Сучасні напрямки впровадження великих моделей штучного інтелекту в охорону здоров’я. Огляд літератури
DOI:
https://doi.org/10.32782/2786-7684/2024-2-30Ключові слова:
штучний інтелект, моделі, охорона здоров’я, біологія, удосконаленняАнотація
Вступ. Великі моделі штучного інтелекту (чи як ще їх заведено називати – «базові моделі») є відносно новими хмарними програмними комплексами та рішеннями, які спеціалізуються в роботі з великими масивами даних та параметрів. Після проведення попереднього навчання такі моделі демонструють разючу продуктивність у виконанні різноманітних прикладних та теоретичних завдань. В охороні здоров’я поява великих моделей штучного інтелекту спонукала до розвитку нової парадигми для удосконалення та розвитку методологічних підходів в оцінці даних та розробки систем прийняття рішень. Методологія та методи дослідження. Мета дослідження – проаналізувати доступні джерела науково-медичної інформації, присвячені питанням застосування великих моделей штучного інтелекту в охороні здоров’я. Було здійснено інформаційний пошук доступної інформації у відкритих базах медичних публікацій – «PubMed», «Researchgate», «Google Scholar» та електронні депозитарії текстів наукових установ та закладів освіти. Глибина пошуку становила 10 років. Виклад основного матеріалу дослідження. Яскравим прикладом великих моделей штучного інтелекту є «ChatGPT», «Microsoft Copilot», «Google Gemini», «Claude», «Segment Anything» та «Copy.ai». Великі моделі штучного інтелекту поступово стають потужними інструментами для вирішення різноманітних завдань у галузі охорони здоров’я. На сьогодні можна визначити сім ключових секторів охорони здоров’я, в межах яких можна визначити суттєвий вплив великих моделей штучного інтелекту: 1) біоінформатика; 2) медична діагностика; 3) медична візуалізація; 4) медична інформатика; 5) медична освіта; 6) громадське здоров’я; 7) медична робототехніка. Сучасні великі моделі ШІ є відносно «сирими» та потребують удосконалення та адаптації до кожного сектору охорони здоров’я. Висновки. З часом великі моделі штучного інтелекту можуть стати обов’язковими компонентами системи охорони здоров’я, які будуть забезпечувати її функціонування та подальший розвиток. Варто відзначити постійні зміни парадигми розвитку штучного інтелекту, що сприяє створенню великих моделей штучного інтелекту для трансформації різних секторів охорони здоров’я та біології. Подальший успішний розвиток співпраці штучного інтелекту з охороною здоров’я потребує введення певних регуляторних підходів для зниження потенційних ризиків та запобігання конфліктів інтересів, що дозволить вивести галузь на новий етап розвитку.
Посилання
Alam MZ, Proteek SM, Hoque I. A systematic literature review on mHealth related research during the COVID-19 outbreak. Med Educ. 2023;123(1):19-40. doi: 10.1108/he-08-2022-0067
Gibbons M, Shaikh Y. Introduction to consumer health informatics and digital inclusion. In: Edmunds M, Hass C, Holve E, editors. Consumer Informatics and Digital Health: Solutions for Health and Health Care. Cham, Switzerland: Springer; 2019. р. 25-41.
Briganti G, Le Moine O. Artificial intelligence in medicine: today and tomorrow. Front Med (Lausanne) 2020 Feb 05;7:27. doi: 10.3389/fmed.2020.00027
Qiu J, Li L, Sun J, Peng J, Shi P, Zhang R, Dong Y, Lam K, Lo FP, Xiao B, Yuan W, Wang N, Xu D, Lo B. Large AI Models in Health Informatics: Applications, Challenges, and the Future. IEEE J Biomed Health Inform. 2023 Dec;27(12):6074-6087. doi: 10.1109/JBHI.2023.3316750.
