この Tech Barometer の特別ポッドキャスト・シリーズでは、Alex Karargyris と Debojyoti "Debo" Dutta が、MedPerfs プラットフォームがヘルスケアにおける人工知能と機械学習アプリケーションの道をどのように切り開くかを説明します。
デジタルで入手可能なすべての医療知識や情報が統合され、すぐにアクセスできるようになったとしたらどうでしょう。医師はひとつの病気に集中し、特定の患者の状態に最適な治療法を即座に理解することができます。医学研究者たちは、治療法の発見に向けた競争を加速さ せ、新たに研究することができます。MedPerfs は、医療成果の向上を目的とした人工知能（AI）と機械学習（ML）アプリケーションをテストするためのオープンソースのベンチマークプラットフォームで、それを目指しています。
「 MedPerf は、多様な実世界データで医療 AI モデルを評価します」と、MedPerf プラットフォームの開拓に貢献した機械学習研究者の Alexandros Karargyris 氏は述べています。
この Tech Barometer 特別ポッドキャスト・シリーズでは、Karargyris 氏と Debojyoti "Debo" Dutta 氏が、コンピュータ科学者やその他の業界専門家が、どのように AI や ML がヘルスケアを進歩させる道を切り開いているかを説明します。
MLCommons の共同設立者の一人であり、MedPerf の開発を支援した Nutanix 社のエンジニアリング（AI）バイスプレジデントの Dutta氏は、「私たちは、有意義で再現可能な方法でパフォーマンスを評価する必要があり、人々に信頼されるような非営利団体でありたいと考えています」と語りました。
医療に情熱を燃やす2人のコンピュータ科学者は、MedPerf の研究報告が Nature Machine Intelligence に掲載された直後に講演を行いました。二人は、医療と AI のコミュニティが直面している現在の課題と、AI アプリケーションのためのオープンな評価プラットフォームの必要性について説明しました。両氏は、MedPerf がデータプライバシーに重点を置き、クラウドベースのテクノロジーとオンプレミスのシナリオの中で、複数の国際機関とどのように連携しているかを解説しました。
Karargyris 氏は、MedPerf のユーザーはデータを保護しながら、医療 AI モデルの性能を確実に数値化できると述べています。
「データは医療機関の構外に出ることはなく、プライベート・ネットワーク内に留まります。私たちは患者のプライバシーを第一に考えています」と Karargyris 氏は説明します。
MedPerf は MLCommons のプロジェクトで、AI の精度と性能に関する普遍的なベンチマークを作成するために結成さ れました。設立メンバーには、マイクロソフト、グーグル、デル、インテル、その他多くの民間企業が名を連ねています。AI/ML ソリューションの信頼性、スピード、効率に関する一貫した統計を確立するこの取り組みには、世界中の研究者や AI 実務家が参加しています。
MedPerf は医療を対象とし、AI/ML モデルの連携評価を可能にするもので、評価のために異なる施設に安全にデータを配布することができます。MedPerf のアプローチにより、医療機関は ML モデルのパフォーマンスを、効率的かつ人の監視の下で評価・検証することができます。
「今、手術室や放射線科に行くと、たくさんのセンサーやハイテク機器があちこちに設置されています」と、Karargyris 氏は語っています。
「臨床医がこれらの情報をすべて摂取し、処理し、重大な決断を下さなければならないとき、それがどのような影響を及ぼすか想像してみてください。」
そこで機械学習が必要となります。例えば、学習アルゴリズムを使ってディープ・ニューラル・ネットワークを作り、レントゲンのパターンを検出するように自己学習させるのです。そのパターンから腫瘍が見つかれば、医師はより早く腫瘍を発見し、患者は生存率を高めることができます。MedPerf は安全な環境で使用でき、医療 IT チームが新しい AI/ML アプリケーションの導入を決定する前に、効率的にテストできます。
MedPerf のこの一連のテーマの根底にあるのは、AI や ML アプリケーションの導入を検討する際に医療 IT リーダーが直面する大きな課題です。
