Wahl eines NLP-Ansatzes für das Gesundheitswesen und die Biowissenschaften

In Generative KI- und NLP-Ansätze für das Gesundheitswesen und die Biowissenschaften diesem Abschnitt werden die folgenden Ansätze zur Bewältigung von Aufgaben der Verarbeitung natürlicher Sprache (NLP) für Anwendungen im Gesundheitswesen und in den Biowissenschaften beschrieben:

• Verwenden von Amazon Comprehend Medical

• Kombination von Amazon Comprehend Medical mit einem LLM in einem Retrieval Augment Generation (RAG) -Workflow

• Verwendung eines fein abgestimmten LLM

• Verwendung eines RAG-Workflows

Indem Sie die bekannten Einschränkungen von LLMs Aufgaben im medizinischen Bereich und Ihren Anwendungsfall abwägen, können Sie entscheiden, welcher Ansatz für Ihre Aufgabe am besten geeignet ist. Der folgende Entscheidungsbaum kann Ihnen bei der Auswahl eines LLM-Ansatzes für Ihre medizinische NLP-Aufgabe helfen:

Das Diagramm zeigt den folgenden Workflow:

1. Identifizieren Sie für Anwendungsfälle im Gesundheitswesen und in den Biowissenschaften, ob für die NLP-Aufgabe spezifisches Fachwissen erforderlich ist. Stimmen Sie sich bei Bedarf mit Fachexperten ab (SMEs).

2. Wenn Sie ein allgemeines LLM oder ein Modell verwenden können, das anhand medizinischer Datensätze trainiert wurde, verwenden Sie ein verfügbares Basismodell in Amazon Bedrock oder das vortrainierte LLM. Weitere Informationen finden Sie unter Einen LLM auswählen in diesem Handbuch.

3. Wenn die Funktionen zur Erkennung von Entitäten und zur Verknüpfung von Ontologien von Amazon Comprehend Medical auf Ihren Anwendungsfall zugeschnitten sind, verwenden Sie Amazon Comprehend Medical. APIs Weitere Informationen finden Sie unter Verwenden von Amazon Comprehend Medical in diesem Handbuch.

4. Manchmal verfügt Amazon Comprehend Medical über den erforderlichen Kontext, unterstützt Ihren Anwendungsfall jedoch nicht. Beispielsweise benötigen Sie möglicherweise unterschiedliche Entitätsdefinitionen, erhalten eine überwältigende Anzahl von Ergebnissen, benötigen benutzerdefinierte Entitäten oder benötigen eine benutzerdefinierte NLP-Aufgabe. Wenn dies der Fall ist, verwenden Sie einen RAG-Ansatz, um Amazon Comprehend Medical nach Kontext abzufragen. Weitere Informationen finden Sie unter Kombination von Amazon Comprehend Medical mit großen Sprachmodellen in diesem Handbuch.

5. Wenn Sie über eine ausreichende Menge an Ground-Truth-Daten verfügen, optimieren Sie ein vorhandenes LLM. Weitere Informationen finden Sie unter Anpassungsansätze in diesem Handbuch.

6. Wenn die anderen Ansätze nicht den medizinischen Zielen Ihrer NLP-Aufgaben entsprechen, implementieren Sie eine RAG-Lösung. Weitere Informationen finden Sie unter Anpassungsansätze in diesem Handbuch.

7. Prüfen Sie nach der Implementierung der RAG-Lösung, ob die generierten Antworten korrekt sind. Weitere Informationen finden Sie unter Evaluierung LLMs für Anwendungen im Gesundheitswesen und in den Biowissenschaften in diesem Handbuch. Es ist üblich, mit einem Amazon Titan Text Embeddings-Modell oder einem allgemeinen Satztransformator-Modell wie All-MiniLM-L6-V2 zu beginnen. Aufgrund des fehlenden Domänenkontextes erfassen diese Modelle jedoch möglicherweise nicht die medizinische Terminologie des Textes. Falls erforderlich, sollten Sie die folgenden Anpassungen in Betracht ziehen:

   1. Evaluieren Sie andere Einbettungsmodelle

   2. Optimieren Sie das Einbettungsmodell mit domänenspezifischen Datensätzen

Überlegungen zur Geschäftsreife

Bei der Anpassung von LLM-Lösungen für Anwendungen im Gesundheitswesen und in den Biowissenschaften ist die Geschäftsreife entscheidend. Diese Organisationen sehen sich je nach ihren Akzeptanzkriterien bei der Implementierung LLMs mit unterschiedlicher Komplexität konfrontiert. Häufig investieren Unternehmen, denen es an KI/ML-Ressourcen mangelt, in die Unterstützung von Auftragnehmern, um LLM-Lösungen zu entwickeln. In diesen Situationen ist es wichtig, die folgenden Kompromisse zu verstehen:

• Hohe Leistung bei hohen Kosten und hohem Wartungsaufwand — Möglicherweise benötigen Sie eine komplexe Lösung, die fein abgestimmt oder kundenspezifisch angepasst ist, um strenge Leistungsstandards LLMs zu erfüllen. Dies ist jedoch mit höheren Kosten und Wartungsanforderungen verbunden. Möglicherweise müssen Sie spezialisierte Ressourcen einstellen oder mit Auftragnehmern zusammenarbeiten, um diese ausgeklügelten Lösungen zu warten. Dies kann die Entwicklung potenziell verlangsamen.

• Gute Leistung bei niedrigen Kosten und geringem Wartungsaufwand — Alternativ stellen Sie möglicherweise fest, dass Dienste wie Amazon Bedrock oder Amazon Comprehend Medical eine akzeptable Leistung bieten. Mit diesen LLMs Methoden können zwar perfekte Ergebnisse erzielt werden, mit diesen Lösungen lassen sich jedoch häufig gleichbleibende, qualitativ hochwertige Ergebnisse erzielen. Diese Lösungen sind kostengünstiger und reduzieren den Wartungsaufwand. Dies kann die Entwicklung beschleunigen.

Wenn ein einfacherer, kostengünstigerer Ansatz durchweg zu qualitativ hochwertigen Ergebnissen führt, die Ihren Akzeptanzkriterien entsprechen, sollten Sie überlegen, ob die Steigerung der Leistung die Kompromisse bei Kosten, Wartung und Zeit wert ist. Wenn die einfachere Lösung jedoch deutlich hinter der angestrebten Leistung zurückbleibt und Ihrem Unternehmen die Investitionskapazität für komplexe Lösungen und deren Wartungsanforderungen fehlt, sollten Sie die Entwicklung von KI/ML verschieben, bis mehr Ressourcen oder alternative Lösungen verfügbar sind.

Darüber hinaus empfehlen wir Ihnen für jede medizinische NLP-Lösung, die auf einem LLM basiert, eine kontinuierliche Überwachung und Bewertung durchzuführen. Beurteilen Sie das Feedback der Benutzer im Laufe der Zeit und führen Sie regelmäßige Bewertungen durch, um sicherzustellen, dass die Lösung auch weiterhin Ihren Geschäftszielen entspricht.