Große Sprachmodelle werden schnell zu einem wichtigen Baustein in neuen Informationssystemen für Verwaltungspersonal und Klinikpersonal in Krankenhäusern und Gesundheitssystemen. Diese Form der künstlichen Intelligenz kann Aufgaben erledigen, die für den Menschen unvorstellbar sind.
Harrison.ai entwickelt künstliche Intelligenztechnologie zur Beschleunigung klinischer Diagnosen und bietet eine Reihe von KI-Tools für Radiologie und Pathologie an. Sie sind darauf ausgelegt, die Effizienz von Ärzten zu verbessern und so Burnout vorzubeugen.
Neuigkeiten aus der Gesundheits-IT sprach mit Dr. Aengus Tran, Mitbegründer und CEO von Harrison.ai, über LLMs und Radiologie: warum sie gut zusammenpassen, was genAI-Modelle für Radiologen leisten können, wie sich Radiologen ihrer Qualität und Genauigkeit sicher sein können – und wie die Einführung von LLMs für die Radiologie dazu beitragen kann, dem Mangel an Radiologen zu begegnen.
F: Warum eignet sich ein großes Sprachmodell gut für die Radiologie?
A. Große Sprachmodelle haben das Potenzial, einige der dringendsten Herausforderungen der Radiologie zu bewältigen. Während viele der KI-Modelle, die im Gesundheitswesen Einzug gehalten haben, nur vordefinierte Aufgaben ausführen können, verbessern Fortschritte im maschinellen Lernen die Fähigkeit neuer Modelle, kontinuierlich zu lernen und auf Bereiche zu verallgemeinern, in denen das Modell nicht trainiert wurde.
Dies ist ein transformativer nächster Schritt für die KI im Gesundheitswesen – einer Branche, in der das Ziehen von Schlussfolgerungen auf der Grundlage früherer Erfahrungen und Erkenntnisse angesichts neuer und unbekannter Bedingungen von entscheidender Bedeutung ist, um den Patienten die richtige Versorgung zukommen zu lassen.
Die Ausbildung von LLMs in Radiologie unterscheidet sich nicht von der Ausbildung von Medizinstudenten in diagnostischer Radiologie – durch ständiges Üben, Durchsehen von Fällen und Studium der Literatur. Ein gut trainiertes LLM-Modell sollte in der Lage sein, bei Aufgaben wie der Analyse radiologischer Bilder zur Erkennung von Anomalien und Lokalisierungen, dem Vergleich mit Voruntersuchungen und der Vorhersage von Ergebnissen eine Leistung auf menschlichem Niveau zu erzielen.
LLMs könnten einen sofortigen und direkten Nutzen haben für Radiologen, da es sie bei der Bewältigung der rasanten Zunahme medizinischer Daten durch die rasche Verarbeitung und Integration von Informationen aus mehreren Quellen unterstützt.
Ob bei der Interpretation von Textdaten wie medizinischer Literatur und Patientengeschichten oder bei der Analyse visueller Bilddaten: Diese Modelle können Radiologen umfassende Erkenntnisse liefern, deren Zusammenstellung früher einen erheblichen Zeit- und Ressourcenaufwand erforderte.
Da radiologische Bilder digitalisiert werden, steht zudem eine Fülle hochwertiger, standardisierter Daten zur Verfügung, die in diesem Bereich einzigartig sind und sich für KI-Eingriffe eignen.
F: Was kann ein LLM für einen Radiologen tun?
A. Medizinische Einrichtungen auf der ganzen Welt haben mit der zunehmenden Menge an medizinischen Bildern und den damit verbundenen Daten pro Fall, einem Mangel an Radiologen und dem Risiko eines Burnouts der Ärzte zu kämpfen.
Ein speziell auf die Radiologie spezialisierter LLM könnte medizinische Informationen, Patientengeschichten und Bilddaten rasch verarbeiten und Radiologen so potenziell in einem Bruchteil der Zeit umfassende Erkenntnisse liefern.
Darüber hinaus könnten LLMs Radiologen bei der Diagnoseentscheidung unterstützen, indem sie Bilddaten interpretieren, Anomalien identifizieren, mögliche Diagnosen vorschlagen und zeitaufwändige Verwaltungsaufgaben automatisieren. Radiologen können dann schnellere und genauere Entscheidungen treffen, sodass sie mehr Patienten untersuchen und gleichzeitig ihre Gesamtarbeitsbelastung verringern können.
Entgegen anfänglicher Befürchtungen, dass KI Arbeitsplätze in der Radiologie ersetzen könnte, sind LLMs – oder zumindest ihre Entwicklung – Es ist nicht dazu gedacht, menschliches Fachwissen zu ersetzen, sondern es zu erweitern und zu verstärken.