Nutanix Cloud Index for Healthcare で引用された調査によると、医療機関はマルチクラウド IT インフラの採用において、企業の世界平均をわずかに下回っています（世界平均 60％ に対し医療機関は 53％ ）。しかし、この状況は変わりつつあるようで す。回答者の 4 分の 3 弱（ 74% ）が、今後 3 年間でマルチクラウドインフラを使用する予定だと答えています。
新しい AI/ML アプリケーションを搭載し、実行するために、ヘルスケア IT チームは、異なるタイプのコンピューティング・インフラストラクチャ間で容易に複製でき、動的にスケールアップできる、堅牢で弾力性があり、安全な IT 運用を必要とします。
大企業は、適切なエンタープライズ・インフラストラクチャーを構築することで、大規模言語モデル（LLM）を使用して法的文書や現行法規をスキャンし、コンプライアンスを確保し、法的責任を軽減することができる、と Dutta 氏はこの連載で説明しています。LLM はまた、チャットボットやその他の会話型インターフェースで顧客サービスを合理化することもできます。そして、これらの機能は、可能性のごく一部を示すに過ぎません。
多くの人々は生成 AI 、そして AI/ML 全体の経済効果を過小評価している、と Dutta 氏はこの連載で述べています。
「生産性に対する見方が変わると思います。AI はむしろ人間をより知的な存在にするかもしれません」」とDutta 氏は語ります。
編集部注： エッジからコアまでのイニシアチブを簡素化し、ジャンプスタートできるように設計されたフルスタックのソフトウェア定義 AI 対応プラットフォーム Netanix GPT-in-a-Box の詳細をご覧ください。詳細は、こちらのブログポスト「 AI 対応スタック：Nutanix が AI イノベーションのラーニングカーブを簡素化」および Nutanix Bible をご覧ください。
記録:
Alex Karargyris: MedPerf は、多様な実世界の医療データで医療 AI モデルを評価するプラットフォームで す。
Jason Lopez: 人工知能に関する世間一般の話題の中で、ほぼ誰もが同意しているのは、医療が AI の大きな恩恵を受けるだろうということです。この記事は Tech Barometer のポッドキャストです。 こんにちは、Jason Lopez です。今回は、AI が医療にどのような影響を与えるのか、現実世界でのテストがどのように信頼を向上させるのか、 MedPerf と呼ばれるプラットフォームで医療 AI の性能をどのように定量化できるのかを探っていきます。
Alex Karargyris: MedPerf は、医療機関に AI モデルを安全に配布し、そのローカルデータでそれらのモデルをテストすることができます。データは医療機関の構外に出ることはなく、プライベートネットワーク内に留まり、ハイレベルな集計結果のみが参加機関間で共有さ れます。
Jason Lopez: Alex Karargyris 氏は、非営利団体 ML Commons の医療ワーキンググループの共同議長であり、Med Perfsの共同設立者であり開発者の一人です。
Alex Karargyris: このプラットフォームは、患者のプライバシー保護を第一に考えて設計されています。
Jason Lopez: 会話の中で Alex 氏は何度もセキュリティとプライバシーの問題に触れ、特に HIPAA セキュリティ規則を踏まえて、医療業界がいかに新しいテクノロジーを導入するリスクに敏感であるかを強調しました。
Alex Karargyris: 我々は患者さんのプライバシーを第一に考えていますし、もうひとつ、私たちはソースコードを開発しています。met Pref はオープンソースなので、誰もが自由に貢献し、再利用することができますよ。
Jason Lopez: これまで聞いてきた Med Perf の大まかな説明は、Carris 氏が執筆した 2023 年の論文『Med Perf Open Benchmarking platform for Medical AI announcing』に概説されています。そこには、Med Perf とは何か、何をする組織なのか、どうすれば参加できるのかが書かれています。
Debo Dutta: この論文が発表された後、周囲の反応はさまざまでした。
Jason Lopez: Nutanix のエンジニアリング部門のバイス・プレジデントである Debo Dutta 氏は、ML Commons グループの立ち上げに不可欠な人物でした。
