Foundation models for generalist medical artificial intelligence

2023· review· en· 1 575 citations· W4365143687 sur OpenAlex· 10.1038/s41586-023-05881-4

Pourquoi ce travail est-il dans la base ?

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

Affiliation canadienneUne personne signataire a déclaré un établissement canadien. C'est la seule voie dont dispose la base habituelle.

Scores machine (provisoires)

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Tête enseignante Opus0,178

Tête enseignante GPT0,464

Écart entre enseignants: 0,286 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validation: score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Résumé

The exceptionally rapid development of highly flexible, reusable artificial intelligence (AI) models is likely to usher in newfound capabilities in medicine. We propose a new paradigm for medical AI, which we refer to as generalist medical AI (GMAI). GMAI models will be capable of carrying out a diverse set of tasks using very little or no task-specific labelled data. Built through self-supervision on large, diverse datasets, GMAI will flexibly interpret different combinations of medical modalities, including data from imaging, electronic health records, laboratory results, genomics, graphs or medical text. Models will in turn produce expressive outputs such as free-text explanations, spoken recommendations or image annotations that demonstrate advanced medical reasoning abilities. Here we identify a set of high-impact potential applications for GMAI and lay out specific technical capabilities and training datasets necessary to enable them. We expect that GMAI-enabled applications will challenge current strategies for regulating and validating AI devices for medicine and will shift practices associated with the collection of large medical datasets. This review discusses generalist medical artificial intelligence, identifying potential applications and setting out specific technical capabilities and training datasets necessary to enable them, as well as highlighting challenges to its implementation.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

La notice

Revue: Nature
Thématique: Machine Learning in Healthcare
Domaine: Computer Science
Établissements canadiens: Public Health OntarioUniversity of Toronto
Organismes subventionnaires: National Center for Advancing Translational SciencesArmy Research OfficeNational Human Genome Research InstituteNational Institute of Neurological Disorders and StrokeMultidisciplinary University Research InitiativeWu Tsai Neurosciences Institute, Stanford UniversityNational Science FoundationNational Institutes of HealthAdvanced Research Projects AgencyDefense Advanced Research Projects Agency
Mots-clés: Computer scienceSet (abstract data type)Artificial intelligenceModalitiesTask (project management)Data scienceMachine learning
Résumé présent dans OpenAlex: oui
API: /api/v1/works/W4365143687