Elegir un enfoque de PNL para la atención médica y las ciencias de la vida

Enfoques generativos de IA y PNL para la salud y las ciencias de la vidaEn la sección se describen los siguientes enfoques para abordar las tareas de procesamiento del lenguaje natural (PNL) en aplicaciones sanitarias y de ciencias de la vida:

• Uso de Amazon Comprehend Medical

• Combinación de Amazon Comprehend Medical con un máster en un flujo de trabajo de recuperación aumentada (RAG)

• Uso de un LLM ajustado

• Uso de un flujo de trabajo RAG

Al evaluar las limitaciones conocidas de LLMs las tareas del ámbito médico y su caso de uso, puede elegir el enfoque que mejor se adapte a su tarea. El siguiente árbol de decisiones puede ayudarte a elegir un enfoque de LLM para tu tarea de PNL médica:

En el diagrama, se muestra el siguiente flujo de trabajo:

1. Para los casos de uso de la salud y las ciencias de la vida, identifique si la tarea de la PNL requiere un conocimiento específico del dominio. Según sea necesario, coordínese con expertos en la materia (SMEs).

2. Si puede utilizar un LLM general o un modelo que se haya formado con conjuntos de datos médicos, utilice un modelo básico disponible en Amazon Bedrock o el LLM previamente entrenado. Para obtener más información, consulte la sección Cómo elegir un LLM de esta guía.

3. Si las capacidades de detección de entidades y enlace ontológico de Amazon Comprehend Medical se adaptan a su caso de uso, utilice Amazon Comprehend Medical. APIs Para obtener más información, consulte la sección Uso de Amazon Comprehend Medical de esta guía.

4. A veces, Amazon Comprehend Medical tiene el contexto necesario, pero no es compatible con su caso de uso. Por ejemplo, es posible que necesite diferentes definiciones de entidades, reciba un número abrumador de resultados, necesite entidades personalizadas o necesite una tarea de PNL personalizada. Si este es el caso, utilice un enfoque RAG para consultar el contexto en Amazon Comprehend Medical. Para obtener más información, consulte la sección Combinación de Amazon Comprehend Medical con modelos lingüísticos de gran tamaño de esta guía.

5. Si dispone de una cantidad suficiente de datos fiables, ajuste un LLM existente. Para obtener más información, consulte la sección Enfoques de personalización de esta guía.

6. Si los otros enfoques no cumplen con los objetivos médicos de su tarea de PNL, implemente una solución RAG. Para obtener más información, consulte la sección Enfoques de personalización de esta guía.

7. Después de implementar la solución RAG, evalúe si las respuestas generadas son precisas. Para obtener más información, consulte la sección Evaluación LLMs de aplicaciones de salud y ciencias de la vida de esta guía. Es habitual empezar con un modelo de incrustaciones de texto de Amazon Titan o un modelo de transformador de oraciones general, como el modelo All-MiniLM-L6-V2. Sin embargo, debido a la falta de contexto del dominio, es posible que estos modelos no capten la terminología médica del texto. Si es necesario, considere los siguientes ajustes:

   1. Evalúe otros modelos de incrustación

   2. Ajuste el modelo de incrustación con conjuntos de datos específicos del dominio

Consideraciones sobre la madurez empresarial

La madurez empresarial es fundamental a la hora de adaptar las soluciones LLM a las aplicaciones de sanidad y ciencias de la vida. Estas organizaciones se enfrentan a distintos niveles de complejidad a la hora de implementarlas LLMs, en función de sus criterios de aceptación. Con frecuencia, las organizaciones que carecen de recursos de inteligencia artificial y aprendizaje automático invierten en el apoyo de los contratistas para crear soluciones de gestión integral. En estas situaciones, es importante entender las siguientes desventajas:

• Alto rendimiento a un coste y un mantenimiento elevados: es posible que necesite una solución compleja que requiera ajustes precisos o personalizados LLMs para cumplir con los estrictos estándares de rendimiento. Sin embargo, esto conlleva mayores costes y requisitos de mantenimiento. Es posible que necesite contratar recursos especializados o asociarse con contratistas para mantener estas sofisticadas soluciones. Esto puede retrasar el desarrollo.

• Buen rendimiento a un bajo coste y mantenimiento: también puede que descubras que servicios como Amazon Bedrock o Amazon Comprehend Medical ofrecen un rendimiento aceptable. Si bien estos LLMs o estos enfoques pueden proporcionar resultados perfectos, estas soluciones suelen ofrecer resultados consistentes y de alta calidad. Estas soluciones son de menor costo y reducen la carga de mantenimiento. Esto puede acelerar el desarrollo.

Si un enfoque más simple y de menor costo ofrece de manera consistente resultados de alta calidad que cumplen con sus criterios de aceptación, considere si el aumento del rendimiento compensa el costo, el mantenimiento y el tiempo. Sin embargo, si la solución más sencilla está muy por debajo del rendimiento objetivo y si su organización carece de la capacidad de inversión necesaria para soluciones complejas y sus requisitos de mantenimiento, considere la posibilidad de posponer el desarrollo de la IA y el aprendizaje automático hasta que haya más recursos o soluciones alternativas disponibles.

Además, para cualquier solución de PNL médica que se base en un LLM, le recomendamos que realice una supervisión y una evaluación continuas. Evalúe los comentarios de los usuarios a lo largo del tiempo e implemente evaluaciones periódicas para asegurarse de que la solución sigue cumpliendo sus objetivos empresariales.