Debo Dutta: 技術者と話すと、彼らはすごい、これはクールなシステムだと言います。MLの専門家たちは、ああ、これはフェデレイテッド・ラーニングのためのとてもいいアプリケーションだ、と言っていました。素晴らしい。コンピューター・サイエンスの同僚たちは、これほど多くの研究機関を集めて臨床試験を実施するのに必要な労力の大きさに驚いていました。このグループ全体がここまで来るのに要した労力と情熱の大きさに、人々はただ驚いていたと思います。それから医師たち。
Jason Lopez: Debo 氏によれば、がんの分野では、これまで AI に懐疑的だった一部の腫瘍医が、この論文によって状況が変わると話しているそうです。
Debo Dutta: 腫瘍内科医が来て、これはすごいことだと言ってくれました。この論文の共同研究者の一人である、AI に懐疑的だった腫瘍内科医が、これができたからには、もっと臨床に大きな影響を与えるような、もっとすごいことをやっていけるよ、と言ってくれました。
Jason Lopez: 当初は脳腫瘍の検出とMRIスキャンに重点を置いていたが、機械学習ワークロード用のコンピューティングプラットフォームのベンチマークを行う組織である ML Perf を通じて行われた医療 AI ベンチマークプロジェクトから、Med Perf プラットフォームの物語は本質的に 2020 年に始まりました。Nutanix、Intel、IBM、Google、Dana-Farber Cancer Institute などの組織の人々は、医療におけるベンチマークの成功を再現できないかと考え、医療用 AI への信頼を醸成しながら、実世界の医療データで機械学習モデルをテストできるプラットフォームの構築を目指していました。やがてグループのメンバーは、5 大陸にまたがる 20 以上の組織から、フルタイムのエンジニアとボランティアが参加して、プラットフォームの開発と医療 AI コミュニティ内でのベストプラクティスの確立に取り組むまでになりました。
Alex Karargyris: 私たちは他の人たちと、同じベンチマーク哲学を医療 AI に適用し、コミュニティ全体の能力を拡大する方法について議論していました。どうすれば医療 AI を効率的かつ相互に検証し、プライバシーを保証することができるのか？そこで私たちは 3 年前にこの仮説を検証することにしたのですが、同じ質問をする人がどんどん増えていることがわかりました。グループは 7 人から増え、今では 5 つの大陸にまたがる 20 の組織から参加するようになりました。グループにはフルタイムのエンジニアがおり、また多くのボランティアがプラットフォームの開発やプラットフォーム周辺のベストプラクティス・フレームワークに貢献しています。
Jason Lopez: Med Perf フレームワークは、医療 AI モデルの評価を調整するために設計されたシステムです。Med Perf サーバーと Med Perf クライアントの 2 つの主要コンポーネントで構成され、病院や医療機関に設置される軽量ソフトウェアです。このフレームワークでは、Med Perf サーバー上でモデルの評価を開始し、モデルの重みをダウンロードしてクライアントノードにプッシュすることができます。
Alex Karargyris: そして、クライアントはテストを実行することで、この特定のモデルをデータに対して実行することができます。
Jason Lopez: これは、世界中の病院、大学、研究所で AI を使った医学研究を可能にする基本的なワークフローである。Med Perf のプラットフォームはそれを可能な限りシームレスに実現しますが、最優先されるのはセキュリティとプライバシーであることは間違いありません。
Alex Karargyris: パートナーとともに MET PERF を開発し、プロトタイプを作成する中で、これが第一の課題であることがわかりました。2つ目は、セキュリティとプライバシーに関する大きな懸念で、世界中で規制の枠組みが整備され、セキュリティはより厳しく、より深く考慮しなければならなくなるでしょう。IT チームは、AI もカバーする厳重で総合的なセキュリティを提供する専門的なソリューションを探さなければならないでしょう。重いワークロードをどのように処理しますか？
Jason Lopez: これは課題のひとつです。というのも、多くの医療機関は必ずしも IT 志向ではないことが多いからです。
Alex Karargyris: 彼らはこれを実行するインフラを持っていませんが、このAI のエコシステムに参加したいのだと思います。そのため、クラウド上で非常に信頼性が高く、安全な方法で実行できる方法を探しています。それが、Met PERF が行うトレーニングから検証までのすべてのワークロードなのです。
