Итоги недели в области ML в медицине: дайджест с 21 по 27 октября 2024 года

Главное:

• Разработаны новые модели машинного обучения, ориентированные на медицинские задачи.
• BioMistral-NLU и MedRegA показали высокие результаты в обработке медицинской информации и изображений.
• Новые подходы позволяют повышать точность диагностики и уменьшать предвзятость в обучении ИИ.

Прорывные модели в медицине

В период с 21 по 27 октября 2024 года были анонсированы несколько значительных достижений в области машинного обучения и их применения в медицине. Одной из наиболее заметных разработок стала модель BioMistral-NLU, которая значительно улучшила понимание медицинской терминологии. Эта модель была обучена на уникальном датасете MNLU-Instruct, собранном из 33 открытых источников, что позволяет ей успешно выполнять семь различных задач в здравоохранении, включая распознавание именованных сущностей и анализ тональности.

Кроме того, модель MedRegA, оптимизированная для двуязычной работы с медицинскими изображениями, продемонстрировала высокую точность в ряде задач, включая генерацию отчетов и обнаружение областей на снимках. Она использовала обширный набор данных, состоящий из более чем 550 тыс. комбинаций изображений и вопросов, что подтверждает её универсальность и эффективность в диагностических процессах.

Применение машинного обучения для улучшения диагностики

Достижения в области машинного обучения не ограничиваются только одной моделью. PanDerm, специализированная MMLM для дерматологии, показала внушительные результаты в диагностике кожных заболеваний, включая рак кожи. Примечательно, что её точность в обнаружении меланомы на ранних стадиях оказалась на 10,2% выше, чем у квалифицированных врачей.

Еще одной важной инновацией стало развитие MoRE — модели для анализа рентгеновских снимков и медицинских заключений, которая ужесточила стандарты в области многомодального анализа с использованием контрастивных методов. Тестирование показало, что MoRE превосходит другие существующие подходы, что открывает новые горизонты для комплексной диагностики.

Этика и эффективность: устранение предвзятости в ИИ

Тщательное исследование этических аспектов использования машинного обучения в медицине стало неотъемлемой частью текущих трендов. Применение контрфактических вариаций пациента (CPV) продемонстрировало, как удобно и эффективно можно оценивать предвзятость моделей с точки зрения демографических характеристик. Исследования показали, что LLM демонстрируют значительную предвзятость не только в ответах, но и в способах обоснования решений, что подтверждает необходимость дальнейшей работы над устранением подобных искажений.

Метод ALCD (ALternate Contrastive Decoding) продемонстрировал высокую эффективность в борьбе с галлюцинациями, присущими LLM. Эксперименты показали, что ALCD позволяет значительно улучшить качество идентификации и классификации медицинских сущностей, что критично для принятия решений в клинических условиях.

Таким образом, недавние разработки подтверждают, что использование машинного обучения в медицине способен не только улучшить качество диагностики, но и обеспечить этическое применение технологий в интересах пациентам.