Search Results 医療

「医療の分野における人工知能モデルのリスト（2023年）」

<img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/12/18-1024×618.gif”/><img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/12/18-150×150.gif”/><p>今年だけでも、人工知能（AI）が進化を遂げた数を考えると、2023年を通じて重要な議論の中心となっていることは驚くべきことではありません。AIは今やほぼあらゆる領域で活用されており、その中でも興味深く有用な応用の1つが医療と医学の分野です。薬物の発見から医療文書の転写、手術の支援まで、医療従事者の生活を変え、誤りを減らし、効率を向上させています。この記事では、2023年に医療現場を変革する可能性のあるいくつかのAIモデルについて説明します。</p><h2><a href=”https://www.voagi.com/google-deepminds-recent-advancements-analogical-stepback-prompting.html”><strong>Med-PaLM 2</strong></a></h2><p>Google Researchが医療分野向けに設計したMed-PaLMは、医療の質問に高品質な回答ができるモデルです。このモデルはGoogleのLLMの力を活用しており、米国医師国家試験のような質問に回答する際には人間の専門家レベルに達する最初のモデルの1つです。評価された結果、このモデルは症状を理解し、複雑な推論を行い、適切な治療法を選択する能力を示しました。さらに、研究の中でMedQA医学試験のベンチマークで86.5％の正確さを達成しました。有望な能力を示しているものの、研究者はより厳密な評価を行い、安全性の重要な領域での展開が可能かどうかを確認するためにさらなる評価を行いたいと考えています。</p><h2><a href=”/?s=Bioformer”><strong>Bioformer</strong></a></h2><p>Bioformerは、バイオメディカルテキストマイニングに使用できるBERTのコンパクト版です。BERTは自然言語処理のアプリケーションで最先端の性能を達成していますが、計算効率を向上させるためにパラメータを減らすことができます。Bioformerの研究者たちは、このアプローチを取り、BERTよりもモデルサイズが大幅に小さいモデル（60％削減）を開発しました。このモデルはPubMedの要約とPubMed Centralの全文記事で訓練され、バイオメディカル用語を使用しています。研究者は2つのバージョンのモデル、Bioformer8LとBioformer16Lをリリースしましたが、名前の識別、関係抽出、質問応答、文書分類などのパラメータで少ないパラメータでもうまく機能しました。</p><h2><a href=”https://www.voagi.com/google-ai-has-launched-medlm-a-series-of-foundation-models-specifically-tailored-for-the-healthcare.html”><strong>MedLM</strong></a></h2><p>MedLMは、Googleが開発した基礎モデルのスイートで、医療ケースに特化してファインチューニングされています。MedLMの下には複雑なタスクに対応し、タスク間でのスケーリングを可能にする2つのモデルが設計されています。これらのモデルの主な目的は、タスクを自動化して時間を節約し、効率を向上し、全体的な患者の健康を改善することです。Googleの研究者はDeloitteと協力して、MedLMの能力を実証するためのパイロットを行っています。MedLMはまた、BenchSciのASCENDなど他のAIシステムと統合されており、臨床研究の品質と速度を向上させるために活用されています。</p><h2><a href=”/?s=RoseTTAFold”><strong>RoseTTAFold</strong></a></h2><p>RoseTTAFoldは、限られた情報から蛋白質の構造を予測するためのディープラーニングを活用したソフトウェアです。このモデルは蛋白質配列のパターン、アミノ酸の相互作用、および3D構造を研究することができます。このモデルにより、研究者は蛋白質と小分子薬剤の相互作用のモデル化が可能になり、これにより薬剤探索の研究が促進されます。モデルの研究者はまた、コードを公開して、全コミュニティの利益に資するようにしています。</p><h2><a href=”https://www.voagi.com/revolutionizing-biological-molecule-predictions-with-deepminds-alphafold.html”><strong>AlphaFold</strong></a></h2><p>AlphaFoldは、DeepMindが開発した強力なAIモデルで、アミノ酸配列から蛋白質の3D構造を予測することができます。DeepMindはEMBL（EMBL-EBI）のEuropean Bioinformatics Instituteとパートナーシップを組んで、20億以上のAI生成蛋白質構造予測を含むデータベースを公開し、科学研究を促進しています。CASP14では、AlphaFoldは他のモデルよりも高い精度で結果を出し、高い正確性を持ちます。さらに、このモデルは研究者が蛋白質構造を理解し、生物学的研究を進めるのに役立つ潜在能力を持っています。</p><h2><a href=”/?s=ChatGLM-6B”><strong>ChatGLM-6B</strong></a></h2> ChatGLMは中国語と英語のバイリンガルモデルであり、中国語の医療対話データベースを元に微調整されています。モデルは比較的短い時間（13時間）で微調整されたため、非常に手頃な医療目的のLLMです。モデルはより長いシーケンス長を持つため、より長い対話や応用に対応しています。モデルは教師あり微調整、RLHFなどの技術を使用してトレーニングされました。これにより、モデルは人間の指示をより理解することができます。その結果、モデルは優れた対話と質問応答の能力を持っています。記事：List of Artificial Intelligence Models for Medical…

