転移学習とガバナンスは医療 AI の格差を埋めるのに役立ちます

シンガポールの研究者らは、高度な人工知能 (AI) 技術により、大規模な現地データセットを必要とせずに、リソースが限られている国の臨床診断を大幅に改善できることを示しました。

Duke-NUS Medical School のチームが申請に成功しました 転移学習心停止後の患者の転帰を予測するために、あるタスク用に開発されたモデルを別のタスクの出発点として再利用する方法。

この研究は、 npjデジタルメディシンこれは、アルゴリズム モデルをゼロからトレーニングするために必要な広範で高品質なデータが不足しているという、低中所得国における AI 導入における共通の課題に対処します。

転移学習の有効性をテストするために、研究者らは院外の心停止患者46,918人のデータを使用して日本で独自に構築された脳回復予測モデルを使用した。彼らはこのモデルをベトナムでの使用に適応させ、243 人の患者からなる小規模なグループでテストしました。

その結果、診断精度が大幅に向上したことがわかりました。オリジナルの日本のモデルをベトナムの状況に直接適用したところ、高リスク患者と低リスク患者を 46% の精度で区別できました。ただし、適応された転移学習モデルは約 80% の正解率を達成しました。

「この研究は、新しい設定ごとに AI モデルをゼロから再構築する必要がないことを示しています」とデューク NUS 生物医学データサイエンスセンターの准教授、Liu Nan 氏は述べています。 「既存のツールを安全かつ効果的に適応させることで、転移学習はコストを削減し、開発時間を短縮し、より少ないリソースで AI の利点を医療システムに拡張するのに役立ちます。」

医療分野における AI の可能性は高まっているにもかかわらず、テクノロジーの導入は依然として世界中で不均一です。で発表された別の研究では、 自然の健康Duke-NUS の研究者やユニバーシティ カレッジ ロンドン (UCL) などの共同研究者は、調査対象の医療提供者の 63% が AI ツールを使用しているが、導入は高所得国および上位中所得国でより普及していると指摘しました。

この研究は、限られたインフラや専門知識などの導入障壁に直面し続けている低中所得国において、大規模言語モデル（LLM）がケア、診断、臨床意思決定へのアクセスを改善する可能性を浮き彫りにしました。

その例にはシエラレオネが含まれます。そこでは、地域の医療従事者がスマートフォン アプリを使用して血液塗抹標本からマラリア感染を検出しています。これは、従来の顕微鏡ベースのシステムよりもコスト効率の高い方法です。また、南アフリカでは、チャットボットが妊娠中の母親に出産前のアドバイスを提供しています。

「LLMには、専門医が最も不足している環境で医療を変革する最大のチャンスがあるが、世界の保健コミュニティは、導入が最も困難な地域でLLMの導入が確実に支援されるよう、ある程度の緊急性を持って協力する必要がある」とUCL眼科研究所およびムーアフィールズ眼科病院NHS財団トラストのジークフリード・ワグナー氏は述べた。

デューク NUS 生物医学データサイエンスセンターの上級研究員である Ning Yilin 氏は、LLM を医療に統合する際には、人々に力を与えることが優先されるべきであると付け加えました。

「デジタル リテラシーを強化し、これらのツールを使用する際の自信を高めることで、AI が労働力を混乱させるのではなく確実にサポートできるようになります。カスタマイズされたスキル開発経路は、リソースが不足している労働者が適応して成長するのを助け、AI が臨床および管理の役割を向上させ、価値を高めることを可能にします。」と彼女は述べました。

国際統治を求める