医療におけるジェネレーティブAIと基盤モデル

Pulisher : Cloud Technology Center イ・ヨンジン
Description : ヘルスケア分野で生成型AIと基礎モデルがどのように活用されるのか、そして今後の発展可能性について紹介したセッション

はじめに

ヘルスケア分野において、Generative AIとFoundation Modelがどのように活用されるのか、今後ヘルスケアはどのように運営されるのか、未来を展望する時間を持ちたいと思い、本セッションを申し込みました。

セッションの概要紹介

本セッションは、黒板を利用した講義方式 – Chalk Talk – で行われ、次のようなテーマでお話しました。
・Generative AIとは何か？
・Healthcare分野におけるGen AIの活用Use Case
・Generative AIとFoundation Modelを制限を設けずに活用すること
・Healthcareで蓄積された既存データにGenerative AIを使うこと

では、AIとは何でしょうか？大きな範囲でのAIは、結局そのAIの発展からなるMachine Learning > Deep Learning > Generative AIなど、すべてを含みます。

最終的にGenerative AIは、Foundation Modelを利用します。

ファウンデーションモデルは、大量の非構造化データに対して事前学習されます。これらは、複雑な概念を学習できるようにする多数のパラメータを含んでいます。ファウンデーションモデルは様々な文脈で適用することができます。ドメインの特定のタスクのために、ユーザーのデータを使用してFoundation Modelをカスタマイズすることができます。

Foundation Modelが様々なデータを処理する方法を視覚的に表現すると、次のようになります。Foundation ModelがGen. AIの中核であり、その柔軟性とカスタマイズ能力が様々なアプリケーションで重要な役割を果たすことを強調しています。

従来の機械学習モデルとFoundation Modelの2種類の機械学習モデルを比較してみましょう。

従来のMLモデルは次のように動作します。
・正しい答えがタグ付けされたデータ（例えば、「猫」または「犬」とラベル付けされた写真）から始めます。
・各データセットは、個別の機械学習モデルのトレーニングに使用されます。
・モデルが訓練されると、テキストの生成、情報の要約、特定の詳細の抽出、Q&A、チャットボットのように振る舞うタスクを実行することができます。
・このプロセスは、トレーニングの結果、各タスクのためのモデルを最終的に展開することで終了します。

Foundation Modelは、従来の機械学習とは異なる動作をします。
・タグや正解のないデータ – ラベルのないデータから始めます。
・このデータは、1つの大きな汎用モデルであるFoundation Model (FM)の事前トレーニングに使用されます。
・FMが事前訓練された後は、各タスクごとに別々のモデルを訓練することなく、様々なタスクに適応することができます。 同じFMでテキスト生成、要約、情報抽出、Q&A、チャットボットの役割を果たすことができます。
・事前訓練した後、他のタスクにこのモデルを適応させることができるようになる、より簡素化されたプロセスを示しています。

結局、Foundation Modelは、多くの小さなモデルを訓練するのではなく、複数のタスクに使用できる一つの大きなモデルを使用するため、従来のMLモデルと比較して、より柔軟で効率的であることがわかります。

Generalist Medical AI (GMAI)は、医療画像、電子カルテ、検査結果、遺伝子、グラフや医療テキストなど、様々な医療情報の組み合わせを柔軟に解釈します。

「Nature誌に掲載された「Foundation Model for Generalist Medical AI」という論文によると、GMAIのパイプラインでは、医学分野の知識、文献、臨床報告などを含む様々な資料を統合し、Q&Aの交換、複数のモデルの入出力、動的なタスクの指定など、柔軟なインタラクションを可能にします。 また、チャットボットのアプリケーション、インタラクティブなメモ作成、拡張された文書のレビュー、エビデンスに基づくレポートの生成、テキストからグラフィックスへの変換、エビデンスに基づく意思決定支援などのアプリケーションも含まれます。

このGMAIは、今後、医療分野で様々なデータを処理して応用し、より柔軟で効率的な方法で医療サービスを提供するのに役立つと思われます。

医療分野で様々な用途で活用されるGen.AIの範囲を示しています。AIの活用範囲を示しています。主な5つのユースケースは以下の通りです。
・医療研究：患者と臨床試験のマッチング、マルチモデルのデータ分析
・臨床の効率化：患者の長期記録の分析、医療画像の自動解析
・業務効率化：紹介状の自動作成、臨床コーディング、事前承認
・患者体験：患者転帰予測、退院指示、治療計画のパーソナライゼーション
・デジタルヘルス：患者ケアコンシェルジュ、リモートケア管理

