Questa ricerca di indagine sull’intelligenza artificiale fornisce una panoramica completa di ampi modelli di linguaggio applicati al settore sanitario.

Una panoramica completa dei modelli di linguaggio applicati all'intelligenza artificiale nel settore sanitario una ricerca di indagine

Questo contenuto è disponibile solo per abbonati

Termini di utilizzoInformativa sulla privacy

I sistemi di elaborazione del linguaggio naturale (NLP) si sono da tempo basati pesantemente sui modelli linguistiche preaddestrati (PLM) per una varietà di compiti, tra cui il riconoscimento vocale, l’elaborazione delle metafore, l’analisi dei sentimenti, l’estrazione delle informazioni e la traduzione automatica. Con gli sviluppi recenti, i PLM stanno cambiando rapidamente e nuovi sviluppi stanno dimostrando che possono funzionare come sistemi autonomi. Un grande passo in avanti in questo approccio è stato compiuto con lo sviluppo di grandi modelli di linguaggio (LLM), come il GPT-4 di OpenAI, che hanno mostrato un miglioramento delle prestazioni in compiti di NLP e anche in materie come biologia, chimica e test medici. Una nuova era di possibilità è iniziata con il Med-PaLM 2 di Google, che è specificamente progettato per il settore medico e ha raggiunto una performance di livello “esperto” su dataset di domande mediche.

I LLM hanno il potere di rivoluzionare l’industria sanitaria migliorando l’efficacia e l’efficienza di numerose applicazioni. Questi modelli possono offrire un’analisi approfondita e risposte alle domande mediche in quanto hanno una comprensione approfondita delle idee e dei termini medici. Possono aiutare nelle interazioni con i pazienti, nel supporto alle decisioni cliniche e persino nell’interpretazione delle immagini mediche. Tuttavia, ci sono anche alcune limitazioni dei LLM, tra cui la necessità di grandi quantità di dati di addestramento e il potenziale per la propagazione di bias in quei dati.

• Questa ricerca di intelligenza artificiale propone FireAct un nuovo approccio all’intelligenza artificiale per il raffinamento dei modelli linguistici utilizzando traiettorie da più compiti e metodi di agenti.
• Apple e i ricercatori della CMU svelano il Never-ending UI Learner rivoluzionando l’accessibilità delle app attraverso l’apprendimento continuo delle macchine
• Incontra xVal Un modo continuo per codificare numeri nei modelli di linguaggio per applicazioni scientifiche che utilizza un singolo token per rappresentare qualsiasi numero.

In una recente ricerca, un team di ricercatori ha indagato sulle capacità dei LLM nell’ambito sanitario. È necessario confrontare questi due tipi di modelli linguistici per comprendere il significativo miglioramento da PLM a LLM. Sebbene i PLM siano blocchi di costruzione fondamentali, i LLM hanno una gamma più ampia di capacità che permettono loro di produrre risposte coerenti e consapevoli del contesto in contesti medici. Il passaggio da approcci AI discriminativi, in cui i modelli categorizzano o prevendono eventi, a approcci AI generativi, in cui i modelli producono risposte basate sul linguaggio, si può vedere nel passaggio da PLM a LLM. Questo cambiamento mette ulteriormente in evidenza la transizione da approcci focalizzati sul modello a approcci focalizzati sui dati.

Esistono molti modelli diversi nel mondo dei LLM, ognuno adatto a una determinata specialità. Modelli notevoli che sono stati appositamente sviluppati per il settore sanitario includono HuatuoGPT, Med-PaLM 2 e Visual Med-Alpaca. Ad esempio, HuatuoGPT pone domande per coinvolgere attivamente i pazienti, mentre Visual Med-Alpaca collabora con esperti visivi per svolgere compiti come l’interpretazione delle immagini radiologiche. Grazie alla loro molteplicità, i LLM possono affrontare una varietà di problemi legati alla salute.

Il set di addestramento, le tecniche e le strategie di ottimizzazione utilizzate hanno un impatto significativo sulle prestazioni dei LLM nelle applicazioni sanitarie. La ricerca esplora gli aspetti tecnici della creazione e dell’ottimizzazione dei LLM per l’uso in ambienti medici. Ci sono questioni pratiche ed etiche legate all’uso dei LLM in contesti sanitari. È fondamentale garantire giustizia, responsabilità, trasparenza ed etica nell’uso dei LLM. Le applicazioni per la salute devono essere prive di pregiudizi, seguire linee guida morali e fornire giustificazioni chiare per le loro risposte, soprattutto quando è coinvolta l’assistenza ai pazienti.

Le principali contributi del team sono stati così riassunti:

1. È stato condiviso un percorso di transizione da PLM a LLM, fornendo aggiornamenti su nuovi sviluppi.

1. È stato dato risalto all’assemblaggio di materiali di addestramento, strumenti di valutazione e risorse di dati per i LLM nell’industria sanitaria e per aiutare i ricercatori medici a scegliere i migliori LLM per le loro esigenze individuali.

1. Sono state esaminate questioni morali, tra cui imparzialità, equità e trasparenza.