Google AIがMedLMを導入：医療業界の利用事例に特化したファミリー型基盤モデル

Googleの研究者たちは、現在米国で利用可能な医療業界のために調整されたモデルの基礎であるMedLMを紹介しました。これは、Googleの医療と医学における以前の研究であるMed-PaLM 2という医用に調整された大規模言語モデルに基づいて構築されています。MedLMには、別々のエンドポイントを持つ2つのモデルがあり、顧客にさまざまなユースケースに対する柔軟性を提供します。MedLMは、医療の質問応答や要約に優れた性能を発揮します。最初のモデルは大きなバリアントで、複雑なタスクを処理するために設計されています。一方、二番目のVoAGIサイズのモデルは、微調整やさまざまなアプリケーションへのスケーラビリティに対して柔軟性を提供します。特定の医療と生命科学の要件に基づいて設計されたこれらのモデルは、基本的な機能から洗練されたワークフローまで、医療におけるAIの採用を強化することが期待されています。 Googleは、HCA Healthcare、BenchSci、Accenture、およびDeloitteと協力し、既存のプロジェクトでのパフォーマンスと効率を向上させるためにMedLMを活用しています。HCA Healthcareとの協力により、MedLMはAugmedixのプラットフォームに統合されています。MedLMの技術を活用したこのアプリは、自然言語処理を使用してクリニシャンと患者の会話をドラフト医療ノートに変換し、医療規制に準拠します。この自動化は、パフォーマンスを向上させるだけでなく、時間の節約、バーンアウトの軽減、そして患者ケアの向上にも貢献します。 BenchSciは、前臨床の研究開発の領域で、ASCENDプラットフォーム内でMedLMを活用しています。目標は、前臨床研究のスピードと品質を向上させることにより、薬の発見を加速することです。ASCENDは、AIパワーのエビデンスエンジンであり、MedLMと協力してバイオマーカーの識別と分類を強化し、科学的な発見プロセスを効率化しています。 Accentureとの協力により、Googleは生成型AIを活用して患者のアクセス、体験、および結果を向上させることを目指しています。Google CloudのClaims Acceleration SuiteとMedLMを統合することで、医療機関は新しい洞察を発見し、最終的にはより良い患者結果につながることができます。MedLMの機能をパイロット導入することにより、DeloitteとGoogle Cloudは、プロバイダディレクトリや福利厚生文書からの情報の簡素化を図り、さまざまな基準に基づいて適切なプロバイダを特定する際にコンタクトセンターエージェントをサポートしています。これらのプロジェクトすべてが示しているように、MedLMの利用は医療および医学産業におけるAIの成長を支援することができます。Google Researchは、今後数ヶ月間にさらなる機能を提供するために、Geminiベースのモデルを組み込んでMedLMスイートを拡大する予定です。業界のリーダー企業との協力努力は、医療における生成型AIの変革的な可能性を示しています。技術が進化するにつれて、Googleは医療現場の開業医、研究者、および医療組織と緊密に連携し、健康・生命科学における画期的な研究を推進するためにAIの安全かつ責任ある使用を確保することに取り組んでいます。この投稿は、Google AI Introduces MedLM: A Family of Foundation Models Fine-Tuned…

