Dirbtinio intelekto (AI), tapus visagaliu sveikatos priežiūros sektoriaus naujovių dėmesiu, neturėtų būti stebėtina, kad didelių kalbų modelių (LLMS) taikymas robotų chirurgijoje tampa vis didėjančios susidomėjimo sritimi.
Remiantis „Globaldata“ analize, prognozuojama, kad AI sveikatos priežiūros srityje iki 2027 m. Sieks 19 mlrd.
Atraskite B2B rinkodarą, kuri koncertuoja
Sujunkite verslo žvalgybos ir redakcinę kompetenciją, kad pasiektumėte įsitraukusius specialistus 36 pagrindinėse žiniasklaidos platformose.
Sužinokite daugiau
Atlikus robotų chirurgiją, LLMS, AI forma, išmokyta duomenų rinkinių atlikti nurodytą funkciją, daro didelę įtaką robotų operacijai planuojama, vykdoma ir mokoma. Tiksliau, LLM turi potencialą remti chirurgus priimant sudėtingus sąveikos sprendimus ir pagreitindami įgūdžių įgijimą.
Tyrimai rodo, kad ši technologija ne tik suteikia integracijos galimybių tobulinti esamus chirurginius robotų procesus, bet ir įmonių robotų chirurginės sistemos kūrimo būduose.
Tačiau didėjant LLMS naudojimui, galimas jų integracijos į „MedTech“ sritis, tokias kaip robotika, yra naudojimo atvejų nevienalytiškumas, sako Erez Kamanski, AI atitikties bendrovės „Ketryx“ generalinis direktorius.
„Norint įrodyti, kad kažkas veikia, turite tai įrodyti dėl konkretaus dalyko, kurį jis daro. Ir todėl įmonėms (naudojančioms LLM robotų chirurgiją) reikės sukurti daugybę skirtingų produktų naudojimo atvejų, o tada atlikti vertinimus ir testus, kurie įrodo, kad daugeliui tų nurodytų situacijų, kad jis veikia“.
„Kaminski“ taip pat pabrėžia, kad medicinos prietaisų taisyklėms reikalaujama, kad sistema turėtų specifinę, numatytą užduotį.
„Nesvarbu, ar tai LLM, ar konvoliucinis nervų tinklas, šios technologijos yra tik būdai atlikti užduotį. Atliekant robotų chirurgiją, įmonėms pirmiausia reikės žengti žingsnį atgal ir konkrečiai apibrėžti, kokią funkciją atlieka LLM“, – sako jis.
Pagalba chirurgams robotų chirurgijos ekosistemoje
Pagrindinis LLMS iki šiol robotų chirurgijos bruožas buvo padėti gydytojams įgyti daugiau supratimo ar artimojo supratimo apie chirurginę aplinką, tokią kaip įrankių vieta ar artumas tam tikram organui procedūros metu.
Pasak Dustino Vaughano, „Asensus Surgical“, „Asensus Surgical“, įmonės, kuri sukūrė LLMS ir didelius multimodalinius modelius (LMM) chirurgams, viceprezidentas Dustinui viceprezidentui chirurgams, jos modeliai analizuoja vaizdo gavimą ir tekstinius duomenis, kad būtų galima suprasti chirurginę aplinką.
„Ši galimybė gali pagerinti chirurgo sprendimų priėmimą naudodama vertingą informaciją tiksliai tada, kai to reikia“,-sako Vaughanas.
Kitas pagrindinis bendrovės LLM dėmesys skiriamas jų plėtros palaikymo komandoms dislokuoti – taip paspartinti programinės įrangos kūrimo ir gamybos procesus „Asensus“ chirurginių robotų sistemoms.
Vaughanas sako, kad kadangi „AsenSus“ įdiegė tokias priemones kaip „GitHub Copilot“ ir „Cursor“ į savo programinės įrangos kūrimo procesą, ji suprato „didelę pažangą“ spartėjant kodo generavimui skirtingose darbo srautuose.
„Pavyzdžiui, mes įdiegėme daugybę vienetų bandymų agentų savo„ Build “vamzdyne, kurie, kaip įrodyta, pagerina sauso bandymo pastangas ir pateikė puikų kodų aprėptį mūsų išsamiam bandymų rinkiniui.“
Žvelgiant į ateitį, „AsenSus“ numato papildomas galimybes išplėsti LLMS naudojimą, kad būtų optimizuotas darbo eiga, padidins produktyvumą ir palaiko bendrą bendrovės tikslą siekiant skatinti skaitmeninę chirurgiją.
Ne tik pasikliauti LLM
Dabartinis ir reikšmingas LLM apribojimas yra susijęs su jų polinkiu generuoti netikslią ar nefekstruotą turinį – tai klausimas, kuris gali panaikinti jų potencialą. Paprastai žinomas kaip „haliucinacijos“, šis klausimas kelia rimtą susirūpinimą klinikiniame kontekste, nes tai gali pakenkti pasitikėjimui AI priemonėmis ir sukelti potencialiai kenksmingus medicininius sprendimus.
Vaughanas pabrėžia, kad nors jie ir toliau tobulėja, negalima ignoruoti klaidų galimybės ir kad tokioje saugoje esančioje erdvėje, pavyzdžiui, chirurginėje technologijoje, toks nereermininis elgesys reiškia „mes dar nesame toje vietoje, kur galime tik pasikliauti AI įrankiais ir vien LLM“.
