Fondo modeliai yra perspektyvūs medicinoje, ypač atliekant sudėtingas užduotis, tokias kaip medicininių sprendimų priėmimas (MDM). MDM yra niuansuotas procesas, reikalaujantis, kad gydytojai analizuotų įvairius duomenų šaltinius, pvz., vaizdus, elektroninius sveikatos įrašus ir genetinę informaciją, ir prisitaikytų prie naujų medicininių tyrimų. LLM galėtų palaikyti MDM, sintezuodami klinikinius duomenis ir įgalindami tikimybinius ir priežastinius samprotavimus. Tačiau LLM taikymas sveikatos priežiūros srityje išlieka sudėtingas, nes reikia pritaikomų, daugiapakopių metodų. Nors kelių agentų LLM turi potencialą kitose srityse, jų dabartiniam dizainui trūksta integracijos su bendradarbiavimo, pakopų sprendimų priėmimu, būtinu veiksmingam klinikiniam naudojimui.
LLM vis dažniau taikomi atliekant medicinines užduotis, pvz., atsakant į medicininio patikrinimo klausimus, numatant klinikinę riziką, diagnozuojant, rengiant ataskaitas ir kuriant psichiatrinius vertinimus. Medicinos LLM patobulinimai pirmiausia atsiranda dėl mokymo naudojant specializuotus duomenis arba naudojant išvados metodus, tokius kaip greita inžinerija ir išplėstinė kartos paieška (RAG). Bendrosios paskirties modeliai, tokie kaip GPT-4, gerai veikia pagal medicininius etalonus, naudojant išplėstinius raginimus. Kelių agentų sistemos padidina tikslumą, nes agentai bendradarbiauja arba diskutuoja, kad išspręstų sudėtingas užduotis. Tačiau esamos statinės sistemos gali apriboti įvairių užduočių našumą, todėl dinamiškas kelių agentų metodas gali geriau paremti sudėtingų medicininių sprendimų priėmimą.
MIT, „Google Research“ ir Seulo nacionalinė universitetinė ligoninė sukūrė medicinos sprendimų priėmimo agentus (MDAgents), kelių agentų sistemą, skirtą dinamiškai priskirti LLM bendradarbiavimą, pagrįstą medicininių užduočių sudėtingumu, imituojančiu realaus pasaulio medicinos sprendimų priėmimą. MDAgentai adaptyviai pasirenka individualų arba komandinį bendradarbiavimą, pritaikytą konkrečioms užduotims, puikiai atliekančius įvairius medicinos etalonus. Jis pranoko ankstesnius metodus 7 iš 10 etalonų ir pasiekė iki 4,2 % pagerėjimo tikslumą. Pagrindiniai žingsniai apima užduoties sudėtingumo įvertinimą, tinkamų agentų parinkimą ir atsakymų sintezę, o grupių peržiūros tikslumas pagerina 11,8%. MDAgentai taip pat subalansuoja našumą ir efektyvumą, reguliuodami agento naudojimą.
MDAgentų sistema yra sudaryta iš keturių pagrindinių medicinos sprendimų priėmimo etapų. Jis pradedamas įvertinus medicininės užklausos sudėtingumą – suskirstant jį į žemą, vidutinį ar aukštą. Remiantis šiuo įvertinimu, įdarbinami atitinkami ekspertai: vienas gydytojas paprastesniems atvejams arba daugiadisciplinė komanda sudėtingesniems atvejams. Tada analizės etape naudojami skirtingi metodai, pagrįsti bylos sudėtingumu, pradedant individualiais vertinimais ir baigiant bendradarbiaujančiomis diskusijomis. Galiausiai sistema apibendrina visas įžvalgas, kad priimtų galutinį sprendimą, o tikslūs rezultatai rodo MDA agentų efektyvumą, palyginti su vieno agento ir kitomis kelių agentų sąrankomis įvairiuose medicinos etalonuose.
Tyrimas įvertina pagrindinius ir pradinius modelius pagal įvairius medicininius etalonus pagal Solo, Group ir Adaptive sąlygas, rodančius didelį tvirtumą ir efektyvumą. Adaptyvusis metodas, MDAgents, efektyviai koreguoja išvadas, pagrįstas užduoties sudėtingumu, ir nuosekliai lenkia kitas sąrankas septyniose iš dešimties etalonų. Tyrėjai, kurie išbando tokius duomenų rinkinius kaip MedQA ir Path-VQA, nustato, kad adaptyvus sudėtingumo pasirinkimas padidina sprendimų tikslumą. Įtraukus MedRAG ir moderatoriaus apžvalgą, tikslumas padidėja iki 11,8%. Be to, sistemos atsparumas parametrų pokyčiams, įskaitant temperatūros koregavimą, pabrėžia jos pritaikymą sudėtingoms medicininių sprendimų priėmimo užduotims.
Apibendrinant galima pasakyti, kad tyrime pristatomi MDAgentai – sistema, didinanti LLM vaidmenį priimant medicininius sprendimus, struktūrizuojant jų bendradarbiavimą pagal užduočių sudėtingumą. Įkvėpti klinikinių konsultacijų dinamikos, MDAgentai prireikus priskiria LLM individualiems arba grupiniams vaidmenims, siekdami pagerinti diagnostikos tikslumą. Dešimties medicininių etalonų bandymai rodo, kad MDA agentai lenkia kitus metodus atliekant septynias užduotis ir padidina tikslumą iki 4,2 % (p < 0,05). Abliacijos tyrimai rodo, kad derinant moderatorių apžvalgas ir išorines medicinos žinias grupėse, tikslumas padidėja vidutiniškai 11,8%, o tai pabrėžia MDA agentų potencialą klinikinėje diagnozėje.
Patikrinkite Popierius. Visi nuopelnai už šį tyrimą tenka šio projekto tyrėjams. Taip pat nepamirškite sekti mūsų Twitter ir prisijunk prie mūsų Telegramos kanalas ir LinkedIn group. Jei jums patinka mūsų darbai, jums patiks ir mūsų darbai naujienlaiškis.. Nepamirškite prisijungti prie mūsų 55k+ ML SubReddit.
(Rėmimo galimybė su mumis) Reklamuokite savo tyrimą / produktą / internetinį seminarą su 1 milijonu ir daugiau skaitytojų per mėnesį ir daugiau nei 500 000 bendruomenės narių
Sana Hassan, „Marktechpost“ konsultacinė praktikantė ir „IIT Madras“ dviejų laipsnių studentė, aistringai taiko technologijas ir dirbtinį intelektą sprendžiant realaus pasaulio iššūkius. Labai domisi praktinių problemų sprendimu, jis atneša naują požiūrį į AI ir realaus gyvenimo sprendimų sankirtą.
Klausykite mūsų naujausių AI podcast'ų ir AI tyrimų vaizdo įrašų čia ➡️
