Choisir une approche de PNL pour les soins de santé et les sciences de la vie

La Approches génératives de l'IA et de la PNL pour les soins de santé et les sciences de la vie section décrit les approches suivantes pour traiter les tâches de traitement du langage naturel (NLP) pour les applications des soins de santé et des sciences de la vie :

• Utilisation d'Amazon Comprehend Medical

• Combiner Amazon Comprehend Medical avec un LLM dans un flux de travail RAG (Retrieval Augment Generation)

• Utilisation d'un LLM affiné

• Utilisation d'un flux de travail RAG

En évaluant les limites connues LLMs des tâches du domaine médical et votre cas d'utilisation, vous pouvez choisir l'approche la mieux adaptée à votre tâche. L'arbre de décision suivant peut vous aider à choisir une approche LLM pour votre tâche de PNL médicale :

Le schéma suivant illustre le flux de travail suivant :

1. Pour les cas d'utilisation dans le domaine des soins de santé et des sciences de la vie, déterminez si la tâche de PNL nécessite des connaissances spécifiques dans le domaine. Au besoin, coordonnez-vous avec les experts en la matière (SMEs).

2. Si vous pouvez utiliser un LLM général ou un modèle formé sur des ensembles de données médicaux, utilisez un modèle de base disponible dans Amazon Bedrock ou le LLM préentraîné. Pour plus d’informations, consultez Choisir un LLM dans ce guide.

3. Si les fonctionnalités de détection d'entités et de liaison d'ontologies d'Amazon Comprehend Medical répondent à votre cas d'utilisation, utilisez Amazon Comprehend Medical. APIs Pour plus d’informations, consultez Utilisation d'Amazon Comprehend Medical dans ce guide.

4. Parfois, Amazon Comprehend Medical dispose du contexte requis mais ne prend pas en charge votre cas d'utilisation. Par exemple, vous pourriez avoir besoin de définitions d'entités différentes, recevoir un très grand nombre de résultats, avoir besoin d'entités personnalisées ou avoir besoin d'une tâche NLP personnalisée. Si tel est le cas, utilisez une approche RAG pour interroger Amazon Comprehend Medical pour obtenir le contexte. Pour plus d’informations, consultez Combiner Amazon Comprehend Medical avec de grands modèles linguistiques dans ce guide.

5. Si vous disposez d'une quantité suffisante de données fiables, affinez un LLM existant. Pour plus d’informations, consultez Approches de personnalisation dans ce guide.

6. Si les autres approches ne répondent pas aux objectifs médicaux de vos tâches de PNL, implémentez une solution RAG. Pour plus d’informations, consultez Approches de personnalisation dans ce guide.

7. Après avoir implémenté la solution RAG, évaluez si les réponses générées sont exactes. Pour plus d’informations, consultez Évaluation LLMs pour les applications des soins de santé et des sciences de la vie dans ce guide. Il est courant de commencer par un modèle Amazon Titan Text Embeddings ou un modèle de transformateur de phrases générales, tel que All-MiniLM-L6-V2. Cependant, en raison de l'absence de contexte du domaine, ces modèles peuvent ne pas saisir la terminologie médicale du texte. Si nécessaire, pensez aux ajustements suivants :

   1. Évaluer d'autres modèles d'intégration

   2. Affinez le modèle d'intégration avec des ensembles de données spécifiques au domaine

Considérations relatives à la maturité commerciale

La maturité commerciale est essentielle lors de l'adaptation des solutions LLM pour les applications de santé et des sciences de la vie. Ces organisations sont confrontées à différents niveaux de complexité lors de la mise en œuvre LLMs, en fonction de leurs critères d'acceptation. Souvent, les organisations qui ne disposent pas de ressources en matière d'IA/ML investissent dans le soutien de sous-traitants pour créer des solutions LLM. Dans ces situations, il est important de comprendre les compromis suivants :

• Des performances élevées pour des coûts et une maintenance élevés — Vous pourriez avoir besoin d'une solution complexe nécessitant des ajustements ou une personnalisation LLMs pour répondre à des normes de performance strictes. Cependant, cela entraîne des coûts et des exigences de maintenance plus élevés. Vous devrez peut-être engager des ressources spécialisées ou vous associer à des sous-traitants pour maintenir ces solutions sophistiquées. Cela peut potentiellement ralentir le développement.

• De bonnes performances pour un faible coût et une maintenance réduits. Vous pourriez également constater que des services tels qu'Amazon Bedrock ou Amazon Comprehend Medical offrent des performances acceptables. Bien que ces approches LLMs ou ces approches puissent fournir des résultats parfaits, ces solutions peuvent souvent fournir des résultats cohérents et de haute qualité. Ces solutions sont moins coûteuses et réduisent la charge de maintenance. Cela peut accélérer le développement.

Si une approche plus simple et moins coûteuse fournit systématiquement des résultats de haute qualité qui répondent à vos critères d'acceptation, demandez-vous si l'augmentation des performances vaut les compromis en termes de coûts, de maintenance et de temps. Toutefois, si la solution la plus simple est nettement inférieure aux performances cibles, et si votre organisation ne dispose pas de la capacité d'investissement nécessaire pour les solutions complexes et leurs exigences de maintenance, envisagez de reporter le développement de l'IA/ML jusqu'à ce que davantage de ressources ou des solutions alternatives soient disponibles.

En outre, pour toute solution de PNL médicale qui repose sur un LLM, nous vous recommandons d'effectuer un suivi et une évaluation continus. Évaluez les commentaires des utilisateurs au fil du temps et mettez en œuvre des évaluations périodiques pour vous assurer que la solution continue de répondre à vos objectifs commerciaux.