জেনারেটিভ এআই সহ স্বাস্থ্যসেবা ভবিষ্যদ্বাণীমূলক মডেল উন্নত করা
নিউমোনিয়া সনাক্তকরণ এবং ক্যান্সার স্টেজিং এর উপর একটি কেস স্টাডি
প্রজেক্ট সারসংক্ষেপ
স্বাস্থ্যসেবার দ্রুত অগ্রসরমান ডোমেনে, ক্লিনিকাল রিপোর্ট থেকে রোগের অবস্থার ভবিষ্যদ্বাণী করার জন্য জেনারেটিভ এআই, বিশেষ করে লার্জ ল্যাঙ্গুয়েজ মডেল (এলএলএম) ব্যবহার করা যথেষ্ট অগ্রগতির দিকে লক্ষ্য করে। ক্লায়েন্ট, স্বাস্থ্য বিশ্লেষণে একজন ট্রেলব্লেজার, তাদের রোগের অবস্থার পূর্বাভাস মডেলগুলিকে পরিমার্জিত করার জন্য একটি মিশনে যাত্রা শুরু করেছে। ওপেন-সোর্স MIMIC CXR ডাটাবেস ব্যবহার করে এবং প্রাথমিক বিশ্লেষণের জন্য জেনারেটিভ AI ভবিষ্যদ্বাণী অন্তর্ভুক্ত করে, লেবেল স্টুডিওর সাথে ম্যানুয়াল বৈধতা অনুসরণ করে, লক্ষ্য ছিল ক্লিনিকাল রিপোর্ট বিশ্লেষণের জন্য মডেল নির্ভুলতা এবং নির্ভরযোগ্যতা বৃদ্ধি করা, বিশেষ করে রেডিওলজি রিপোর্ট।
চ্যালেঞ্জ
স্বাস্থ্যসেবা কর্মপ্রবাহে জেনারেটিভ এআই ভবিষ্যদ্বাণীগুলিকে একীভূত করা অসংখ্য চ্যালেঞ্জ উপস্থাপন করেছে:
MIMIC-CXR-এর মতো উচ্চ-মানের, ওপেন-সোর্স মেডিকেল ডেটাসেটগুলিতে অ্যাক্সেস সুরক্ষিত করার জন্য একটি কঠোর শংসাপত্র প্রক্রিয়ার প্রয়োজন, গোপনীয়তা এবং নৈতিক মানগুলির সাথে সম্মতি নিশ্চিত করা।
জেনারেটিভ এআই মডেলের প্রাথমিক আউটপুটগুলি মাঝে মাঝে রোগের অবস্থার ভবিষ্যদ্বাণীতে ভুলতা প্রদর্শন করে, বর্ধিত নির্ভুলতার জন্য ম্যানুয়াল চেকের প্রয়োজন হয়।
ক্লিনিকাল রিপোর্টের সংক্ষিপ্ত ভাষা থেকে রোগের অবস্থাকে সঠিকভাবে শ্রেণীবদ্ধ করা, বিশেষ করে যখন জেনারেটিভ এআই ব্যবহার করা হয়, তখন একটি উল্লেখযোগ্য বাধা হয়ে দাঁড়ায়।
লেবেল স্টুডিও টুলের মধ্যে উচ্চ-মানের, সঠিক টীকা নিশ্চিত করার জন্য চিকিৎসা রোগের অবস্থা সম্পর্কে বিশেষ জ্ঞান এবং বোঝার প্রয়োজন।
সমাধান
শাইপ এই চ্যালেঞ্জ মোকাবেলার জন্য একটি ব্যাপক কৌশল নিযুক্ত করেছেন:
- স্ট্রীমলাইনড ক্রেডেনশিয়ালিং: দলটি দ্রুত MIMIC-CXR অ্যাক্সেসের জন্য শংসাপত্র প্রক্রিয়াটি নেভিগেট করে, দক্ষতা এবং নৈতিক গবেষণা অনুশীলনের প্রতি প্রতিশ্রুতি প্রদর্শন করে।
- নির্দেশিকা উন্নয়ন: এলএলএম ভবিষ্যদ্বাণীগুলি টীকা করার ক্ষেত্রে ধারাবাহিকতা এবং গুণমান নিশ্চিত করতে ম্যানুয়াল যাচাইকারীদের জন্য অন্তর্দৃষ্টিপূর্ণ নির্দেশিকা তৈরি করা হয়েছে।
- AI ভবিষ্যদ্বাণী সম্পর্কে বিশেষজ্ঞের টীকা: চিকিত্সা দক্ষতা দ্বারা সমর্থিত লেবেল স্টুডিও ব্যবহার করে LLM ভবিষ্যদ্বাণীগুলির সতর্কতামূলক ম্যানুয়াল বৈধতা এবং সংশোধন।
- কর্মক্ষমতা বৈশিষ্ট্যের মান: বিশদ বিশ্লেষণের মাধ্যমে, শাইপ LLM-এর পারফরম্যান্স মেট্রিক্স যেমন কনকর্ডেন্স, নির্ভুলতা, রিকল এবং F1 স্কোর গণনা করেছেন, যা ক্রমাগত উন্নতি করতে সক্ষম হয়েছে।
ফলাফল
- বর্ধিত নির্ভুলতা রেডিওলজি রিপোর্ট থেকে রোগের অবস্থার পূর্বাভাস দিতে।
