Обръщане към уникалните изисквания на MLOps за здравеопазване и науки за живота

Здравеопазване и науки за живота (HLS) е широка индустриална категория, обхващаща различни предприятия с много различни бизнес модели като доставчици на здравни услуги (болници), плащащи обезщетения (застрахователи), фармацевтични компании, биотехнологии и производители на медицински устройства. Поради огромния обем данни, генерирани от пациенти, експерименти, устройства и „дори социални медии“, както и големия си дял от БВП на САЩ, това е една от най-големите области на инвестиции в ИИ през последните десет години.

Именно защото се занимава със здравето и благосъстоянието на хората, летвата за операционализиране на машинното обучение е много по-висока в HLS поради добавените степени на повишено валидиране и предпазливост. И докато една биотехнологична фирма може да има различен модел от националната болнична верига, ние открихме 3 общи изисквания, които правят AI уникален в целия HLS:

  1. Съответствие с нормативните изисквания: Регулирането на безопасността и поверителността означава, че екипите за наука за данни не могат да въведат какъвто и да е инструмент за анализиране на поверителни данни на пациенти. MLOps инструментите трябва да отговарят на всички изисквания (като HIPAA), независимо от средата на данните.
  2. Обяснимост и експериментиране: Има някои области, в които подходите на черната кутия за машинно обучение могат да работят, но в по-голямата си част изследователите и регулаторното одобрение изискват установяване на причинно-следствена връзка чрез непрекъснато и едновременно експериментиране. Учените и изследователите на данни трябва бързо да идентифицират кога и защо техните модели, тествани назад, не съвпадат в полеви условия (например рентгенови снимки на гръдния кош на легнали болни пациенти „изхвърлиха ранните диагностични модели за COVID“).
  3. Ефективно анализиране на масивни и неструктурирани набори от данни: Като пример, данните за една последователност на човешки геном биха заели 200 гигабайта. Освен това голяма част от HLS данните са неструктурирани, като клинични бележки, дигитални патологични слайдове или рентгенови изображения. Абстракцията на клинични данни може да се възползва от сложни модели за обработка на естествен език (NLP), които се разгръщат лесно върху големи и сложни тръбопроводи за клинични данни или използване на компютърно зрение (CV) за класифициране и сегментиране на данни за изображения с помощта на AI. Но това са изчислително интензивни модели, чието пускане в производство може да бъде скъпо

Къде можете да се движите по-бързо с ML в HLS

Когато става дума за AI в здравеопазването, обикновено всичко, което засяга диагнозата на пациентите и терапиите и резултатите, където AI се счита за медицинско устройство, ще има много по-високи регулаторни пречки, особено когато отклоненията в данните за обучение могат да доведат до по-малко точни прогнози или препоръки, когато приложени към малцинствата. Но AI може да се използва в много случаи на изследователска употреба, за да помогне на учените да стигнат до прозрения по-бързо, което стимулира ефективността при разработването на лекарства, дизайна на клиничните изпитвания и времето за прозрения в изследванията/проучванията. Например, Pfizer използва ML за бързо почистване на данните от тестовете след изпитание, като се извършва силно ръчен процес, който обикновено отнема повече от 30 дни до по-малко от 22 часа. Това допринесе за тяхното рекордно разработване на ваксина.

В зависимост от подвертикала в рамките на HLS виждаме случаи на употреба с ускорено приемане на ML. Например:

За доставчици:

  • Абстракция на клинични данни
  • Диагностика за доклади на пациенти
  • Сегментиране на MRI сканиране с AI

За фармация/биотехнология

  • Съпоставяне на клинични изпитвания
  • Откриване на биомаркери
  • Автоматизирано почистване на данни

За производители на медицински изделия

  • Откриване на аномалия
  • Прогноза за повреда на устройството

Как Wallaroo може да помогне

Създадохме Wallaroo специално, за да приложим ML за най-взискателните случаи на употреба и среди, което го прави особено подходящ за HLS:

Когато става въпрос за регулаторно съответствие, Wallaroo работи във вашата собствена инфраструктура за здравни данни (хардуерът и софтуерът, използвани за сигурно събиране, съхраняване, обработка и предаване на здравни данни). Ние не поемаме във владение вашите данни, така че няма да бъдат въведени допълнителни уязвимости в сигурността на вашата среда. Освен това платформата поддържа пълни журнали за одит, така че изводите могат да бъдат проследени до конкретни входове и до конкретни модели.

В по-широк план, за обяснимостта и експериментирането, Wallaroo осигурява наблюдение в реално време на дрейфа и обяснимостта на сложни модели с множество клинични и геномни характеристики. Нашите отчети за обяснение на модела и отстраняване на неизправности, които се изпълняват естествено в платформата Wallaroo, както и в инструмента за отчитане на трета страна по ваш избор, също осигуряват ефект на функциите, за да разберете кои функции допринасят за конкретни прогнози на модела или група от прогнози за период време, което е критично, когато моделите работят върху или като медицински устройства (което изисква одобрение от FDA). Освен това експерименталните канали на Wallaroo улесняват сравняването на ефективността на множество модели с данни от реалния живот.

И накрая, платформата Wallaroo е изградена около високопроизводителна, мащабируема машина за извеждане на Rust, която е специализирана за бързи изчислителни задачи с голям обем за ефективно анализиране на масивни, неструктурирани набори от данни. Така че дори сложни модели на „NLP трансформатор“ или модели на „компютърно зрение“ с милиони или дори милиарди параметри могат да работят на стандартен CPU вместо GPU.

Ако сте HLS предприятие, което търси по-добър начин за прилагане на машинно обучение в производството, свържете се с нас, за да говорите със специалист.