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, et al. Attention is all you need. arXiv (Cornell University) [Internet]. 2017 Jan 1; Available from: https://arxiv.org/abs/1706.03762
Wang J, Cheng Z, Yao Q, Liu L, Xu D, Hu G. Bioinformatics and biomedical informatics with ChatGPT: Year one review. ArXiv [Preprint]. 2024 Jun 12:arXiv:2403.15274v2.
Qiu J, Yuan W, Lam K. The application of multimodal large language models in medicine. Lancet Reg Health West Pac. 2024 Mar 16;45:101048. doi: 10.1016/j.lanwpc.2024.101048.
Gillani M, Pollastri G. Protein subcellular localization prediction tools. Comput Struct Biotechnol J. 2024 Apr 15;23:1796-1807. doi: 10.1016/j.csbj.2024.04.032.
Zhao H, Du H, Zhao S, Chen Z, Li Y, Xu K, Liu B, Cheng X, Wen W, Li G, Chen G, Zhao Z, Qiu G; Deciphering Disorders Involving Scoliosis & Comorbidities (DISCO) Study; Liu P, Zhang TJ, Wu Z, Wu N. SIGMA leverages protein structural information to predict the pathogenicity of missense variants. Cell Rep Methods. 2024 Jan 22;4(1):100687. doi: 10.1016/j.crmeth.2023.100687.
Wang S, Zhao Z, Ouyang X, Wang Q, Shen D. ChatCAD: Interactive Computer-Aided Diagnosis on Medical Image using Large Language Models. arXiv (Cornell University) [Internet]. 2023 Jan 1; Available from: https://arxiv.org/abs/2302.07257
Thawkar O, Shaker A, Mullappilly SS, Cholakkal H, Anwer RM, Khan S, et al. XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models. arXiv (Cornell University) [Internet]. 2023 Jan 1; Available from: https://arxiv.org/abs/2306.07971
Yunxiang L, Zihan L, Kai Z, Ruilong D, You Z. ChatDoctor: A medical chat model Fine-Tuned on a large language model Meta-AI (LLAMA) using medical domain knowledge. arXiv (Cornell University) [Internet]. 2023 Jan 1; Available from: https://arxiv.org/abs/2303.14070
Li Y, Rao S, Solares JRA, Hassaine A, Ramakrishnan R, Canoy D, et al. BEHRT: Transformer for electronic health records. Scientific Reports [Internet]. 2020 Apr 28;10(1). Available from: https://doi.org/10.1038/s41598-020-62922-y
Rasmy L, Xiang Y, Xie Z, Tao C, Zhi D. Med-BERT: pretrained contextualized embeddings on large-scale structured electronic health records for disease prediction. NPJ Digit Med. 2021 May 20;4(1):86. doi: 10.1038/s41746-021-00455-y.
Vaid A, Jiang J, Sawant A, Lerakis S, Argulian E, Ahuja Y, Lampert J, Charney A, Greenspan H, Narula J, Glicksberg B, Nadkarni GN. A foundational vision transformer improves diagnostic performance for electrocardiograms. NPJ Digit Med. 2023 Jun 6;6(1):108. doi: 10.1038/s41746-023-00840-9.
Hughes JW, Olgin JE, Avram R, Abreau SA, Sittler T, Radia K, Hsia H, Walters T, Lee B, Gonzalez JE, Tison GH. Performance of a Convolutional Neural Network and Explainability Technique for 12-Lead Electrocardiogram Interpretation. JAMA Cardiol. 2021 Nov 1;6(11):1285-1295. doi: 10.1001/jamacardio.2021.2746.
Wang Z, Wu Z, Agarwal D, Sun J. MedCLIP: Contrastive Learning from Unpaired Medical Images and Text. Proc Conf Empir Methods Nat Lang Process. 2022 Dec;2022:3876-3887. doi: 10.18653/v1/2022.emnlp-main.256
Huang Z, Bianchi F, Yuksekgonul M, Montine TJ, Zou J. A visual-language foundation model for pathology image analysis using medical Twitter. Nat Med. 2023 Sep;29(9):2307-2316. doi: 10.1038/s41591-023-02504-3.