Viele der weltweit verfügbaren LLMs sind zwar leistungsstark, haben jedoch einen breiten, allgemeinen Fokus.
Diese generalistischen Modelle sind nicht für einen Bereich geeignet, in dem es ganz auf Genauigkeit ankommt und in dem keine Fehler erlaubt sind. Eine spezialisierte und hochdifferenzierte Funktion wie das Gesundheitswesen erfordert ein spezialisiertes Modell.
F. Wie kann sich ein Radiologe der Qualität und Genauigkeit der Arbeit eines LLM sicher sein? Wie kann er sich wohlfühlen?
A. Ein Modell ist nur so gut wie die Daten, mit denen es trainiert wird – und wir müssen uns der Risiken und Herausforderungen bewusst sein, die mit der Verwendung von LLMs verbunden sind. Die Wirksamkeit von LLMs hängt von drei Schlüsselelementen ihrer Trainingsdaten ab: Qualität, Menge und Vielfalt. Durch die Nutzung von Datensätzen, die in diesen Aspekten herausragend sind, können wir anspruchsvolle Systeme erstellen, die präzise und qualitativ hochwertige Ergebnisse liefern können.
Darüber hinaus ist eine umfassende Evaluierung unerlässlich. Die Evaluierung von LLMs für den Einsatz in der Radiologie bringt zusätzliche Herausforderungen mit sich – um grundlegende Modelle zu evaluieren, müssen wir zu einem Paradigma übergehen, bei dem wir sie auf ihre Fähigkeit testen, einzelne Pathologien zu erkennen und ihre radiologischen Interpretationsfähigkeiten im Allgemeinen.
Das bedeutet, dass es noch strengere Tests für Sicherheit und Genauigkeit für LLMs geben muss. Dazu gehören Tests nach internationalen Standards und Benchmarks, ein Vergleich der Leistung mit anderen LLMs in der Branche und Unterziehen der Modelle realitätsnahen Bewertungen.
Es wurden mehrere Benchmarks eingeführt, um die Leistung multimodaler Basismodelle bei medizinischen Aufgaben zu bewerten und zu vergleichen. Unserer Ansicht nach sollten LLMs nicht nur anhand dieser Benchmarks getestet werden, sondern auch anhand von Prüfungen von Radiologen, die als Goldstandard bei der Interpretation medizinischer Bilder gelten.
Dieser strenge Evaluierungsprozess dient einem doppelten Zweck: Er stärkt das Vertrauen der Radiologen, indem er eine gründliche Validierung des Modells belegt und gleichzeitig dessen Legitimität als zuverlässige unterstützende Technologie beweist.
F: Wie kann die Einführung eines LLM in der Radiologie dazu beitragen, den Mangel an Radiologen zu beheben?
A. Das globale Gesundheitswesen steht vor zahlreichen sich überschneidenden Herausforderungen, darunter steigende Bildgebungsvolumina und damit verbundene Daten pro Fall, ein Mangel an medizinischem Fachpersonal und das Risiko eines Burnouts des verbleibenden Personals. LLMs können möglicherweise dazu beitragen, diese Probleme anzugehen, indem sie die Produktivität und Effizienz von Diagnoseprozessen steigern:
Sie können die Effizienz der manuellen Datenannotation verbessern, um große, beschriftete Datensätze für eine umfassende medizinische Bildgebungs-KI zu erstellen.
Sie ermöglichen einen einfachen Zugriff und Abruf von Fällen durch die Analyse radiologischer Berichte und unterstützen so eine schnelle, effiziente und kontinuierliche Qualitätsbewertung.
Wichtig ist, dass LLMs als Modell, das überall und zu jeder Tageszeit funktionieren kann, einen besseren Zugang zu radiologischen Diensten in unterversorgten und abgelegenen Gebieten ermöglichen können. Dies kann bedeuten, vorläufige Befunde und Unterstützung für Kliniker bereitzustellen, die möglicherweise an isolierten Orten oder in Einrichtungen mit begrenzten Ressourcen arbeiten, wodurch der gleichberechtigte Zugang zu zeitnahen und genauen Diagnosen für Patienten auf der ganzen Welt verbessert wird.
Die meisten dieser Tätigkeiten sind zeitaufwändig und können durch KI vereinfacht werden. So können sich Radiologen auf die kritischen Entscheidungselemente ihrer Arbeit konzentrieren, die den größten Einfluss auf die Patientenversorgung haben.
Folgen Sie Bills HIT-Berichterstattung auf LinkedIn: Bill Siwicki
Senden Sie ihm eine E-Mail: bsiwicki@himss.org
Healthcare IT News ist eine Veröffentlichung von HIMSS Media.
Das HIMSS AI in Healthcare Forum findet vom 5. bis 6. September in Boston statt. Mehr erfahren und registrieren.