医療AIツールは危険な誤りを引き起こす可能性があります政府はそれらを予防するのに役立つのでしょうか？

バイデン政権は、人工知能の健康ケアアプリに対して、安全性を確保するためのラベリングシステムの導入を提案しています

スラヴァ・マデルスカ、ヘルステック起業家—ヘルスケアAI、痛み管理テクノロジー、予防医療、背中の痛みの革新、そしてヘルスケアのトレンド

このインタビューでは、HUGUPとSemiflex Dome Systemの創設者兼CEOであるスラワ・マデルスカの洞察を探っていますデジタルエージェンシーからメドテック起業への転身という経験を持つマデルスカは、医療におけるテクノロジーの統合について繊細な視点を持ちますHUGUPはエビデンスに基づいた腰痛管理ソリューションに焦点を当てており、一方でセミフレックスシステムは革新的な外科医療機器として使用されています...スラワ・マデルスカ、ヘルステック起業家 - ヘルスケアAI、疼痛管理テクノロジー、予防医療、腰痛イノベーション、そしてヘルスケアのトレンドについて詳しく見る»

このAI論文は、「GREAT PLEA」倫理的フレームワークを提案しています：医療における責任あるAIのための軍事に焦点を当てたアプローチ

ピッツバーグ大学、ウェル・コーネル・メディシン、テレメディシン＆先進テクノロジー研究センター、統合失調症（USU）、ブルック陸軍医療センター、およびピッツバーグ医療センターの研究者グループは、特に透明性、バイアスモデリング、倫理的意思決定に焦点を当てた、保健医療における創発AIの倫理的原則を調査しました。彼らはGREAT PLEA原則と呼ばれるフレームワークを提案しました。これは、ガヴァナビリティ、リライアビリティ、エクイティ、アカウンタビリティ、トレーサビリティ、プライバシー、法的性質、共感、およびユートニカを表しています。フレームワークは、創発AIの統合から生じる倫理的ジレンマに対処するために、これらの原則の積極的な採用と拡大を提唱しています。この研究では、軍事と医療の共通した迅速な意思決定の必要性を強調しながら、医療における創発AIの変革的な可能性を探求し、透明性やバイアスなどの倫理的懸念に注目しています。また、軍事倫理に触発された実践的な枠組みを紹介しており、創発AIを医療に統合する際の倫理的な課題に対処するために、ガヴァナンス、公平さ、および意思決定プロセスにおける共感を重視しています。軍事や医療を含むさまざまな分野でAIの役割が拡大していることは、倫理的考慮の必要性を強調しています。この研究では、米国国防総省とNATOが軍事AIの倫理を公開したことを指摘しています。また、臨床部門の代替案など、医療におけるAIの影響を探求し、創発AIの変革的な可能性に焦点を当てています。医療における創発AIのための特定の倫理的原則の欠如を強調しています。軍事と医療部門でのAIの優先事項の収束が強調されています。この研究では、医療における創発AIのために軍事に触発された倫理的原則を提案しています。研究者は、ガヴァナビリティ、リライアビリティ、エクイティ、アカウンタビリティ、トレーサビリティ、プライバシー、法的性質、共感、およびユートニカなどの問題に対処するためのGREAT PLEA原則を作成するために、軍事と医療の倫理的な懸念を対比させています。研究者は、医療における創発AIシステムについて、エンドユーザーにその能力と限界の認識を確保するための教育の重要性を強調し、透明性と文書化を重視しています。さらに、研究チームは、患者ケアの改善と同時に、人間の創造性、生産性、問題解決能力の向上の道徳的意義も強調しています。まとめると、この研究では、創発AIを医療に組み込むために、軍事に触発された「GREAT PLEA」という倫理的原則のセットを提案しています。このフレームワークは、透明性、文書化、およびトレーサビリティの重要性を強調し、医療実践における信頼性を向上させ、倫理基準を維持するものです。エンドユーザーへの教育と創発AIにおける倫理的な課題に積極的に取り組むことによって、患者ケアの改善を図ることが重要です。この記事の元の投稿はこちらからご覧いただけます。また、MarkTechPostでご覧いただけます。

