미국의 의료는 기계 학습 및 인공 지능의 사용으로 인해 상당한 잠재적 혼란이 발생할 수 있는 초기 단계에 있습니다. 이러한 변화는 10년 넘게 진행되어 왔지만 최근의 발전으로 인해 더욱 빠른 변화가 일어날 것으로 보입니다. 의료 분야에서 AI의 가장 안전하고 효과적인 적용을 이해하고, AI 사용에 대한 임상의 사이의 신뢰를 구축하고, AI 기반 시스템의 더 나은 사용을 촉진하기 위해 임상 교육 시스템을 조정하려면 아직 해야 할 일이 많이 남아 있습니다.
헬스케어에 AI 적용
AI는 환자 대면 기능과 백오피스 기능 모두에서 의료 분야에서 수십 년 동안 발전해 왔습니다. 딥 러닝과 컴퓨터 비전 모델을 사용하는 데 있어 가장 초기이자 가장 광범위한 작업이 이루어졌습니다.
첫째, 몇 가지 용어입니다. 관찰 연구, 임상 시험 등 연구에서 전통적인 통계적 접근 방식은 독립 변수를 사용하여 결과를 예측하는 회귀 모델에 의존하는 인구 중심 모델링 접근 방식을 사용해 왔습니다. 이러한 접근 방식에서는 데이터가 많을수록 좋지만 특정 데이터 세트 크기를 초과하면 데이터에서 더 나은 추론을 얻을 수 없는 고원 효과가 있습니다.
인공 지능은 예측에 대한 새로운 접근 방식을 제공합니다. 퍼셉트론이라는 구조는 한 번에 한 행씩 전달되는 데이터를 처리하고 입력 데이터를 수정하고 출력을 생성하기 위해 미분 방정식 레이어의 네트워크로 생성됩니다. 훈련 중에 데이터의 각 행은 신경망이라고 하는 네트워크를 통과하면서 예측 출력이 실제 출력과 일치하도록 네트워크의 각 계층에서 방정식을 수정합니다. 훈련 세트의 데이터가 처리됨에 따라 신경망은 결과를 예측하는 방법을 학습합니다.
여러 유형의 네트워크가 존재합니다. 컨벌루션 신경망또는 CNN은 성공을 거둔 최초의 모델 중 하나였습니다. 의료 애플리케이션. CNN은 컴퓨터 비전이라는 프로세스에서 이미지를 학습하는 데 매우 능숙하며 방사선학, 망막 검사, 피부 이미지 등 이미지 데이터가 중요한 응용 분야를 찾았습니다.
변환기 아키텍처라고 하는 새로운 신경망 유형은 텍스트와 텍스트와 이미지의 조합(다중 모드 데이터라고도 함)에 대한 놀라운 성공으로 인해 지배적인 접근 방식이 되었습니다. 변환기 신경망은 일련의 텍스트가 주어지면 후속 텍스트를 예측할 때 예외적입니다. 변환기 아키텍처의 한 가지 응용 프로그램은 LLM(Large Language Model)입니다. LLM의 여러 상용 사례로는 Chat GPT, Anthropics Claude 및 Metas Llama 3가 있습니다.
일반적으로 신경망에서 관찰된 것은 학습 개선의 정체기를 찾기가 어렵다는 것입니다. 즉, 점점 더 많은 데이터가 제공되면 신경망은 계속해서 학습하고 개선됩니다. 이들 기능의 주요 한계는 점점 더 커지는 데이터 세트와 모델을 교육하는 컴퓨팅 성능입니다. 의료 분야에서는 실제 임상 치료를 충실하게 나타내는 개인 정보 보호 데이터 세트를 생성하는 것이 모델 개발 발전의 핵심 우선순위입니다.
LLM은 응용 분야의 패러다임 전환을 나타낼 수 있습니다. 헬스케어를 위한 AI. 언어 및 텍스트 기능으로 인해 거의 모든 데이터가 텍스트인 전자 기록과 잘 일치합니다. 또한 훈련을 위해 주석이 많이 달린 데이터가 필요하지 않지만 기존 데이터 세트를 사용할 수 있습니다. 이 모델의 두 가지 주요 결함은 1) 세계 모델이 없거나 분석 중인 데이터에 대한 이해가 없고(멋진 자동 완성이라고 함) 2) 환각을 느끼거나 조작하여 텍스트나 내용을 구성할 수 있다는 것입니다. 정확해 보이지만 사실인 것처럼 제시되는 정보를 생성하는 이미지.
AI에 대해 탐색 중인 사용 사례에는 방사선 이미지, 망막 이미지 및 기타 이미지 데이터 판독을 위한 자동화 및 증강이 포함됩니다. 임상의 소진의 주요 원인인 임상 문서의 노력을 줄이고 정확성을 향상시킵니다. 더 좋고, 더 공감적이며, 참을성 있는 의사소통; 수익 주기, 운영, 청구와 같은 백오피스 기능의 효율성을 향상시킵니다.
