Какво стана
Изследователите представиха ATHENA, ориентирана от знания рамка за търсене на агентна невронна архитектура за моделиране на електронни здравни досиета, базирано на . Системата е проектирана да намали ръчното усилие и изчислителните разходи за избор на моделни архитектури за задачи за клинично прогнозиране.
Подаването на arXiv описва ATHENA, съкратено от „Agentic Transfer across Hospitals for EHR Neural Architecture Search“. Неговата цел е базирано на моделиране на електронни здравни досиета, където изследователите трябва да избират между архитектурни конфигурации за клинично прогнозиране. Авторите определят търсенето на конвенционална невронна архитектура като скъпо, тъй като проектите на кандидат-трансформатор може да изискват значително обучение, докато ръчната настройка може да бъде трудоемка и може да не се прехвърля чисто между болници или задачи. Следователно рамката е представена като процедура за търсене за избор между дизайни на модели, а не като ново клинично лечение или като доказателство, че всяка конкретна архитектура трябва да се използва универсално. Отчетеното сравнение се отнася за процеса на търсене при посочените експериментални условия.
ATHENA първо създава супермрежа за споделяне на тегло, която е предварително обучена веднъж за всяка болница. След това кандидат-архитектурите могат да бъдат създадени като наследени подмрежи и оценени чрез фина настройка, вместо да бъдат обучавани независимо от самото начало. Този дизайн има за цел да направи многократните сравнения на архитектури по-евтини. Източникът не предоставя основното време за обучение, хардуерните изисквания или спестяванията на ресурси в своето резюме, така че практическият размер на това намаление остава неизвестен.
Рамката също използва предишна двуслойна кръстосана болнична архитектура. Един слой извлича примери за високопроизводителна архитектура от изходни сайтове, използвайки дескриптори на задачи. Другият оценява ефектите на архитектурните компоненти чрез мета-регресия, базирана на SHAP. Тези предишни се предоставят на процес на търсене на многоезичен модел с много агенти, който също получава обратна връзка за валидиране от целевата болница. В рамките на шест задачи за клинично прогнозиране и две независими здравни системи, авторите съобщават, че ATHENA съвпада или превъзхожда четири базови линии за търсене на невронна архитектура в 9 от 12 оценки на болнични задачи, когато е ограничен до бюджет за търсене от 30. Те също така съобщават за по-последователен избор на архитектура при повтарящи се търсения. Това са твърдения от един предпечат arXiv и извадката от източника не идентифицира болниците, задачите, базовите конфигурации, абсолютните стойности на ефективността или статистическата несигурност.
Детайли за източника: arxiv.org ↗
Защо има значение
Подходът се занимава с практически проблем в AI в здравеопазването: моделна архитектура, която работи добре за една задача или болница, може да не е най-добрият избор за друга. Повторното използване на знания за архитектурата в институциите може да направи разработването на модела по-ефективно, но източникът не установява клинична полза или готовност за внедряване.
Изследването е уместно, тъй като изборът на архитектура може да оформи производителността и оперативните разходи на клиничните AI системи. Болниците често се различават по своята популация пациенти, практики за кодиране, структури на записи и цели за прогнозиране. Метод за търсене, който може да използва информация от по-ранни сайтове, като същевременно валидира изборите в целевия сайт, може да намали дублираното експериментиране и да предостави по-систематична алтернатива на разчитането изцяло на ръчна настройка.
Най-отличителната претенция на ATHENA не е просто, че LLM участва в търсенето на модели. Той съчетава наследени тегла, трансфер между болници, анализ на ниво компонент и обратна връзка за валидиране в един работен процес. Тази комбинация може да бъде полезна за екипи, които трябва да сравнят много решения за архитектура при фиксиран бюджет за изчисления. Отчетеният резултат 9 от 12 предполага възможно предимство в тестваните настройки, докато докладваната последователност при повтарящи се търсения може да има значение за възпроизводимостта: метод, който многократно избира подобни дизайни, може да бъде по-лесен за проверка и опериране от този, чийто избор варира значително.
Доказателствата не показват, че ATHENA подобрява грижите за пациентите, променя решенията на клинициста или работи безопасно в живи здравни среди. Източникът съобщава за оценки на моделно търсене, а не за проспективни клинични изпитвания или резултати от внедряване. Той също така не установява, че прехвърлянето на знания за архитектурата запазва производителността за слабо представени групи, различни системи за документация или болници с ограничени данни. Тъй като източникът е подаване на arXiv, неговите констатации трябва да се третират като предварителни, докато не бъдат проверени независимо. Твърдението за публичен код може да помогне за възпроизводимостта, но предоставеният тук изходен текст не предоставя връзката към хранилището или достатъчно подробности за изпълнението, за да се оцени колко лесно другите могат да възпроизведат експериментите.
Интерактивен механизъм: как всъщност работи
Разгледайте интерактивно основната технология зад тази разработка.
crm_get_transaction(id='4092').An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
Какво да гледате след това
Основните въпроси са дали докладваното предимство на ATHENA оцелява при независимо възпроизвеждане, по-широко болнично и тестване на задачи и по-силен контрол за данни и институционални различия. Бъдещата работа трябва също така да изясни как изборът на архитектура влияе върху точността, калибрирането, справедливостта, поверителността, изискванията за изчисление и клиничното вземане на решения.
Репликацията трябва да бъде първият тест. Независими екипи ще трябва да стартират ATHENA на допълнителни болници и задачи, да я сравнят с внимателно съчетани бюджети за търсене и да определят дали отчетеното предимство идва от агентното търсене, супермрежата за споделяне на теглото, междуболничното преди или някаква комбинация. Резултатите трябва да включват абсолютни прогнозни показатели и несигурност, а не само преброяване на оценките, при които един метод съвпада или надхвърля друг.
Механизмът за прехвърляне също заслужава внимателно разглеждане. Използването на примери за архитектура от изходни болници може да е полезно, но стойността на тези примери може да зависи от това колко точно дескрипторите на задачи улавят разликите между институциите. Изследователите трябва да докладват, когато прехвърлените предишни проучвания се провалят, дали могат да насочат търсенето към проекти, подходящи за една популация, и как системата обработва промените в кодирането, наличността на данни или клиничната практика. Въпросите за поверителността и управлението също са важни, ако обобщенията на архитектурата или информацията за ефективността се движат между институциите, дори когато записите на ниво пациент не го правят.
И накрая, практическата оценка трябва да надхвърля предсказуемото представяне. Важни последващи мерки включват калибриране, поведение на подгрупа, устойчивост на липсващи или изместени записи, цена на търсене, използване на енергия и стабилност на избраните архитектури във времето. Източникът не казва дали ATHENA е била използвана в клиничен работен процес, получила е регулаторен преглед или е предоставила препоръка за пациента. Докато тези въпроси не получат отговор, най-силното подкрепено заключение е, че документът предлага и предварително оценява потенциално по-ефективен метод за търсене на архитектури на модели на EHR.