«`html

Может ли генеративный искусственный интеллект произвести революцию в медицине

Генеративный искусственный интеллект постепенно становится важным инструментом в сфере здравоохранения. Он позволяет анализировать огромные объемы медицинских данных, помогает в принятии клинических решений и улучшает качество медицинской помощи. Недавно был проведен анализ 24 исследований, чтобы оценить его использование, эффективность и экологическое воздействие.

Модели генеративного искусственного интеллекта делятся на две основные категории: те, которые работают только с текстом, и те, которые сочетают несколько типов данных, таких как изображения и текст. Первые, часто предварительно обученные на больших общих базах данных, затем дорабатываются для выполнения специфических медицинских задач. Этот этап доработки позволяет адаптировать модели к конкретным потребностям, таким как диагностика заболеваний или анализ медицинских карт пациентов, при этом сокращая время и ресурсы по сравнению с полным обучением.

Мультимодальные модели, хотя и менее распространены, оказываются особенно многообещающими. Они способны одновременно обрабатывать медицинские изображения и тексты, что делает их подходящими для сложных задач, таких как интерпретация сканов с учетом анамнеза пациента. Например, некоторые модели достигли точности до 99,9 % в обнаружении офтальмологических заболеваний или классификации медицинских изображений.

Исследования показывают, что доработанные модели часто превосходят предварительно обученные по точности, с результатами, варьирующимися от 70,6 % до 99,9 %. Они используются для различных задач: классификация заболеваний, ответы на медицинские вопросы или генерация отчетов. Однако их обучение остается очень ресурсоемким. Несколько исследований измерили экологическое воздействие этих технологий, но одно из них выявило, что обучение модели выделило 486 килограммов CO₂, подчеркивая часто игнорируемый углеродный след этих инструментов.

Еще одна проблема связана с качеством используемых данных. Модели часто опираются на общедоступные базы данных или электронные медицинские карты, но существует риск загрязнения данных. Это может искажать результаты, так как модель может обучаться на информации, уже присутствующей в тестовых наборах, что завышает ее реальную эффективность.

Наиболее распространены разговорные приложения, такие как помощники, способные отвечать на медицинские вопросы или резюмировать медицинские карты. Они играют ключевую роль во взаимодействии с пациентами и медицинскими работниками. Тем не менее, несмотря на свой потенциал, мультимодальные модели остаются недостаточно используемыми, хотя они могли бы лучше использовать разнообразие медицинских данных, таких как изображения, тексты и записи.

Оценка эффективности часто основывается на стандартных эталонных тестах, таких как наборы данных, предназначенные для проверки способности моделей отвечать на медицинские вопросы или анализировать изображения. Эти эталонные тесты позволяют объективно сравнивать различные системы. Однако на данный момент не существует специфических эталонов для некоторых специальностей, таких как стоматология, что ограничивает оценку моделей в этих областях.

Наконец, интеграция этих технологий в клиническую практику поднимает вопросы этики и конфиденциальности. Поскольку медицинские данные являются конфиденциальными, их использование должно быть строго регламентировано, чтобы избежать риска идентификации пациентов. Хотя большинство изучаемых моделей все еще находятся на стадии внутренней валидации, их широкомасштабное внедрение потребует строгих испытаний для гарантии их надежности и безопасности.

«`

Bases documentaires

Rapport de référence

DOI : https://doi.org/10.1186/s44398-026-00029-6

Titre : Use of generative artificial intelligence models in healthcare – a scoping review

Revue : BMC Artificial Intelligence

Éditeur : Springer Science and Business Media LLC

Auteurs : Ayesha Nooruddin; Abhishek Lal; Syed Muhammad Faizan Ahmed; Muhammad Huzaifa Ghori; Niha Adnan; Fahad Umer