- একটি একটি উচ্চ মানের স্থল সত্য ভবিষ্যত প্রোডাক্ট ডেভেলপমেন্ট এবং জেনারেটিভ এআই ভবিষ্যদ্বাণীর মূল্যায়নের জন্য ডেটাসেট।
- উন্নত বোঝাপড়া রোগের অবস্থা সনাক্তকরণ, আরো নির্ভরযোগ্য ভবিষ্যদ্বাণীর সুবিধা প্রদান করে।
কেস 1 ব্যবহার করুন: মেশিন লার্নিং মডেলের বৈধতা
দৃশ্যপট: জেনারেটিভ এআই-এর সাহায্যে নিউমোনিয়ার পূর্বাভাস নির্ভুলতা উন্নত করা এই উদাহরণে, একটি জেনারেটিভ এআই মডেল নিউমোনিয়ার লক্ষণ সনাক্ত করতে বুকের এক্স-রে রিপোর্টের মাধ্যমে পরীক্ষা করে। "ডান নীচের লোবে বর্ধিত অস্বচ্ছতা, একটি সংক্রামক প্রক্রিয়ার ইঙ্গিত" উল্লেখ করা একটি প্রতিবেদন প্রতিবেদনের অস্পষ্ট বাক্যাংশের কারণে AI দ্বারা একটি প্রাথমিক "অনিশ্চিত" শ্রেণীবিভাগকে প্ররোচিত করেছে।
বৈধকরণ প্রক্রিয়া:
- একজন চিকিৎসা বিশেষজ্ঞ লেবেল স্টুডিওর মধ্যে রিপোর্টটি পরীক্ষা করেছেন, AI দ্বারা হাইলাইট করা পাঠ্যের উপর মনোনিবেশ করেছেন।
- ক্লিনিকাল প্রেক্ষাপট মূল্যায়ন করে এবং রেডিওলজিক্যাল জ্ঞান প্রয়োগ করে, বিশেষজ্ঞ রিপোর্টটিকে নিউমোনিয়ার জন্য একটি নির্দিষ্ট "ইতিবাচক" হিসাবে পুনরায় শ্রেণীবদ্ধ করেছেন।
- এই বিশেষজ্ঞ সংশোধনকে AI মডেলে আবার একত্রিত করা হয়েছিল, এটির চলমান শিক্ষা এবং পরিমার্জনকে সহজতর করে।
ফলাফল:
- উন্নত মডেল নির্ভুলতা
- পারফরম্যান্স মেট্রিক্স নির্ভুলতা এবং প্রত্যাহার উন্নত করা
কেস 2 ব্যবহার করুন: গ্রাউন্ড ট্রুথ ডেটাসেট তৈরি করুন
দৃশ্যপট: জেনারেটিভ এআই সহ ক্যান্সার টিএনএম স্টেজিংয়ের জন্য একটি বেঞ্চমার্ক ডেটাসেট তৈরি করা
ক্যান্সারের অগ্রগতি পণ্যের উন্নয়নে অগ্রসর হওয়ার লক্ষ্যে, ক্লায়েন্ট একটি ব্যাপক গ্রাউন্ড ট্রুথ ডেটাসেট একত্রিত করতে চেয়েছিল। এই ডেটাসেটটি ক্লিনিকাল ন্যারেটিভ থেকে ক্যান্সারের TNM স্টেজিং সঠিকভাবে ভবিষ্যদ্বাণী করার জন্য নতুন এআই মডেলের প্রশিক্ষণ এবং মূল্যায়নকে বেঞ্চমার্ক করবে।
ডেটাসেট তৈরির প্রক্রিয়া:
- প্যাথলজি অনুসন্ধান এবং ডায়াগনস্টিক ওভারভিউ সহ ক্যান্সার-সম্পর্কিত প্রতিবেদনের একটি বিস্তৃত বর্ণালী সংগ্রহ করা হয়েছিল।
- জেনারেটিভ এআই মডেল প্রতিটি রিপোর্টের জন্য প্রাথমিক TNM স্টেজিং ভবিষ্যদ্বাণী প্রদান করে, এর শেখা নিদর্শন এবং জ্ঞানকে কাজে লাগিয়ে।
- অসম্পূর্ণ বা ভুল AI ভবিষ্যদ্বাণীর ক্ষেত্রে চিকিত্সা পেশাদাররা সঠিকতা, ত্রুটি সংশোধন এবং পরিপূরক তথ্যের জন্য এই AI-উত্পন্ন ভবিষ্যদ্বাণীগুলি পর্যালোচনা করেছেন।
ফলাফল:
- একটি উচ্চ-মানের গ্রাউন্ড ট্রুথ ডেটাসেট তৈরি করা।
- ক্যান্সার নির্ণয় এবং স্টেজিং এর পরবর্তী প্রজন্মের মডেলগুলির পরিমার্জনের জন্য ভবিষ্যত পণ্যগুলির জন্য ভিত্তি৷
শাইপের সাথে কাজ করা রোগের পূর্বাভাসের প্রতি আমাদের দৃষ্টিভঙ্গিকে বিপ্লব করেছে। Shaip এর ডোমেন বিশেষজ্ঞদের দ্বারা সম্পাদিত টীকাগুলির সাথে আমাদের মডেলগুলির নির্ভুলতা এবং নির্ভরযোগ্যতা উল্লেখযোগ্যভাবে উন্নত হয়েছে৷ তাদের সূক্ষ্ম বৈধতা প্রক্রিয়ার জন্য ধন্যবাদ।