「AIは医療現場でどのような役割を果たすべきか？」

「私は社会学者としての訓練を受けたことを知っている方もいるかもしれません──正確に言うと、大学院で医療社会学を専攻しましたつまり、病気や医学との関わりにおいて人々やグループがどのように相互作用するかに焦点を当てて研究してきました…」

医療画像AIがより簡単になりました：NVIDIAがMONAIをホステッドクラウドサービスとして提供

本日、NVIDIAは医療画像AIのためのクラウドサービスを立ち上げました。これにより、完全に管理され、クラウドベースのAPIを通じてグランドトゥルースデータの作成と専門的なAIモデルのトレーニングをスムーズ化し、加速させることができます。 NVIDIA MONAIクラウドAPIは、この週にシカゴで開催される北米放射線学会の年次総会(RSNA)で発表され、開発者とプラットフォームプロバイダが事前にトレーニングされた基礎モデルを使用し、企業向けのAIワークフローを統合するための迅速なパスを提供します。これらのAPIは、NVIDIAとキングズカレッジロンドンによって設立されたオープンソースのMONAIプロジェクトに基づいて構築されています。医療画像は医療分野全体で重要な役割を果たしており、医療データの約90%を占めています。これは放射線科医や臨床医がスクリーニング、診断、介入を行うために使用されるほか、バイオファーマの研究者が臨床試験患者が新薬にどのように反応するかを評価するために使用され、医療機器メーカーはリアルタイムの意思決定支援を提供します。これらの領域における作業の規模は、医療画像専用のAIファクトリーを必要とします。これはエンタープライズグレードのプラットフォームであり、大規模なデータ管理を提供し、グランドトゥルースのアノテーションを作成し、モデルの開発を加速し、シームレスなAIアプリケーションの展開を確立します。 NVIDIA MONAIクラウドAPIを使用することで、ソリューションプロバイダは医療画像プラットフォームにAIをより簡単に統合することができます。これにより、放射線科医、研究者、臨床試験チームがドメインに特化したAIファクトリーを構築するための高速ツールを提供することができます。これらのAPIは、NVIDIA DGX Cloud AIスーパーコンピューティングサービスを通じて早期アクセスで利用可能です。 NVIDIA MONAIクラウドAPIは、AI開発のためのエンドツーエンドワークフローをサポートする主要な医療画像データおよびAIプラットフォームであるFlywheelに統合されています。RedBrick AIなどの医療画像アノテーション企業の開発者やDataikuなどの機械学習オペレーション（MLOps）プラットフォームプロバイダは、NVIDIA MONAIクラウドAPIを自社の提供物に統合する予定です。医療画像のための準備完了のアノテーションとトレーニング効率的かつコスト効果の高いAIソリューションを構築するには、ソフトウェアのためのフルスタック最適化、スケーラブルなマルチノードシステム、最新の研究など、堅牢でドメインに特化した開発基盤が必要です。また、高品質なグランドトゥルースデータも必要ですが、特に3D医療画像では専門知識が高度に必要なアノテーションのため、煩雑で時間がかかる場合があります。 NVIDIA MONAIクラウドAPIには、VISTA-3D（Vision Imaging Segmentation and Annotation）の基礎モデルによるインタラクティブなアノテーション機能が搭載されています。これにより、ユーザーのフィードバックと新しいデータに基づいて、AIモデルのパフォーマンスが向上します。 VISTA-3Dは、さまざまな疾患と体の部位にわたる4,000人以上の患者の3D CTスキャンからアノテーション付き画像のデータセットでトレーニングされており、医療画像解析のための3Dセグメンテーションマスクの作成を加速します。そして、継続的な学習により、AIモデルのアノテーション品質が時間とともに向上します。…

