هوش مصنوعی به ریاست Right to Care، یک نهاد غیرانتفاعی با تجربه گسترده در مراقبت از سل در آفریقا، همکاری می کنیم تا غربالگری های مبتنی بر هوش مصنوعی را به طور گسترده در سراسر آفریقای جنوب صحرا در دسترس قرار دهیم. شرکای ما متعهد شده اند که 100000 آزمایش غربالگری سل مبتنی بر هوش مصنوعی را در طول این همکاری برای کمک به تشخیص و درمان زودرس سل و کاهش شیوع این بیماری اهدا کنند.
در مراقبتهای بهداشتی، هوش مصنوعی پتانسیل زیادی برای تقویت فرآیندهای برنامهریزی تشخیصی و درمانی، بهویژه از طریق مشارکت برای کمک به ارائه مراقبتهای با کیفیت بالا به جوامعی که بیشتر به آن نیاز دارند، وجود دارد.