A Multi-Center Study on the Adaptability of a Shared Foundation Model for Electronic Health Records
यह बहु-केंद्रित अध्ययन प्रदर्शित करता है कि विभिन्न अस्पतालों में एक साझा, ऑफ-द-शेल्फ स्ट्रक्चर्ड EHR फाउंडेशन मॉडल को अनुकूलित करना, स्क्रैच से मॉडल प्रशिक्षित करने की तुलना में लेबल दक्षता और भविष्यवाणी प्रदर्शन में महत्वपूर्ण सुधार करता है, जिससे स्वास्थ्य सेवा एआई विकास के लिए एक स्केलेबल और लागत प्रभावी दृष्टिकोण प्राप्त होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मुख्य विचार: अस्पताल के डेटा के लिए "यूनिवर्सल ट्रांसलेटर"
कल्पना कीजिए कि आप एक विशिष्ट व्यंजन बनाना सीखना चाहते हैं, जैसे कि एक बेहतरीन लाज़ानिया (lasagna)।
पुराना तरीका (शून्य से प्रशिक्षण):
हर बार जब आप एक नए किचन में लाज़ानिया बनाना चाहते हैं, तो आपको शून्य से शुरुआत करनी पड़ती है। आपको यह सीखना पड़ता है कि ओवन क्या है, चीज़ (cheese) को कैसे काटना है, और पानी कैसे उबालना है। यदि आप अलग औजारों वाले किसी दूसरे किचन में जाते हैं, तो आपको सब कुछ फिर से सीखना पड़ता है। इसमें बहुत समय, बहुत ऊर्जा और अच्छा बनने के लिए बहुत अधिक अभ्यास (डेटा) की आवश्यकता होती है।
नया तरीका (फाउंडेशन मॉडल्स):
कल्पना कीजिए कि एक "मास्टर शेफ एआई" (Master Chef AI) है जिसने एक बहुत बड़े, प्रसिद्ध रेस्टोरेंट (स्टैनफोर्ड मेडिसिन) में लाखों बार भोजन बनाया है। वह मास्टर शेफ सामग्री, समय और तकनीकों के बारे में सब कुछ जानता है। इसे फाउंडेशन मॉडल कहा जाता है।
यह शोध पत्र पूछता है: क्या हम इस मास्टर शेफ एआई को ले सकते हैं और इसे दो बिल्कुल अलग किचनों में—टोरंटो के एक बच्चों के अस्पताल (SickKids) और बोस्टन के एक इंटेंसिव केयर यूनिट (MIMIC) में—ले जा सकते हैं और क्या यह वहां भी बेहतरीन भोजन बना पाएगा?
प्रयोग
शोधकर्ताओं ने "मास्टर शेफ एआई" (जिसे FMSM कहा गया है) को लिया और इसका परीक्षण दो बहुत ही अलग अस्पतालों में किया:
- SickKids: कनाडा में बच्चों का एक अस्पताल।
- MIMIC: बोस्टन, अमेरिका में एक एडल्ट आईसीयू (ICU) का डेटा।
ये अस्पताल बहुत अलग हैं। एक बच्चों का इलाज करता है, दूसरा गंभीर रूप से बीमार वयस्कों का। वे अलग-अलग कंप्यूटर सिस्टम का उपयोग करते हैं और डेटा को अलग तरह से रिकॉर्ड करते हैं। यह एक फ्रांसीसी शेफ को जापानी किचन में खाना बनाने के लिए कहने जैसा है।
शोधकर्ताओं ने तीन दृष्टिकोणों की तुलना की:
- स्थानीय विशेषज्ञ (GBM): एक पारंपरिक कंप्यूटर प्रोग्राम जिसे केवल उस विशिष्ट अस्पताल के डेटा पर प्रशिक्षित किया गया है। यह एक स्थानीय रसोइया जैसा है जो केवल उसी एक किचन को जानता है।
- नया स्थानीय मास्टर (Local Foundation Model): केवल उस अस्पताल के डेटा का उपयोग करके शुरू से एक नया "मास्टर शेफ एआई" प्रशिक्षित करना। यह महंगा है और इसके लिए भारी मात्रा में डेटा की आवश्यकता होती है।
- अनुकूलित मास्टर (FMSM+): स्टैनफोर्ड के "मास्टर शेफ एआई" को लेना और उसे नए अस्पताल के विशिष्ट डेटा पर एक त्वरित "रिफ्रेशर कोर्स" देना। इसे कंटीन्यूड प्रीट्रेनिंग (Continued Pretraining) कहा जाता है।
परिणाम: क्या हुआ?