「AIのトレーニングAI：ゲータートロングPTがフロリダ大学の医療AIのイノベーションの最前線に」

臨床データが少ない状況でAIに臨床言語を理解させるにはどうすればいいのでしょうか？別のAIを訓練して、訓練データを合成します。人工知能は医学の方法を変えつつあり、様々な臨床業務にますます使われています。これは生成AIやGatorTronGPTのようなモデルによって推進されています。GatorTronGPTはフロリダ大学のHiPerGator AIスーパーコンピュータで訓練され、Nature Digital Medicine Thursdayで紹介された論文で詳細が説明されています。 GatorTronGPTは臨床データに基づいて訓練された大規模な言語モデル（LLMs）の一つです。研究者たちは、GPT-3のフレームワークを使用してこのモデルを訓練しました。ChatGPTでも使用されているフレームワークです。この目的のために、彼らは2770億単語の巨大なコーパスを使用しました。訓練データには、非特定化された臨床ノートから820億単語と、様々な英文書から1950億単語が含まれています。しかし驚きはここにあります。研究チームはGatorTronGPTを使用して、約200億語の合成臨床テキストコーパスを生成しました。この合成臨床テキストは、臨床要素に焦点を当て、医師が書いた本物の臨床ノートのように読むことができます。この合成データは、GatorTron-SというBERTベースのモデルの訓練に使用されました。比較評価では、GatorTron-Sは臨床概念の抽出や医療関連の抽出などの臨床自然言語理解のタスクで優れたパフォーマンスを示しており、8200億単語の臨床データセットで訓練された元のBERTベースのモデルであるGatorTron-OGが打ち立てた記録を上回っています。さらに驚くべきことに、これを少ないデータで実現できました。 GatorTron-OGとGatorTron-Sのモデルは、フロリダ大学のHiPerGatorスーパーコンピュータでNVIDIAのMegatron-LMパッケージを実行する560台のNVIDIA A100 Tensor Core GPUで訓練されました。このプロジェクトで使用されたMegatron LMフレームワークの技術は、後にNVIDIA NeMoフレームワークに組み込まれ、GatorTronGPTの最新の研究にも活用されています。 LLMsによる合成データの使用は、いくつかの課題に対処するものです。LLMsには膨大な量のデータが必要であり、品質の高い医療データが限られています。また、合成データはHIPAAなどの医療プライバシー規制に準拠したモデル訓練を可能にします。 GatorTronGPTの研究は、昨年ChatGPTの急速な普及と共に登場したLLMsが、さらに多くの分野で活用される可能性を示す最新の例です。また、加速されたコンピューティングによって実現される新しいAI技術の進展の一例でもあります。…

Corporate

カスタムデータセット（医療画像セグメンテーション）におけるYOLOv8セグメンテーション

独自のデータセットセグメンテーションのためのYOLOv8マスター、使いやすいチュートリアルで学びましょう高精度と高速でのトレーニング、テスト、デプロイを学びましょう

AIが医療費を削減するのにどのように役立つのか？

「医療業界ほど財政的な援助を必要としている産業はほとんどありません診断機器、医療用品、薬物療法の高いコストに加えて、医療センターの電気と水道代もすぐに膨れ上がりますこれらの請求はしばしば患者に転嫁され、彼らに膨大な医療負債を残してしまいますAIはおそらく…」

Learn more about Search Results 医療