„Dėl šios priežasties mūsų plėtros procesams vis dar reikia viso kodo peržiūros bet kuriam AI-pagalbiniam kodų generavimui, užtikrinant, kad sauga ir tikslumas išliks svarbiausias“,-sako Vaughanas.
Siekdamas dar labiau sušvelninti haliucinacijų grėsmę, „AsenSus“ turi specialią komandą nuolat tyrinėti ir išbandyti naujas platformas, kad jos būtų saugios, veiksmingos ir suderintų su jos organizaciniais poreikiais.
„Ši strategija leidžia mums sukurti tvirtus, tikslius sprendimus, kurie laikytųsi griežtų mūsų pramonės gairių“, – sako Motti Frimer, viceprezidentas R&D, „Digital Solutions“ ir „Asensus Chirurginio Izraelio“ generalinis direktorius.
„Mes taip pat integruojame šiuos modelius į savo vidinius procesus, kad pagerintume efektyvumą ir pagreitintume novatoriškų, patikimų programinės įrangos funkcijų pristatymą“, – priduria Frimeris.
Apmąstydamas kitus iššūkius, susijusius su LLM, Vaughanas pabrėžia poreikį išmokti, kada jų nenaudoti.
„„ AsenSus “metu mes pabrėžiame subalansuotą požiūrį ir naudojame LLM, kad pagreitintume ir pagerintume darbo eigą, tuo pačiu užtikrindami žmonių priežiūros ir griežtą patvirtinimo vadovą kiekviename žingsnyje“.
Duomenų skirtumas ir LLM ateitis atliekant robotų chirurgiją
Nors „CMR Surgical“ šiuo metu į savo robotų chirurgijos protokolus nenaudoja LLM, pokalbiai apie tai yra „šiuo metu labai aktyvūs“, sako bendrovės vyriausiasis technologijų pareigūnas Chrisas Fryeris.
Kembridže, JK įsikūrusi įmonė nuo pat pradžių buvo sumanyta kaip skaitmeninė pirmoji įmonė. Todėl nuo pat pirmųjų operacijų įmonė, gavusi paciento leidimą, užfiksavo išsamius duomenis iš anonimizuotų chirurginių vaizdo įrašų.
CMR taip pat turi registrą, kuriame aprašoma tai, ką Fryeris apibūdina kaip „gaunamus veiksnius“ ir vėlesnius rezultatus pacientams, kuriems buvo atlikta operacija su įmonės Versijaus chirurginiu robotu.
„Pasirinkę šį modelį, jūs turite neįtikėtinai turtingą vaizdinių duomenų kiekį, kurį kai kurie dideli žaidėjai yra ypač suinteresuoti padėti mums interpretuoti“, – sako Fryeris.
Fryeris pažymi, kad LLM vis dažniau naudojamos siekiant pridėti vertę bendrai chirurginei patirčiai.
„Tarkime, kad imu vėžio gydymo analogiją, aš esu pilve, ten yra riebalų, yra audinių, yra kraujo. Modelis galėtų padėti man suprasti, kur tiksliai yra organas. Tai tik vienas pavyzdys, kaip mašininis mokymasis gali sustiprinti regos chirurginį procesą, jei jis išmokė suprasti ir interpretuoti žmogaus anatomiją.“
CMR taip pat diskutuoja apie LLMS naudojimą visame skaitmeninės chirurgijos kelyje pacientams.
„Pavyzdžiui, mes svarstome, kaip LLMS gali būti taikomos siekiant informuoti apie sprendimus, kada reikia veikti, o kada ne, ir, kai operacija baigsis, kokia kohortos analizė gali atskleisti apie tos operacijos ar sričių, kurioms gali prireikti pagerėti kitą kartą, sėkmės veiksnius“.
Bendrovė taip pat svarsto galimybę naudoti LLMS naudojimo atvejais robotų chirurgijoje, pabrėždama chirurgams „turtingesnės, labiau konkrečios konteksto“ informaciją apie operaciją, kad padėtų jiems tai atlikti greičiau, efektyviau.
Kalbant apie šių priemonių tobulėjimą, Fryerio požiūris yra tas, kad jų vystymasis priklausys nuo to, ką reguliavimo institucijos turi pasakyti apie jų naudojimo atvejus.
„Daugybė ateities priklausys nuo to, kaip reguliavimo institucijos vertina šiuos modelius ir nuo jūsų turi turėti kontrolės lygį“, – sako jis.
Anot Fryerio, vienas iš lemiamo veiksnių bus skirtas robotų chirurgijos sektoriui, kad būtų galima suderinti, kaip LLM gali būti „suvaržyti, bet ne per daug“, siekiant maksimaliai padidinti jų vertę, tuo pačiu užtikrinant, kad jie būtų saugiai taikomi.
LLM „paaiškinimas“ taip pat bus lemiamas veiksnys, judantis į priekį.
Fryeris daro išvadą: „JAV maisto ir vaistų administracija (FDA) yra labai aiški: jūs negalite tiesiog traktuoti šios technologijos kaip juodosios dėžutės“.
