A ferramenta de código aberto da IA ​​compete com os principais modelos de propriedade em diagnóstico médico

A inteligência artificial pode transformar a medicina com inúmeros métodos, inclusive prometidos a trabalhar como um assistente de diagnóstico confiável para médicos operados.

Nos últimos dois anos, modelos de inteligência artificial reais, também conhecidos como modelos de código fechado, foram distinguidos na solução de condições médicas difíceis de fotografar e requerem um pensamento clínico complexo. Vale ressaltar que os modelos de inteligência artificial fechada dessas fontes superaram as aberturas de código aberto, porque o código -fonte está disponível ao público e pode ser modificado e modificado por qualquer pessoa.

A inteligência artificial abriu a fonte?

Parece que a resposta é sim, pelo menos quando se trata de um modelo de IA de código aberto, de acordo com os resultados de um novo estudo financiado pelos Institutos Nacionais de Saúde liderados por pesquisadores da Harvard Medical College e foi implementado em cooperação com os médicos do Beth Israel Center em Harvard.

Os resultados publicados em 14 de março em Jama Health ForumMostrou que a competição de código aberto aberto da IA ​​é chamado LLAMA 3.1 405B, que foi feito igualmente com o GPT-4, um modelo pioneiro para fontes fechadas. Em sua análise, os pesquisadores compararam o desempenho dos dois modelos em 92 casos misteriosos contidos em New England Magazine for Medicine A avaliação semanal dos cenários clínicos que desafiam o diagnóstico.

Os resultados indicam que as ferramentas de IA de código aberto se tornaram cada vez mais competitivas e podem fornecer uma alternativa valiosa aos modelos de propriedade.

Como sabemos, é a primeira vez que um modelo de IA de código aberto corresponde ao desempenho do GPT-4 em casos difíceis que são avaliados pelos médicos. É realmente incrível que os modelos do Lama tenham capturado muito rapidamente com o modelo real pioneiro. Pacientes, prestadores de cuidados e hospitais são desta competição. “

Arjun Manai, grande autor, Professor Assistente de Informação Biomédica, Instituto Blavatnik em HMS

Código aberto e fontes de sistemas e fontes de inteligência artificial

O código aberto e a inteligência artificial fechada variam de várias maneiras importantes. Primeiro, os modelos de código aberto podem ser baixados e operados em computadores hospitalares, mantendo os dados do paciente em casa. Por outro lado, os modelos de código fechado funcionam em servidores externos, o que exige que os usuários transfiram dados especiais do exterior.

“É possível que o modelo de código aberto seja mais atraente para altos funcionários da informação, funcionários do hospital e médicos, porque há algo diferente de deixar os dados para o hospital para outra entidade e até confiável”, disse Thomas Bacquel, doutorado no campo da medicina no departamento de informações bilaterais em gerenciamento de informações.

Segundo, os profissionais médicos e a tecnologia da informação podem alternar os modelos de código aberto para atender às necessidades clínicas e de pesquisa exclusivas, enquanto as ferramentas de fonte fechadas são mais difíceis em geral.

“Essa é a chave”, disse Buckley. “Você pode usar dados locais para controlar esses modelos, de maneira básica ou avançada, para que eles sejam adaptados às necessidades de médicos, pesquisadores e pacientes”.

Terceiro, desenvolvedores de inteligência artificial fechados, como o OpenAI e o Google, hospedam seus próprios modelos e fornecem suporte tradicional ao cliente, enquanto os modelos de código aberto colocam a responsabilidade por preparar o modelo e a manutenção nos usuários. Pelo menos até agora, os modelos de código fechado se mostraram mais fáceis de integrar aos registros eletrônicos de saúde e à infraestrutura de tecnologia da informação em hospitais.

Inteligência artificial de código aberto versus AI: cartão de desempenho para resolver casos clínicos difíceis

Cada um dos algoritmos AI de código aberto e a fonte são treinados em enormes coleções de dados que incluem livros médicos, pesquisas revisadas pelos pavões, ferramentas de suporte à decisão clínica e dados anônimos de pacientes, como estudos de caso, resultados de testes, varredura e diagnóstico confirmado. Ao verificar essas montanhas do material em excesso, os algoritmos aprendem padrões. Por exemplo, como o câncer e os tumores benignos olham para o slide de patologia? Quais são os sinais mais antigos de insuficiência cardíaca? Como você pode distinguir entre o cólon natural e mortal em uma tomografia computadorizada? Quando apresentados com um novo cenário clínico, os modelos de inteligência artificial comparam as informações que eles absorveram durante o treinamento e sugerindo possíveis diagnósticos.

Em sua análise, os pesquisadores LAMA testaram 70 dos casos de NEJM anteriormente usados ​​para avaliar o desempenho do GPT-4 e descritos em um estudo anterior liderado por Adam Rodman, professor assistente de medicina em Beth Israel, diácono e co-autor da nova pesquisa. No novo estudo, os pesquisadores adicionaram 22 novos casos publicados após o final do período de treinamento do LAMA para proteger da oportunidade que a LAMA havia enfrentado involuntariamente alguns dos 70 casos publicados durante seu treinamento básico.

Um modelo de código aberto mostrou uma profundidade real: a LLAMA fez um diagnóstico correto em 70 % dos casos, em comparação com 64 % para o GPT-4. Ele também classificou a opção correta como 41 % da primeira sugestão, em comparação com 37 % para o GPT-4. Para o sub -grupo de 22 vias, o modelo de código aberto registra mais alto, aumentando a conexão correta 73 % do tempo e determinando o diagnóstico final como a melhor sugestão de 45 % do tempo.

“Como médico, vi muito foco nos modelos de idiomas fortes e fortes nos modelos de propriedade que não podemos operar localmente”, disse Rodman. “Nosso estudo indica que os modelos de código aberto podem ser tão fortes, dando aos médicos e sistemas de saúde um maior controle de como essas técnicas são usadas”.

Todos os anos, cerca de 795.000 pacientes morrem nos Estados Unidos ou sofrem de incapacidade permanente devido ao erro de diagnóstico, de acordo com o relatório de 2023.

Além dos danos imediatos aos pacientes, erros de diagnóstico e atraso podem colocar uma carga financeira grave no sistema de saúde. Os diagnósticos imprecisos ou tardios podem levar a testes desnecessários, tratamento inadequado e, em alguns casos, complicações graves se tornam mais difíceis – e mais caras – de gerenciar com o tempo.

“É usado com sabedoria e integrado à responsabilidade na atual infraestrutura de saúde, as ferramentas de inteligência artificial podem ser inestimáveis ​​para ocupar médicos e trabalhar como assistentes de diagnóstico confiáveis ​​para melhorar a precisão e a velocidade do diagnóstico”, disse Manara. “Mas ainda é importante que os médicos ajudem a liderar esses esforços para garantir que a inteligência artificial esteja funcionando para eles”.