Health AI Developer Foundations

要約

堅牢な医療機械学習 (ML) モデルは、臨床研究を加速し、ワークフローと結果を改善し、新しい洞察や機能を生み出すことにより、医療に革命を起こす可能性を秘めています。
このような ML モデルを最初から開発するのは法外なコストがかかり、かなりのコンピューティング、データ、時間 (専門家のラベル付けなど) が必要です。
これらの課題に対処するために、私たちは Health AI Developer Foundations (HAI-DEF) を導入しました。これは、健康アプリケーション向けの ML の構築を加速するための、事前トレーニング済みのドメイン固有の基盤モデル、ツール、レシピのスイートです。
モデルは、放射線学 (X 線およびコンピューター断層撮影)、組織病理学、皮膚科画像診断、音声など、さまざまなモダリティと領域をカバーしています。
これらのモデルは、従来のアプローチと比較してラベル付けされたデータが少なく、トレーニング時間が短縮され、計算コストが削減された AI 開発を促進するドメイン固有の埋め込みを提供します。
さらに、これらのモデル間で共通のインターフェイスとスタイルを利用し、開発者が HAI-DEF を効率的に統合できるように使いやすさを優先しています。
さまざまなタスクにわたるモデル評価を提示し、最後にその適用と評価について説明し、有効性、公平性、公平性を確保することの重要性について説明します。
最後に、HAI-DEF、特に基礎モデルは医療における ML の参入障壁を低くしますが、望ましい使用設定ごとに問題および集団固有のデータを使用して検証することの重要性を強調します。
この技術レポートは、モダリティや機能が追加されるたびに更新されます。

要約(オリジナル)

Robust medical Machine Learning (ML) models have the potential to revolutionize healthcare by accelerating clinical research, improving workflows and outcomes, and producing novel insights or capabilities. Developing such ML models from scratch is cost prohibitive and requires substantial compute, data, and time (e.g., expert labeling). To address these challenges, we introduce Health AI Developer Foundations (HAI-DEF), a suite of pre-trained, domain-specific foundation models, tools, and recipes to accelerate building ML for health applications. The models cover various modalities and domains, including radiology (X-rays and computed tomography), histopathology, dermatological imaging, and audio. These models provide domain specific embeddings that facilitate AI development with less labeled data, shorter training times, and reduced computational costs compared to traditional approaches. In addition, we utilize a common interface and style across these models, and prioritize usability to enable developers to integrate HAI-DEF efficiently. We present model evaluations across various tasks and conclude with a discussion of their application and evaluation, covering the importance of ensuring efficacy, fairness, and equity. Finally, while HAI-DEF and specifically the foundation models lower the barrier to entry for ML in healthcare, we emphasize the importance of validation with problem- and population-specific data for each desired usage setting. This technical report will be updated over time as more modalities and features are added.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google