Grundmodeller för AI för hälso- och sjukvård
Viktigt!
Objekt markerade (förhandsversion) i den här artikeln är för närvarande i offentlig förhandsversion. Den här förhandsversionen tillhandahålls utan ett serviceavtal och vi rekommenderar det inte för produktionsarbetsbelastningar. Vissa funktioner kanske inte stöds eller kan vara begränsade. Mer information finns i Kompletterande villkor för användning av Microsoft Azure-förhandsversioner.
Viktigt!
AI-modellerna för hälso- och sjukvård är avsedda för forsknings- och modellutvecklingsutforskning. Modellerna är inte utformade eller avsedda att distribueras i kliniska miljöer som de är eller för användning vid diagnos eller behandling av något hälsotillstånd eller medicinskt tillstånd, och de enskilda modellernas prestationer för sådana ändamål har inte fastställts. Du bär ensamt ansvar för all användning av AI-modeller för hälso- och sjukvård, inklusive verifiering av utdata och införlivande i alla produkter eller tjänster som är avsedda för ett medicinskt ändamål eller för att informera om kliniskt beslutsfattande, efterlevnad av tillämpliga hälso- och sjukvårdslagar och föreskrifter och erhålla nödvändiga godkännanden eller godkännanden.
I den här artikeln får du lära dig mer om Microsofts katalog över grundmodeller för multimodal sjukvård. Modellerna har utvecklats i samarbete med Microsoft Research, strategiska partners och ledande sjukvårdsinstitutioner för sjukvårdsorganisationer. Sjukvårdsorganisationer kan använda modellerna för att snabbt skapa och distribuera AI-lösningar som är skräddarsydda för deras specifika behov, samtidigt som de minimerar de omfattande beräknings- och datakrav som vanligtvis är associerade med att skapa multimodala modeller från grunden. Avsikten är inte att dessa modeller ska fungera som fristående produkter. Snarare är de utformade för utvecklare att använda som en grund att bygga vidare på. Med dessa AI-modeller för hälso- och sjukvård har proffs de verktyg de behöver för att utnyttja ai:s fulla potential för att förbättra biomedicinsk forskning, kliniska arbetsflöden och i slutändan vårdleverans.
Sjukvårdsbranschen genomgår en revolutionerande omvandling som drivs av kraften i artificiell intelligens (AI). Medan befintliga stora språkmodeller som GPT-4 visar ett enormt löfte för kliniska textbaserade uppgifter och allmänna multimodala resonemang, kämpar de för att förstå icke-text multimodala sjukvårdsdata som medicinsk bildbehandling - radiologi, patologi, ögonsjukdomar - och annan specialiserad medicinsk text som longitudinella elektroniska medicinska journaler. De tycker också att det är svårt att bearbeta icke-textmodaliteter som signaldata, genomiska data och proteindata, varav mycket inte är offentligt tillgängligt.
Azure AI-modellkatalogen som finns i Azure AI Foundry och Azure Machine Learning-studio tillhandahåller grundläggande modeller för hälso- och sjukvård som underlättar AI-baserad analys av olika typer av medicinska data och expanderar långt bortom förståelsen för medicinsk text i det multimodala resonemanget om medicinska data. Dessa AI-modeller kan integrera och analysera data från olika källor som finns i olika metoder, till exempel medicinsk avbildning, genomik, kliniska poster och andra strukturerade och ostrukturerade datakällor. Modellerna sträcker sig också över flera vårdområden som dermatologi, oftalmologi, radiologi och patologi.
Microsofts förstapartsmodeller
Följande modeller är Microsofts grundmodeller för multimodal sjukvård från första part.
MedImageInsight
Den här modellen är en inbäddningsmodell som möjliggör avancerad bildanalys, inklusive klassificering och likhetssökning i medicinsk avbildning. Forskare kan använda modellinbäddningar i enkla nollskottsklassificerare eller för att bygga adaptrar för sina specifika uppgifter, vilket effektiviserar arbetsflöden inom radiologi, patologi, oftalmologi, dermatologi och andra modaliteter. Forskare kan till exempel utforska hur modellen kan användas för att skapa verktyg som automatiskt dirigerar avbildningsgenomsökningar till specialister eller flaggar potentiella avvikelser för ytterligare granskning. Dessa åtgärder kan ge bättre effektivitet och patientresultat. Dessutom kan modellen användas för ansvarstagande AI-skydd (RAI), till exempel OOD-identifiering och driftövervakning (out-of-distribution), för att upprätthålla stabilitet och tillförlitlighet för AI-verktyg och datapipelines i dynamiska medicinska avbildningsmiljöer.
CXRReportGen
Bröströntgen är den vanligaste radiologiproceduren globalt. De är avgörande eftersom de hjälper läkare diagnostisera ett brett spektrum av tillstånd- från lunginfektioner till hjärtproblem. Dessa bilder är ofta det första steget för att identifiera hälsoproblem som påverkar miljontals människor. Den här multimodala AI-modellen innehåller aktuella och tidigare bilder tillsammans med viktig patientinformation för att generera detaljerade, strukturerade rapporter från bröströntgen. Rapporterna belyser AI-genererade resultat direkt på bilderna så att de överensstämmer med arbetsflöden som skapats av människor i loopen. Forskare kan testa denna förmåga och potentialen att påskynda handläggningstider samtidigt som diagnostisk precision hos radiologer förbättras.
MedImageParse
Den här modellen är utformad för exakt bildsegmentering, och den omfattar olika avbildningsmodaliteter, inklusive röntgenstrålar, CT-skanningar, MRI, ultraljud, dermatologibilder och patologibilder. Modellen kan finjusteras för specifika program, till exempel tumörsegmentering eller organdelinering, vilket gör det möjligt för utvecklare att testa och validera modellen och möjligheten att skapa verktyg som använder AI för mycket sofistikerad medicinsk bildanalys.
Partnermodeller
Azure AI-modellkatalogen innehåller också en kuraterad samling sjukvårdsmodeller från Microsoft-partner med funktioner som digital patologibildanalys, biomedicinsk forskning och medicinsk kunskapsdelning. Dessa modeller kommer från partner som inkluderar Paige.AI och Providence Healthcare. En fullständig lista över modeller finns på modellkatalogsidan.