Chambon P, Bluethgen C, Langlotz CP, Chaudhari A. Adapting pretrained Vision-Language foundational models to medical imaging domains. arXiv (Cornell University) [Internet]. 2022 Jan 1; Available from: https://arxiv.org/abs/2210.04133
Huang Z, Wang H, Deng Z, Ye J, Su Y, Sun H, et al. STU-NET: Scalable and transferable medical image segmentation models empowered by Large-Scale Supervised Pre-training. arXiv (Cornell University) [Internet]. 2023 Jan 1; Available from: https://arxiv.org/abs/2304.06716
Abdelkader W, Navarro T, Parrish R, Cotoi C, Germini F, Linkins LA, Iorio A, Haynes RB, Ananiadou S, Chu L, Lokker C. A Deep Learning Approach to Refine the Identification of High-Quality Clinical Research Articles From the Biomedical Literature: Protocol for Algorithm Development and Validation. JMIR Res Protoc. 2021 Nov 29;10(11):e29398. doi: 10.2196/29398.
Lokker C, McKibbon KA, Afzal M, Navarro T, Linkins LA, Haynes RB, Iorio A. The McMaster Health Information Research Unit: Over a Quarter-Century of Health Informatics Supporting Evidence-Based Medicine. J Med Internet Res. 2024 Jul 31;26:e58764. doi: 10.2196/58764.
Harris E. Large Language Models Answer Medical Questions Accurately, but Can't Match Clinicians' Knowledge. JAMA. 2023 Sep 5;330(9):792-794. doi: 10.1001/jama.2023.14311.
Zhui L, Yhap N, Liping L, Zhengjie W, Zhonghao X, Xiaoshu Y, Hong C, Xuexiu L, Wei R. Impact of Large Language Models on Medical Education and Teaching Adaptations. JMIR Med Inform. 2024 Jul 25;12:e55933. doi: 10.2196/55933.
Wójcik S, Rulkiewicz A, Pruszczyk P, Lisik W, Poboży M, Domienik-Karłowicz J. Beyond ChatGPT: What does GPT-4 add to healthcare? The dawn of a new era. Cardiol J. 2023;30(6):1018-1025. doi: 10.5603/cj.97515.
Hao Y, Li B, Huang D, Wu S, Wang T, Fu L, Liu X. Developing a Semi-Supervised Approach Using a PU-Learning-Based Data Augmentation Strategy for Multitarget Drug Discovery. Int J Mol Sci. 2024 Jul 28;25(15):8239. doi: 10.3390/ijms25158239.
Korngiebel DM, Mooney SD. Considering the possibilities and pitfalls of Generative Pre-trained Transformer 3 (GPT-3) in healthcare delivery. NPJ Digit Med. 2021 Jun 3;4(1):93. doi: 10.1038/s41746-021-00464-x.
Sun J, Huang L, Wang H, Zheng C, Qiu J, Islam MT, Xie E, Zhou B, Xing L, Chandrasekaran A, Black MJ. Localization and recognition of human action in 3D using transformers. Commun Eng. 2024 Sep 3;3(1):125. doi: 10.1038/s44172-024-00272-7.
Gilbert S, Harvey H, Melvin T, Vollebregt E, Wicks P. Large language model AI chatbots require approval as medical devices. Nat Med. 2023 Oct;29(10):2396-2398. doi: 10.1038/s41591-023-02412-6.
Knudsen JE, Ghaffar U, Ma R, Hung AJ. Clinical applications of artificial intelligence in robotic surgery. J Robot Surg. 2024 Mar 1;18(1):102. doi: 10.1007/s11701-024-01867-0.
Guni A, Varma P, Zhang J, Fehervari M, Ashrafian H. Artificial Intelligence in Surgery: The Future is Now. European Surgical Research [Internet]. 2024 Jan 22; Available from: https://doi.org/10.1159/000536393