1. "ऑफ-द-शेल्फ" मास्टर शेफ आश्चर्यजनक रूप से अच्छा था।
बिना किसी विशेष प्रशिक्षण के भी, स्टैनफोर्ड एआई ने उन "स्थानीय विशेषज्ञ" प्रोग्रामों के समान प्रदर्शन किया जिन्हें उस विशिष्ट अस्पताल के सभी डेटा पर प्रशिक्षित किया गया था। यह ऐसा था जैसे एक फ्रांसीसी शेफ जापानी किचन में आया और बिना भाषा जाने भी तुरंत एक ठीक-ठाक भोजन बना दिया।
2. "रिफ्रेशर कोर्स" ने इसे और भी बेहतर बना दिया।
जब शोधकर्ताओं ने स्टैनफोर्ड एआई को स्थानीय अस्पताल के डेटा का उपयोग करके एक त्वरित ट्यून-अप दिया (कंटीन्यूड प्रीट्रेनिंग), तो इसके प्रदर्शन में काफी सुधार हुआ। यह पारंपरिक स्थानीय प्रोग्रामों से बेहतर हो गया।
3. यह अविश्वसनीय रूप से कुशल है ("फ्यू-शॉट" सरप्राइज)।
यह सबसे रोमांचक हिस्सा है। आमतौर पर, कंप्यूटर को कुछ भविष्यवाणी करने के लिए (जैसे, "क्या इस मरीज को रक्त आधान/ब्लड ट्रांसफ्यूजन की आवश्यकता होगी?") प्रशिक्षित करने के लिए, आपको हजारों उदाहरणों की आवश्यकता होती है।
- पारंपरिक स्थानीय प्रोग्रामों को अच्छी तरह काम करने के लिए सभी डेटा की आवश्यकता थी।
- अनुकूलित मास्टर शेफ (FMSM+) को पारंपरिक प्रोग्रामों के प्रदर्शन के बराबर पहुँचने के लिए केवल 128 उदाहरणों (डेटा के 1% से भी कम) की आवश्यकता थी।
- उपमा: कल्पना कीजिए कि एक छात्र ने खाना पकाने का 10 साल तक अध्ययन किया है। यदि आप उन्हें एक नए प्रकार के केक की केवल दो तस्वीरें दिखाते हैं, तो वे उसे पूरी तरह से बना सकते हैं। एक नौसिखिया को इसे सही करने के लिए 1,000 तस्वीरों को देखने की आवश्यकता होगी। फाउंडेशन मॉडल वह अनुभवी छात्र है।
4. यह समय और पैसा बचाता है।
शून्य से एक नया एआई प्रशिक्षित करने में बहुत अधिक कंप्यूटिंग पावर और समय लगता है। "कंटीन्यूड प्रीट्रेनिंग" (रिफ्रेशर कोर्स) नया एआई शुरू से प्रशिक्षित करने की तुलना में 60% से 90% तेज़ था और इसके लिए बहुत कम डेटा की आवश्यकता थी।
यह क्यों मायने रखता है?
- लागत बचत: अस्पतालों को अपना खुद का विशाल एआई मॉडल शून्य से प्रशिक्षित करने के लिए लाखों डॉलर और वर्षों के समय खर्च करने की आवश्यकता नहीं है। वे एक पहले से प्रशिक्षित मॉडल को उधार ले सकते हैं।
- डेटा की कमी: कई अस्पतालों के पास अच्छे एआई को प्रशिक्षित करने के लिए पर्याप्त 'लेबल वाला डेटा' (वह डेटा जहाँ डॉक्टरों ने पहले से ही परिणामों को चिह्नित किया है) नहीं होता है। यह तरीका तब भी काम करता है जब आपके पास बहुत कम डेटा हो।
- मानकीकरण: यह सुझाव देता है कि प्रत्येक अस्पताल को अपना अनूठा एआई बनाने के बजाय, हम "बेस" मॉडल साझा कर सकते हैं। अस्पतालों को बस अपनी विशिष्ट आवश्यकताओं के अनुसार थोड़ा सा स्थानीय ट्यूनिंग करने की आवश्यकता है।
महत्वपूर्ण सावधानियां (जो शोध पत्र कहता है)
- यह जादू नहीं है: एआई को अभी भी अस्पताल के डेटा की "भाषा" को समझने की आवश्यकता है। शोधकर्ताओं को अस्पताल के रिकॉर्ड को एक मानक प्रारूप (OMOP CDM) में अनुवाद करना पड़ा ताकि एआई उन्हें पढ़ सके।
- गोपनीयता: इन मॉडलों को साझा करने से गोपनीयता संबंधी प्रश्न उठते हैं, हालांकि मॉडलों में मरीजों के नाम शामिल नहीं होते हैं।
- सीमित परीक्षण: इसका परीक्षण केवल दो अस्पतालों और आठ विशिष्ट चिकित्सा भविष्यवाणियों (जैसे कम ब्लड शुगर या लंबे समय तक अस्पताल में रुकना) पर किया गया था। हमें अभी नहीं पता कि क्या यह हर संभावित चिकित्सा कार्य या दुनिया के हर अस्पताल के लिए काम करेगा।
संक्षेप में
इस फाउंडेशन मॉडल को एक स्मार्टफोन ऑपरेटिंग सिस्टम (जैसे iOS या Android) की तरह समझें। एप्पल या गूगल एक बार मुख्य सिस्टम बनाता है। फिर, विभिन्न ऐप डेवलपर्स (अस्पताल) उस पर विशिष्ट ऐप्स (चिकित्सा भविष्यवाणियाँ) बना सकते हैं। उन्हें पूरा फोन शून्य से बनाने की आवश्यकता नहीं है; उन्हें बस अपने उपयोगकर्ताओं के लिए ऐप्स को कस्टमाइज़ करने की आवश्यकता है। यह शोध पत्र दिखाता है कि अस्पताल के डेटा के लिए यह "ऐप स्टोर" दृष्टिकोण बहुत अच्छी तरह काम करता है, जिससे समय, पैसा और डेटा की बचत होती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।