Удовлетворение уникальных требований MLOps для здравоохранения и медико-биологических наук

Здравоохранение и науки о жизни (HLS) — это широкая отраслевая категория, охватывающая разрозненные предприятия с очень разными бизнес-моделями, такие как поставщики медицинских услуг (больницы), плательщики пособий (страховщики), фармацевтические компании, биотехнологии и производители медицинского оборудования. Из-за огромного объема данных, полученных от пациентов, экспериментов, устройств и даже социальных сетей, а также из-за его большой доли в ВВП США, он был одной из крупнейших областей инвестиций в ИИ за последние десять лет.

Именно потому, что речь идет о здоровье и благополучии людей, планка для внедрения машинного обучения в HLS намного выше из-за дополнительных степеней повышенной проверки и осторожности. И хотя модель биотехнологической фирмы может отличаться от модели национальной сети больниц, мы обнаружили 3 общих требования, которые делают ИИ уникальным для всех HLS:

  1. Соответствие нормативным требованиям. Регулирование безопасности и конфиденциальности означает, что специалисты по обработке и анализу данных не могут внедрить любой инструмент для анализа конфиденциальных данных пациентов. Инструменты MLOps должны соответствовать всем требованиям (например, HIPAA) независимо от среды данных.
  2. Объяснимость и экспериментирование. Есть некоторые области, в которых подходы машинного обучения "черного ящика" могут работать, но по большей части исследователи и одобрение регулирующих органов требуют установления причинно-следственной связи посредством непрерывных и параллельных экспериментов. Специалистам по данным и исследователям необходимо быстро определить, когда и почему их проверенные модели не совпадают в полевых условиях (например, рентген грудной клетки лежащих больных пациентов отбросил ранние диагностические модели для COVID).
  3. Эффективный анализ массивных и неструктурированных наборов данных. Например, данные об одной последовательности генома человека заняли бы 200 гигабайт. Кроме того, большая часть данных HLS неструктурирована, например, клинические записи, цифровые слайды патологии или рентгеновские снимки. Абстракция клинических данных может выиграть от сложных моделей обработки естественного языка (NLP), которые легко развертываются на больших и сложных конвейерах клинических данных, или с использованием компьютерного зрения (CV) для классификации и сегментации данных визуализации с помощью ИИ. Но это модели с интенсивными вычислениями, которые могут быть дорогими для запуска в производственной среде.

Где вы можете ускорить работу с ML в HLS

Когда дело доходит до ИИ в здравоохранении, как правило, все, что касается диагностики пациентов, лечения и результатов, где ИИ считается медицинским устройством, будет иметь гораздо более высокие регуляторные барьеры, особенно когда систематические ошибки в обучающих данных могут привести к менее точным прогнозам или рекомендациям, когда применяется к меньшинствам. Но ИИ можно использовать во многих исследовательских целях, чтобы помочь ученым быстрее получать информацию, что повышает эффективность разработки лекарств, дизайна клинических испытаний и времени для получения информации в исследованиях / исследованиях. Например, компания Pfizer использовала машинное обучение для быстрой очистки данных после испытаний, применив ручной процесс, который обычно занимает от 30 дней до менее 22 часов. Это способствовало их рекордной разработке вакцины.

В зависимости от субвертикали внутри HLS мы видим варианты использования с ускоренным внедрением ML. Например:

Для провайдеров:

  • Абстракция клинических данных
  • Диагностика для отчетов пациентов
  • Сегментация МРТ с помощью ИИ

Для фарма/биотехнологии

  • Сопоставление клинических испытаний
  • Открытие биомаркеров
  • Автоматическая очистка данных

Для производителей медицинского оборудования

  • Обнаружение аномалий
  • Прогноз отказа устройства

Как Wallaroo может помочь

Мы разработали Wallaroo специально для операционализации машинного обучения для самых требовательных вариантов использования и сред, что делает его особенно подходящим для HLS:

Что касается соблюдения нормативных требований, Wallaroo работает в вашей собственной инфраструктуре медицинских данных (аппаратное и программное обеспечение, используемое для безопасного сбора, хранения, обработки и передачи медицинских данных). Мы не овладеваем вашими данными, поэтому в вашей среде не появляются дополнительные уязвимости безопасности. Кроме того, платформа ведет полные журналы аудита, поэтому выводы можно проследить до конкретных входных данных и конкретных моделей.

В более широком смысле, для объяснимости и экспериментирования, Wallaroo обеспечивает мониторинг дрейфа и объяснимости в режиме реального времени на сложных моделях с множеством клинических и геномных особенностей. Наши отчеты об объяснении модели и устранении неполадок, которые изначально запускаются на платформе Wallaroo, а также в стороннем инструменте отчетности по вашему выбору, также обеспечивают эффект функции, чтобы понять, какие функции способствуют прогнозам конкретной модели или группе прогнозов за период. времени, что имеет решающее значение при работе моделей на медицинских устройствах или в качестве медицинских устройств (для чего требуется одобрение FDA). Кроме того, конвейеры экспериментов Wallaroo позволяют легко сравнивать производительность нескольких моделей на реальных данных.

И, наконец, платформа Wallaroo построена на высокопроизводительном масштабируемом механизме логических выводов Rust, который специализируется на быстрых вычислительных задачах большого объема для эффективного анализа массивных неструктурированных наборов данных. Таким образом, даже сложные модели трансформера НЛП или модели компьютерного зрения с миллионами или даже миллиардами параметров могут работать на стандартном ЦП вместо графического процессора.

Если вы являетесь предприятием HLS и ищете лучший способ применить машинное обучение в производстве, свяжитесь с нами, чтобы поговорить со специалистом.