ヘルスケアにおけるAI活用可能なサービスとして、2つのサービスが紹介されました。 1つ目は「Amazon Bedrock」で、FMを使用してGen.AIアプリケーションを構築・拡張する最も簡単な方法を提供します。AIアプリケーションを構築し、拡張する最も簡単な方法を提供します。2つ目は「Amazon SageMaker JumpStart」で、FMの大規模なトレーニング、微調整、デプロイメント、運用を支援します。

では、AIを活用する上で倫理的な責任感を持って、AIを活用するとはどういうことなのか、以下の通りです。
・公平性：システムが性別や人種などのユーザーサブ集団に与える影響を考慮します。
・説明可能性：AIシステムの結果を理解し、評価するためのメカニズムを提供します。
・健全性 : AIシステムが信頼性高く運営されることを保証するメカニズムを持ちます。
・個人情報保護とセキュリティ : 個人情報保護を考慮してデータを使用し、盗難や露出から保護します。
・ガバナンス：組織内で責任あるAIプラクティスを定義、実装、強制する。
・透明性：利害関係者がどのような情報を認識し、それに基づいて活用を選択できるようにする必要があります。

では、上記の内容を踏まえて、既存の医療データにGen. AIをどのように適用できるのでしょうか。

S3 > Langchain > LLMを利用したGen.AI Architecture。AI Architectureを通じて医療データの分析と洞察を誘導することができます。

AWSと小児脳腫瘍ネットワーク(CBTN)が小児がん研究の発展のために、ほぼリアルタイムでデータ共有を支援するという内容です。 これにより、小児脳腫瘍に対する意識を高め、重要な研究の必要性を伝えるために、患者アーティストの作品を一緒に展示しています。作品を提供したのは、5歳のCameronさんで、良性中枢神経腫瘍である反復性無形成性イペンジモーマの患者さんです。この作品もre:Invent 2023 Expoに展示されました。

また、Gen. AIのデモンストレーションとAWSの医療分野の専門家をre:Invent 2023 Expoで会える場所も用意されていましたが、私は日程上、参加できなかったのが残念でした。

セッションを終えて

このセッションでは、Healthcare分野におけるAI、特にGen.AIの応用について包括的に議論しました。AI、特にGen.AIの適用に関する包括的な議論を取り上げました。要約すると、以下の通りです。

１．ヘルスケアにおけるAI：ヘルスケアにおけるAIと様々な解釈についての紹介がありました。 そして、ヘルスケアでAI技術を活用できる方法が語られました。
２．AWSの問題解決アプローチ：様々な散在する問題を解決するために「逆算する」という方法でAWSの技術について話され、AWSで顧客がヘルスケアでAI技術を採用するのに役立つ役割について話されました。
３．ヘルスケアにおけるAWSの役割：ここでは、AWSのデータサイエンティストチームが、ヘルスケアのお客様がAI技術を理解し、統合するのをどのように支援するかに焦点を当てました。チームはユースケースを特定し、ソリューションを開発するためのワークショップを主導し、直接ソリューションを提供するのではなく、知識の伝達と自立に重点を置いています。
４．生成AIとFoundation Model：スピーカーは、ヘルスケアにおける生成AIとFoundation Modelの重要性を強調し、その巨大な規模と能力を指摘します。これらのモデルはシーケンスを予測することができ、画像生成、テキスト生成など様々な分野で使用されています。
５．ヘルスケアにおける大規模言語モデルの応用：このディスカッションでは、大規模言語モデル（GPTなど）がヘルスケアでどのように活用されるかについて詳しく説明します。 それらの限界、可能性、およびその応用におけるコンテキストの重要性について説明します。
６．実際のアプリケーションとケーススタディ：科学文献分析、疾病予測、業務効率化など、ヘルスケアにおける具体的な使用例が議論されます。AWSの大規模言語モデルを使用して、科学文献から遺伝子-疾患の関連性を特定するプロジェクトを紹介します。
７．課題と考慮事項：AIをヘルスケアに適用する上で、様々な課題についてお話しました。データ品質、モデルのトレーニング、ドメインの専門知識の重要性など。 また、公平性、プライバシー、セキュリティに重点を置いた責任あるAIの使用の必要性が強調されました。
８．今後の展望：このセッションは、ヘルスケアにおけるAIの将来的な発展、臨床における意思決定ツールとしての可能性、そして様々なデータタイプとのAI統合についての考察で締めくくられました。

全体的に、AWSとGenerative AI技術が、医療分野の複雑な問題を解決するためにどのように適用できるかに焦点を当て、ヘルスケアにおけるAIの現状についての詳細な洞察を提供するセッションでした。