실제 사례
AI는 임상 진료 전반에 점진적으로 도입되었습니다. 일반적으로 AI의 성공적인 사용은 성공을 입증한 동료 검토 성능 시험과 경우에 따라 FDA 사용 승인을 따랐습니다.
AI가 잘 수행되는 최초의 사용 사례 중에는 AI가 망막 검사 이미지와 방사선학에서 질병을 감지하는 것이 있습니다. 망막 검사의 경우, 이러한 모델의 성능에 대한 출판된 문헌에 이어 외래 환경에서 망막 질환을 감지하기 위한 자동 안저검사의 배포가 이어졌습니다. 많은 성공 사례가 발표된 이미지 분할에 대한 연구를 통해 방사선 전문의에게 의사 결정 지원을 제공하고 오류를 줄이고 이상 징후를 감지하여 방사선 전문의의 작업 흐름을 더욱 효율적으로 만듭니다..
임상 워크플로에 대한 지원을 위해 최신 대규모 언어 모델이 연구되고 있습니다. 전자 건강 기록(EHR)의 활용도를 높이기 위해 주변 음성이 사용되고 있습니다. 현재 의료 문서 작성을 돕기 위해 AI 서기관이 구현되고 있습니다. 이를 통해 의사는 환자에게 집중할 수 있고 AI는 문서화 프로세스를 처리하여 효율성과 정확성을 향상시킬 수 있습니다.
또한 병원과 의료 시스템은 AI의 예측 모델링 기능을 사용하여 환자의 위험을 계층화하고 위험이 높거나 증가하는 환자를 식별하고 최선의 조치를 결정할 수 있습니다. 실제로 AI의 클러스터 감지 기능은 유사한 특성을 가진 환자를 식별하고 이들에 대한 일반적인 임상 조치 과정을 결정하기 위해 연구 및 임상 치료에 점점 더 많이 사용되고 있습니다. 이는 또한 활성화할 수 있습니다. 가장 효과적인 치료 과정을 결정하고 그 효능을 측정하기 위한 가상 또는 시뮬레이션 임상 시험.
향후 사용 사례는 의사와 환자 간의 의사소통에 AI 기반 언어 모델을 사용하는 것일 수 있습니다. 이러한 모델은 공감적인 대화를 시뮬레이션하여 환자에게 유효한 반응을 제공하여 어려운 상호 작용을 보다 쉽게 관리할 수 있는 것으로 밝혀졌습니다. AI를 적용하면 상태와 메시지의 심각도에 따라 환자 메시지를 더 빠르고 효율적으로 분류하여 환자 치료를 크게 개선할 수 있습니다.
과제와 윤리적 고려사항
의료 분야에서 AI 구현과 관련된 한 가지 과제는 AI 도구를 사용할 때 규제 준수, 환자 안전 및 임상 효능을 보장하는 것입니다. 임상 시험은 새로운 치료법의 표준이지만 AI 도구가 동일한 접근 방식을 따라야 하는지에 대한 논쟁이 있습니다. 또 다른 우려 사항은 데이터 유출 위험과 환자 개인정보 침해입니다. 보호된 데이터에 대해 훈련된 대규모 언어 모델은 잠재적으로 소스 데이터를 유출할 수 있으며, 이는 환자의 개인 정보 보호에 심각한 위협이 됩니다. 의료 기관은 환자 데이터를 보호하고 침해를 방지하여 신뢰와 기밀성을 유지할 수 있는 방법을 찾아야 합니다. 훈련 데이터의 편향 역시 해결해야 할 중요한 과제입니다. 편향된 모델을 방지하려면 학습 데이터의 편향을 방지하는 더 나은 방법을 도입해야 합니다. 편견을 피하기 위해 더 나은 모델 교육을 가능하게 하고 의료의 모든 측면에 형평성을 통합하는 교육 및 학문적 접근 방식을 개발하는 것이 중요합니다.
AI의 사용은 혁신을 위한 수많은 새로운 관심사와 개척지를 열었습니다. AI 사용에서 진정한 임상적 이점을 찾을 수 있는 부분에 대한 추가 연구가 필요합니다. 이러한 과제와 윤리적 문제를 해결하기 위해 의료 서비스 제공자 조직과 소프트웨어 회사는 익명성을 보장하고 개인 정보를 보호하면서 의료 데이터를 정확하게 모델링하는 데이터 세트를 개발하는 데 집중해야 합니다. 또한 AI 도구를 안전하고 사려 깊은 방식으로 실행하려면 의료 서비스 제공자, 시스템, 기술/소프트웨어 회사 간의 파트너십을 구축해야 합니다. 이러한 과제를 해결함으로써 의료 기관은 AI의 잠재력을 활용하는 동시에 환자 안전, 개인 정보 보호 및 공정성을 유지할 수 있습니다.
게시물 AI를 통해 의료 분야의 새로운 가능성을 열어보세요 처음 등장한 Unite.AI.