监督式机器学习如何优化临床试验中的人工智能应用 - AI与医疗健康

监督式机器学习如何优化临床试验中的人工智能应用How supervised machine learning optimizes AI use in clinical trials

环球医讯 / AI与医疗健康来源：www.pharmaceutical-technology.com美国 - 英语2024-10-24 19:00:00 - 阅读时长5分钟 - 2313字

本文探讨了监督式机器学习在临床试验中的应用及其相对于大型语言模型的优势

大型语言模型（LLMs）如ChatGPT经常被誉为任何工作场所的革命性工具。然而，在制药行业，小型的监督式机器学习模型可能提供更有效和可靠的解决方案。2024年10月24日

人工智能（AI）被广泛认为是将为临床试验带来最大益处的技术。在GlobalData的“生物制药行业年度调查”中，AI连续多年（2020-2023）被评为最具行业影响力的科技。但哪种类型的AI最具潜力？

免费白皮书

Zelta方式：临床试验中的人工智能和监督式机器学习

生成式AI和机器学习在临床试验中可以发挥什么作用？还是有更佳的模型？电子临床平台提供商Zelta探讨了这一问题，评估了新技术如何解决一系列用户挑战。下载了解Zelta如何利用自动化和监督式机器学习帮助客户实现投资回报率并加速临床试验时间表。

虽然AI的应用潜力巨大，但制药公司采用AI时应采取主动、价值驱动的战略，而不仅仅是为技术而技术。大型语言模型（LLMs）如ChatGPT以其从互联网快速提取输入的能力令人惊叹，能够生成大量文本以应对任何提示。这种无边界创造力令人兴奋，但也可能带来问题，因为LLMs容易生成不可靠的响应。监督式机器学习（ML）通常能更好地利用AI在临床研究领域的优势，同时减轻与LLMs相关的透明度、成本和一致性等问题。

LLMs不是可靠的信息生成器

LLMs能够理解和生成连贯的人类语言文本，支持翻译模型、内容创作和自动客户服务机器人。其传统自然语言处理（NLP）能力也优于传统的ML方法，有助于分类、实体提取和关系提取等任务。然而，即使在这个初步阶段，LLMs不可避免地出现了一些问题。计算成本仍然很高，风险也很大，包括输出不一致和监管障碍。特别令人担忧的是“幻觉”，即AI生成的看似真实和有说服力但实际上错误的响应。

考虑以下示例，当要求ChatGPT提供“心肌梗死”的MedDRA代码时，其响应非常流畅、清晰且权威——返回的代码确实是一个真实的MedDRA代码。问题是，它并不是心肌梗死的代码，而是间皮瘤的代码。ChatGPT的完整响应给人一种它理解了问题并拥有深厚的MedDRA知识的感觉。通过使用MedDRA中的正确术语，例如“首选术语”，LLM传达了一种对医学术语的深刻理解。然而，在这种情况下，它提供的医疗代码实际上是间皮瘤的MedDRA代码，而不是心肌梗死的代码。

ChatGPT在这里并不是故意误导用户。相反，这种“幻觉”是由于LLM在生成响应时选择每个位置上最可能的下一个词。任何看起来像有效MedDRA代码的内容都可以输出，无论是否正确。因此，构建基于生成式AI的解决方案时需要谨慎考虑。即使添加人工验证过程来验证AI生成的答案也可能徒劳无功，因为原始生成的文本如此权威和有说服力。

然而，监督式机器学习模型具有固有的优势。由于它们被认为是不可靠的，因此无法通过有说服力的叙述来说服用户。相反，用户对AI模型获得了熟悉和信任。

监督式机器学习的优势

鉴于数据隐私和透明度方面的担忧，根据具体用例，LLMs可能不是某些临床试验的理想选择。对于许多用例，监督式ML模型的成本仅为LLMs的一小部分，且通常更有效、可扩展和易于维护。行业领导者如Zelta by Merative将“合适的工具用于合适的工作”和“客户价值优先”的理念延伸到临床研究中的AI部署。很容易被LLMs的炒作所吸引，但在监督式ML模型可以提供更高效和具体的回报时，专门投资于LLMs并将其作为唯一的AI战略可能是不必要的。Zeta提供明确、可衡量的价值声明，支持务实的解决方案，避免使用流行语和过度承诺。

尽管像ChatGPT、Llama和Gemini这样的LLMs在语言理解和生成方面取得了令人印象深刻的进展，提供了各种领域的宝贵应用，但Zelta发现监督式机器学习在帮助赞助商和合同研究组织（CROs）实现临床试验目标方面更具实际效益。监督式ML允许对数据进行更大的控制，确保其符合准确性、合规性和相关性的标准。这种方法减少了不可预测输出的风险，使他们能够微调结果，获得更可靠和可行的见解。虽然LLMs具有令人兴奋的潜力，但目前监督式学习提供的精确度和监督更能满足他们的高影响力需求。

对于许多临床试验，监督式ML是满足特定数据要求的理想选择，而其他通用AI解决方案则不然。这些更具体的任务需要的数据较少，减轻了管理人员训练模型的负担，并可以融入工作流程，与人类用户创建强大的反馈循环。虽然训练监督式模型的数据可能难以且昂贵地获取，但从长远来看，成本节约显著，特别是考虑到监督式ML模型运行速度之快。正确实施时，它们可以在将长期存在的数据挑战转变为新的战略优势方面发挥重要作用。