Розглядаючи унікальні вимоги MLOps для охорони здоров’я та наук про життя

Healthcare & Life Sciences (HLS) — це широка галузева категорія, що охоплює різні підприємства з дуже різними бізнес-моделями, як-от постачальники медичних послуг (лікарні), платники пільг (страхові компанії), фармацевтичні компанії, біотехнології та виробники медичного обладнання. Завдяки величезному об’єму даних, отриманих від пацієнтів, експериментів, пристроїв і навіть соціальних медіа, а також через значну частку ВВП США, це було одне з найбільших напрямків інвестицій у ШІ за останні десять років.

Саме тому, що мова йде про здоров’я та благополуччя людей, планка для впровадження машинного навчання набагато вища в HLS через додаткові ступені перевірки та обережності. І хоча біотехнологічна фірма може мати іншу модель, ніж національна мережа лікарень, ми знайшли 3 загальні вимоги, які роблять ШІ унікальним для всіх HLS:

  1. Відповідність нормативним вимогам. Норми щодо безпеки та конфіденційності означають, що групи з обробки даних не можуть запроваджувати будь-який інструмент для аналізу конфіденційних даних пацієнтів. Інструменти MLOps мають відповідати всім вимогам (наприклад, HIPAA), незалежно від середовища даних.
  2. Зрозумілість і експериментування. Є деякі сфери, де підходи ML можуть працювати, але здебільшого дослідники та регуляторні органи вимагають встановлення причинного зв’язку шляхом безперервних і одночасних експериментів. Фахівцям і дослідникам даних потрібно швидко визначити, коли і чому їхні перевірені моделі не збігаються в польових умовах (наприклад, рентген грудної клітини хворих пацієнтів, які лежать, відкинув моделі ранньої діагностики COVID).
  3. Ефективний аналіз масивних і неструктурованих наборів даних: Наприклад, дані про одну послідовність генома людини займуть 200 гігабайт. Крім того, велика частина даних HLS є неструктурованою, як-от клінічні записи, цифрові слайди патології або рентгенівські зображення. Абстракція клінічних даних може отримати вигоду від складних моделей обробки природної мови (NLP), які легко розгортаються на великих і складних конвеєрах клінічних даних або використовують комп’ютерне бачення (CV) для класифікації та сегментації даних візуалізації за допомогою ШІ. Але це інтенсивні обчислювальні моделі, використання яких у виробництві може бути дорогим

Де ви можете рухатися швидше за допомогою ML у HLS

Що стосується штучного інтелекту в охороні здоров’я, то все, що стосується діагностики пацієнтів, терапії та результатів, де штучний інтелект вважається медичним пристроєм, матиме набагато більші нормативні перешкоди, особливо коли упередження в даних навчання можуть призвести до менш точних прогнозів або рекомендацій, коли застосовується до меншин. Але штучний інтелект може бути використаний у багатьох дослідницьких випадках, щоб допомогти вченим швидше дійти до висновків, що сприяє ефективності розробки ліків, дизайну клінічних випробувань і часу на дослідження/дослідження. Наприклад, Pfizer використовував ML для швидкого очищення даних тестування після випробування, виконуючи дуже ручний процес, який зазвичай займає від 30 днів до менше 22 годин. Це сприяло їх рекордній розробці вакцини.

Залежно від підгалузі в HLS, ми бачимо випадки використання з прискореним впровадженням ML. Наприклад:

Для провайдерів:

  • Абстракція клінічних даних
  • Діагностика для звітів пацієнтів
  • Сегментація сканування МРТ за допомогою ШІ

Для фармацевтики/біотехнологій

  • Зіставлення клінічних випробувань
  • Відкриття біомаркерів
  • Автоматизоване очищення даних

Для виробників медичного обладнання

  • Виявлення аномалії
  • Прогноз несправності пристрою

Як Wallaroo може допомогти

Ми розробили Wallaroo спеціально для того, щоб реалізувати ML для найвибагливіших випадків використання та середовищ, що робить його особливо придатним для HLS:

Що стосується відповідності нормативним вимогам, Wallaroo працює у вашій власній інфраструктурі даних про здоров’я (апаратне та програмне забезпечення, яке використовується для безпечного збирання, зберігання, обробки та передачі даних про здоров’я). Ми не заволодіємо вашими даними, тому у вашому середовищі немає додаткових вразливостей безпеки. Крім того, платформа зберігає повні журнали аудиту, тому висновки можна відстежити до конкретних вхідних даних і конкретних моделей.

У більш широкому плані, для пояснюваності та експериментування, Wallaroo забезпечує моніторинг дрейфу та пояснюваності в режимі реального часу на складних моделях із кількома клінічними та геномними особливостями. Наші звіти про пояснюваність моделі та усунення несправностей, які запускаються як на платформі Wallaroo, так і в сторонньому інструменті звітування за вашим вибором, також забезпечують вплив функцій, щоб зрозуміти, які функції впливають на конкретні прогнози моделі або групу прогнозів протягом певного періоду. часу, що має вирішальне значення під час роботи моделей на медичних пристроях або в якості медичних пристроїв (що потребує схвалення FDA). Крім того, конвеєри експериментів Wallaroo спрощують порівняння ефективності багатьох моделей на реальних даних.

І, нарешті, платформа Wallaroo побудована навколо високопродуктивного, масштабованого механізму логічного висновку Rust, який спеціалізується на швидких обчислювальних завданнях великого обсягу для ефективного аналізу масивних неструктурованих наборів даних. Тож навіть складні моделі трансформера NLP або моделі комп’ютерного бачення з мільйонами чи навіть мільярдами параметрів можуть працювати на стандартному центральному процесорі замість графічного процесора.

Якщо ви HLS-підприємство, яке шукає кращий спосіб застосування машинного навчання у виробництві, зв’яжіться з нами, щоб поговорити зі спеціалістом.