Generatived (Beta) | Cung cấp tin tức và xu hướng mới nhất về AI sáng tạo

Các nhà nghiên cứu của Đại học Stanford đã phát triển một mô hình AI, MUSK, để cải thiện phương pháp chẩn đoán, điều trị và tiên lượng ung thư. MUSK hướng đến mục tiêu cá nhân hóa phương pháp điều trị ung thư bằng cách phân tích dữ liệu y tế độc đáo của bệnh nhân. Phó giáo sư Ruijiang Li đã nêu bật tính mới lạ của các mô hình nền tảng đa phương thức trong AI y tế và chỉ ra những hạn chế của các mô hình hiện có yêu cầu dữ liệu cặp hình ảnh-văn bản để đào tạo trước.

Việc tích hợp dữ liệu y tế phức tạp để lập kế hoạch điều trị là một thách thức đối với cả bác sĩ và mô hình AI. MUSK giải quyết vấn đề này bằng cách sử dụng học sâu để xử lý văn bản lâm sàng và hình ảnh bệnh lý để xác định các mẫu mà bác sĩ có thể không nhận ra. Phương pháp tiếp cận hai giai đoạn của mô hình bắt đầu bằng cách học từ dữ liệu không ghép nối, sau đó tinh chỉnh khả năng hiểu của nó bằng dữ liệu hình ảnh và văn bản ghép nối. Điều này cho phép MUSK nhận dạng các loại ung thư, dự đoán các dấu ấn sinh học và đề xuất các phương pháp điều trị sau khi được đào tạo trước trên một tập dữ liệu lớn gồm hình ảnh và văn bản bệnh lý.

Jinxi Xiang, tác giả chính của nghiên cứu, đã trình bày chi tiết về quá trình đào tạo trước mở rộng của MUSK trên GPU NVIDIA, cho phép mô hình xử lý hiệu quả các tập dữ liệu lớn. Hiệu suất của mô hình AI đã được thử nghiệm trên nhiều chuẩn mực bệnh lý khác nhau và vượt trội hơn các mô hình hiện có trong việc khớp hình ảnh và văn bản y khoa cũng như giải thích các câu hỏi liên quan đến bệnh lý. Các khả năng của MUSK bao gồm cải thiện khả năng phát hiện và phân loại các phân nhóm ung thư, cũng như dự đoán đáng tin cậy về kết quả sống sót và phản ứng với liệu pháp miễn dịch.

Các tác giả nghiên cứu nhấn mạnh rằng MUSK có thể được điều chỉnh cho các môi trường lâm sàng khác nhau với đào tạo tối thiểu, có khả năng tăng hiệu quả của quy trình làm việc về ung thư. Các công việc Future sẽ xác thực mô hình trong các nhóm bệnh nhân khác nhau và các ứng dụng quan trọng như ra quyết định điều trị. Nhóm nghiên cứu cũng tìm cách mở rộng MUSK sang các loại dữ liệu y tế khác. Kết quả nghiên cứu và tài nguyên có sẵn công khai trên GitHub để cộng đồng y tế tiếp tục phát triển và sử dụng.