ตอบสนองข้อกำหนดเฉพาะของ MLOps สำหรับการดูแลสุขภาพและวิทยาศาสตร์ชีวภาพ
การดูแลสุขภาพและวิทยาศาสตร์ชีวภาพ (HLS) เป็นหมวดหมู่อุตสาหกรรมกว้าง ๆ ที่ครอบคลุมองค์กรที่แตกต่างกันซึ่งมีรูปแบบธุรกิจที่แตกต่างกันมาก เช่น ผู้ให้บริการด้านการดูแลสุขภาพ (โรงพยาบาล) ผู้จ่ายผลประโยชน์ (บริษัทประกัน) บริษัทยา เทคโนโลยีชีวภาพ และผู้ผลิตอุปกรณ์ทางการแพทย์ เนื่องจากข้อมูลจำนวนมหาศาลที่สร้างขึ้นจากผู้ป่วย การทดลอง อุปกรณ์ และ "แม้แต่โซเชียลมีเดีย" รวมถึงส่วนแบ่งขนาดใหญ่ของ GDP ของสหรัฐฯ จึงเป็นหนึ่งในการลงทุนด้าน AI ที่ใหญ่ที่สุดในช่วงสิบปีที่ผ่านมา
เนื่องจากเกี่ยวข้องกับสุขภาพและความเป็นอยู่ที่ดีของผู้คน แถบสำหรับการดำเนินการเรียนรู้ของเครื่องจึงสูงกว่ามากใน HLS เนื่องจากระดับการตรวจสอบและความระมัดระวังที่เพิ่มขึ้น และในขณะที่บริษัทเทคโนโลยีชีวภาพอาจมีรูปแบบที่แตกต่างจากเครือข่ายโรงพยาบาลระดับชาติ แต่เราพบข้อกำหนดทั่วไป 3 ประการที่ทำให้ AI มีเอกลักษณ์เฉพาะใน HLS ทั้งหมด:
- การปฏิบัติตามกฎระเบียบ: กฎระเบียบด้านความปลอดภัยและความเป็นส่วนตัวหมายความว่าทีมวิทยาศาสตร์ข้อมูลไม่สามารถแนะนำเครื่องมือใดๆ สำหรับการวิเคราะห์ข้อมูลที่เป็นความลับของผู้ป่วยได้ เครื่องมือ MLOps ต้องเป็นไปตามข้อกำหนดทั้งหมด (เช่น HIPAA) ไม่ว่าสภาพแวดล้อมของข้อมูลจะเป็นอย่างไร
- ความสามารถในการอธิบายและการทดลอง: มีบางพื้นที่ที่แนวทาง ML แบบกล่องดำสามารถทำงานได้ แต่สำหรับนักวิจัยส่วนใหญ่และการอนุมัติตามกฎระเบียบจำเป็นต้องสร้างสาเหตุผ่านการทดลองอย่างต่อเนื่องและเกิดขึ้นพร้อมกัน นักวิทยาศาสตร์ข้อมูลและนักวิจัยจำเป็นต้องระบุอย่างรวดเร็วว่าเมื่อใดและเพราะเหตุใดแบบจำลองที่ได้รับการทดสอบย้อนหลังจึงไม่ตรงกันในสภาพภาคสนาม (เช่น การเอ็กซเรย์ทรวงอกของผู้ป่วยที่ป่วยนอนราบ โยนแบบจำลองการวินิจฉัยโรคโควิดแต่เนิ่นๆ ทิ้งไปแล้ว)
- การวิเคราะห์ชุดข้อมูลขนาดใหญ่และไม่มีโครงสร้างอย่างมีประสิทธิภาพ: ตามตัวอย่าง ข้อมูลเกี่ยวกับลำดับจีโนมมนุษย์ลำดับเดียวจะใช้พื้นที่ 200 กิกะไบต์ นอกจากนี้ ข้อมูล HLS ส่วนใหญ่ยังไม่มีโครงสร้าง เช่น บันทึกทางคลินิก สไลด์พยาธิวิทยาแบบดิจิทัล หรือภาพเอ็กซ์เรย์ การสรุปข้อมูลทางคลินิกจะได้รับประโยชน์จากแบบจำลองการประมวลผลภาษาธรรมชาติ (NLP) ที่ซับซ้อน ซึ่งปรับใช้ได้อย่างง่ายดายบนไปป์ไลน์ข้อมูลทางคลินิกขนาดใหญ่และซับซ้อน หรือใช้คอมพิวเตอร์วิทัศน์ (CV) สำหรับการจำแนกและแบ่งส่วนข้อมูลภาพที่ได้รับความช่วยเหลือจาก AI แต่โมเดลเหล่านี้เป็นโมเดลที่เน้นการคำนวณซึ่งอาจมีราคาแพงในการผลิต
ที่ซึ่งคุณสามารถเคลื่อนไหวได้เร็วขึ้นด้วย ML ใน HLS
