Generative artificial intelligence in medicine

Investigadores: Zhen Ling Teo, Arun James Thirunavukarasu, Kabilan Elangovan, Haoran Cheng, Prasanth Moova, Brian Soetikno, Christopher Nielsen, Andreas Pollreisz, Darren Shu Jeng Ting, Robert J. T. Morris, Nigam H. Shah, Curtis P. Langlotz, Daniel Shu Wei Ting

La Inteligencia Artificial Generativa (GAI, por sus siglas en inglés) utiliza el aprendizaje automático y arquitecturas de modelos transformadores para generar datos útiles como texto, imágenes y sonido en respuesta a las consultas de los usuarios. La GAI puede automatizar un número creciente de tareas biomédicas, desde el soporte a la decisión clínica hasta el diseño y análisis de estudios de investigación. Esta tecnología emplea nuevos tipos de modelos de aprendizaje automático para responder preguntas e interpretar imágenes con notable calidad y velocidad. La GAI se distingue de las aplicaciones de deep learning anteriores en que, aunque estas requerían enormes volúmenes de datos etiquetados para el entrenamiento, los modelos GAI pueden funcionar mejor requiriendo menos datos de entrenamiento, a menudo utilizando conjuntos de datos más pequeños y específicos del dominio. La GAI puede mejorar la atención médica para clínicos y pacientes. Esto incluye la integración de información centrada en el paciente con conocimiento médico aplicable para la diagnosis. La colaboración entre el médico, el paciente y la IA podría aumentar el proceso para proporcionar una atención óptima basada en evidencia y centrada en el paciente. Además de su papel en tareas administrativas, en la investigación o en la enseñanza biomédica. A pesar de los beneficios, existen riesgos. Por ejemplo, la GAI puede sufrir alucinaciones (inventar hechos) y propagar información inexacta o dañina, especialmente cuando se le pide recordar hechos específicos. Una solución práctica en entornos de atención médica podría ser el uso de modelos más pequeños y específicos de dominio, desarrollados mediante destilación de modelos. Estos son menos costosos computacionalmente y pueden implementarse localmente, lo que minimiza los riesgos de seguridad y privacidad asociados con la carga de datos en línea.

Abrir el Paper