Jason Lopez: Alex 氏によると、ヘルスケアにおけるワークロードは多種多様であり、必ずしも正しいコンピューティング・プラットフォームが存在するわけではないが、ITの観点からは共通点があるといいます。
Alex Karargyris: リソースのアプリケーション管理の改善。これらの AI システムは非常にリソースを必要とする可能性があり、これらを実行するために GPU をアクセラレーターとして使用する必要があります。多くのクラウド・プロバイダーがこれをサポートしているため、このような価値をもたらすことができるのだと思います。
Jason Lopez: そして、医療 IT の話題の中で常に優先度が高いのは、セキュリティとプライバシーです。
Alex Karargyris: Nutanix のように、セキュアな信頼性実行も重要ですが、容量を削減できることも重要です。当社では、これらのワークロードを実行することができます。Depo 氏はグループの立ち上げからサポートしてくれており、知恵の提供者であり、ヘルスケアのための AI の強力な信奉者であると言える。E メールがなければ、このようなことは不可能でしょう。
Debo Dutta: 私は ML Commons の創設メンバーの一人です。以前は ML Commons とは呼ばれていませんでした。単に ml perf.org と呼ばれていました。私たちは、ML の潮流がすぐにやってくると見ていたので、有意義な方法、再現可能な方法でパフォーマンスを評価する必要があります。 そして時を経て、ML perf は ML Commons へと進化しました。この組織の目標は、パフォーマンス・ベンチマーク、データセット、ベスト・プラクティスなどのオープンな成果物を通じて、基本的に技術の状態を改善し、AI の変革を加速させることです。
Alex Karargyris: MedPerf を使うことで、もしあなたが AI の研究者で、私たちの研究を実施するのであれば、MedPerf は、あなたが多くの研究機関と協力し、今すぐできることよりもはるかに幅広く、多様な患者集団であなたのモデルを評価するのに役立ちます。Mel Commons がコンピューティング・パワー・プラットフォームなど他の分野のベンチマークで行ってきたことと同様に、私たちは中立的で再現可能なベンチマークを作成し、医療AIの有効性の向上に役立てようとしています。
Debo Dutta: というのも、リーダーシップを取り、一流の腫瘍学者や医学研究者、AI 研究者、AI を扱う企業すべてを巻き込んで、1 つの大義に収束させるまでには長い道のりがあったからです。それは、データのプライバシーと患者のプライバシーを尊重し、臨床的にインパクトのあるMLプラットフォームを実際に構築することです。率直に言って、治療、特にがん治療の世界を変える可能性のある次世代 AI モデルを評価することです。ですから、私はとても興奮しています。
Jason Lopez: Debo Dutta 氏は Nutanix のエンジニアリング部門のバイスプレジデントであり、ML Commons の創設メンバーでもあります。Alex Karargyris 氏は、MedPerf 論文の執筆を共同研究者とともに主導し、ML Commons の医療ワーキンググループの共同議長を務めています。論文 "Federated Benchmarking of Medical Artificial Intelligence with MedPerf " は mlcommons.org でご覧いただけます。The Forecast が制作した Tech Barometer ポッドキャストです。私は Jason Lopez です。今後のポッドキャストでは、MedPerf プラットフォームについて、Alex 氏のプロフィールと Debo 氏のプロフィールを紹介する予定です。 それらは forecastbynutanix.com でご覧いただけます。
Jason Lopez 氏は、The Forecast のポッドキャストであるTech Barometer のエグゼクティブ・プロデューサーです。Connected Social Media の創設者であり、以前は PodTech のエグゼクティブ・プロデューサーと NPR のレポーターを務めていました。
本連載には Tom Mangan 氏と Ken Kaplan 氏が寄稿しています。Mangan 氏は寄稿ライターで、Kaplan 氏は The Forecast by Nutanix の編集長です。.
© 2023 Nutanix, Inc. 無断複写・転載を禁じます。その他の法的情報については、こちらをご覧ください。.
コンテンツを読み込んでいます...