เมื่อพูดถึง AI ในการดูแลสุขภาพ โดยทั่วไปสิ่งใดก็ตามที่เกี่ยวข้องกับการวินิจฉัยผู้ป่วย การรักษา และผลลัพธ์ โดยที่ AI ถือเป็นอุปกรณ์ทางการแพทย์ จะมีอุปสรรคด้านกฎระเบียบที่สูงกว่ามาก โดยเฉพาะอย่างยิ่งเมื่ออคติในข้อมูลการฝึกอบรมสามารถนำไปสู่การคาดการณ์หรือคำแนะนำที่แม่นยำน้อยลงเมื่อ นำไปใช้กับชนกลุ่มน้อย แต่ AI สามารถใช้ในกรณีการใช้งานการวิจัยจำนวนมาก เพื่อช่วยให้นักวิทยาศาสตร์ได้รับข้อมูลเชิงลึกเร็วขึ้น ซึ่งจะช่วยขับเคลื่อนประสิทธิภาพในการพัฒนายา การออกแบบการทดลองทางคลินิก และเวลาในการเข้าถึงข้อมูลเชิงลึกในการวิจัย/การศึกษา ตัวอย่างเช่น Pfizer ใช้ ML เพื่อล้างข้อมูลการทดสอบหลังการทดลองอย่างรวดเร็ว โดยใช้กระบวนการที่ต้องดำเนินการด้วยตนเองในระดับสูง ซึ่งโดยปกติจะใช้เวลามากกว่า 30 วันไปจนถึงน้อยกว่า 22 ชั่วโมง สิ่งนี้มีส่วนทำให้การพัฒนาวัคซีนทำลายสถิติของพวกเขา
เราจะเห็นกรณีการใช้งานที่มีการปรับใช้ ML แบบเร่ง ทั้งนี้ขึ้นอยู่กับประเภทธุรกิจย่อยภายใน HLS ตัวอย่างเช่น:
สำหรับผู้ให้บริการ:
- นามธรรมข้อมูลทางคลินิก
- การวินิจฉัยสำหรับรายงานผู้ป่วย
- การแบ่งส่วนการสแกน MRI ด้วย AI
สำหรับยา/เทคโนโลยีชีวภาพ
- การจับคู่การทดลองทางคลินิก
- การค้นพบไบโอมาร์คเกอร์
- การทำความสะอาดข้อมูลอัตโนมัติ
สำหรับผู้ผลิตอุปกรณ์การแพทย์
- การตรวจจับความผิดปกติ
- การทำนายความล้มเหลวของอุปกรณ์
วอลลารูสามารถช่วยได้อย่างไร
เราออกแบบ Wallaroo โดยเฉพาะเพื่อดำเนินการ ML สำหรับกรณีการใช้งานและสภาพแวดล้อมที่มีความต้องการมากที่สุด ซึ่งทำให้เหมาะอย่างยิ่งสำหรับ HLS:
เมื่อพูดถึงการปฏิบัติตามกฎระเบียบ Wallaroo ทำงานใน "โครงสร้างพื้นฐานข้อมูลสุขภาพ" ของคุณเอง (ฮาร์ดแวร์และซอฟต์แวร์ที่ใช้ในการรวบรวม จัดเก็บ ประมวลผล และส่งข้อมูลด้านการดูแลสุขภาพอย่างปลอดภัย) เราไม่ได้ครอบครองข้อมูลของคุณ ดังนั้นจึงไม่มีช่องโหว่ด้านความปลอดภัยเพิ่มเติมเกิดขึ้นกับสภาพแวดล้อมของคุณ นอกจากนี้ แพลตฟอร์มยังเก็บบันทึกการตรวจสอบไว้อย่างครบถ้วน ดังนั้นการอนุมานจึงสามารถติดตามกลับไปยังอินพุตเฉพาะ และไปยังโมเดลเฉพาะได้
ในวงกว้างมากขึ้น สำหรับความสามารถในการอธิบายและการทดลอง Wallaroo ให้การตรวจสอบการเบี่ยงเบนและความสามารถในการอธิบายแบบเรียลไทม์ในแบบจำลองที่ซับซ้อนพร้อมคุณสมบัติทางคลินิกและจีโนมที่หลากหลาย รายงานความสามารถในการอธิบายและการแก้ไขปัญหาโมเดลของเรา ซึ่งทำงานโดยธรรมชาติในแพลตฟอร์ม Wallaroo เช่นเดียวกับในเครื่องมือการรายงานของบุคคลที่สามที่คุณเลือก ยังมีเอฟเฟกต์ของฟีเจอร์เพื่อทำความเข้าใจว่าฟีเจอร์ใดมีส่วนช่วยในการทำนายโมเดลเฉพาะหรือกลุ่มของการคาดการณ์ในช่วงเวลาหนึ่ง ซึ่งเป็นสิ่งสำคัญเมื่อใช้งานโมเดลบนหรือเป็นอุปกรณ์ทางการแพทย์ (ซึ่งต้องได้รับการอนุมัติจาก FDA) นอกจากนี้ ไปป์ไลน์การทดลองของ Wallaroo ยังทำให้ง่ายต่อการเปรียบเทียบประสิทธิภาพของแบบจำลองหลายตัวกับข้อมูลในชีวิตจริง
และสุดท้าย แพลตฟอร์ม Wallaroo ถูกสร้างขึ้นโดยใช้กลไกอนุมาน Rust ประสิทธิภาพสูงและปรับขนาดได้ ซึ่งเชี่ยวชาญเป็นพิเศษสำหรับงานคำนวณที่รวดเร็วและมีปริมาณมากเพื่อวิเคราะห์ชุดข้อมูลขนาดใหญ่ที่ไม่มีโครงสร้างอย่างมีประสิทธิภาพ ดังนั้นแม้แต่โมเดล "หม้อแปลง NLP" หรือ "คอมพิวเตอร์วิทัศน์" ที่ซับซ้อนซึ่งมีพารามิเตอร์นับล้านหรือหลายพันล้านก็สามารถทำงานบน CPU มาตรฐานแทน GPU ได้
หากคุณเป็นองค์กร HLS ที่กำลังมองหาวิธีที่ดีกว่าในการใช้การเรียนรู้ของเครื่องในการผลิต โปรด "ติดต่อเรา" เพื่อพูดคุยกับผู้เชี่ยวชาญ
