MongoDB と Microsoft による AI を活用したヘルスケア

データアーキテクチャとデータフロー

このソリューションでは、 MongoDB Atlas はリアルタイムAIアプリケーションの運用データストアとして機能し、 Microsoft OneLake は長期的な傾向分析のための分析を取り扱います。このアーキテクチャでは、次の機能が有効になります。

• 患者データおよび医療画像のリアルタイム処理。

• 運用システムと分析システムの統合。

• トランザクションプロセシングから分析プロセシングへの効率的なデータフロー。

• ミリ秒単位で応答する運用クエリと複雑な分析ワークロードの両方をサポートします。

図2: リアルタイム分析データパイプライン

早期検出のための予測 AI

予測型AI は、大規模なデータセットから正確な診断を生成するために医療分野で使用できます。Microsoft は、ML モデルの訓練と実験、および MLOps サイクルを管理するための堅牢なプラットフォームを提供します。このソリューションでは、次の目的でモデルを使用します。

1. BI-RADS 予測

   BI-RADS は、mmong の結果を分析するための業界標準のメカニズムです。医療特殊文字は、 BI-RADS を使用して、0 から 6 までの数値でデータベースをイメージするテストの結果を説明します。非等価性はスコアに応じて増加する可能性があります。

   このソリューションは、 Vgg16 深層ネットワーク（CNN）を使用して、画像からBI RADS スコアを予測します。モデルは、 Kagdle データセット の mongostat イメージを使用して訓練されています。各イメージは、 BI RADS に対応するフォルダーにグループ化されます。

   Factory Data Factory は、このタスクに複数のモデルのパフォーマンスを分析し、最適なモデルを選択します。モデルを訓練し、実験を実行し、複数のバージョンを管理します。訓練イメージは、レイテンシUIを使用して、ユーザーのローカル マシンから OneLake のレイテンシに直接アップロードされます。さらに、wget または curl コマンド、ショートカット、またはデータパイプラインを使用して、 Azure Blob Storage に保存されているイメージを簡単に参照できます。ソリューションは、イメージメタデータと最終的な予測をMongoDB Atlasに保存します。

2. バイオプシー分類

   分類モデルまたは回帰モデルを使用して、クラスターを悪性または正常性として分類できます。ランダム フォワーダー モデルは、クラスターの深さ、セルのサイズと形状の均一性、ベア タイプ、未使用性などの入力パラメーターを含むKagdle データセットで訓練されます。次に、モデルは、パラメータが悪性であるか、正常であるかを予測できます。本番環境では、データセットにさらにパラメーターを追加し、これらの値にモデルを訓練して、より正確な予測を行うことができます。ソリューションの開発中、ランダム フォリオ モデルの精度が 97% を超えていました。ソリューションはMongoDB Atlasから訓練データセットを取得し、予測出力はMongoDB Spark コネクタを使用してMongoDBで更新されます。

Data Factory では、各モデルや実験に関連するパラメータが自動的に記録されるため、モデルの訓練と管理を簡単にします。

Vector Search の実装

このソリューションのインテリジェントクエリシステムは、次の図に示すようにベクトル検索に依存しています。

図3。ベクトル検索の実装プロセスフロー

1. データ準備:

   • Azure OpenAI の text-embedding-ada-002 モデルはクリティカル ノートを処理します。

   • データは、高次元空間で表現するためにベクトル埋め込みへと変換されます。

   • ベクトル埋め込みは、最適化された検索インデックスと共に MongoDB Atlas に保存されます。

2. クエリ処理:

   • 自然言語クエリはベクトル表現に変換されます。

   • 意味的な理解により、複雑な医療クエリが可能になります。

   • クエリベクトルは保存された埋め込みと照合されます。

3. Document retrieval:

   • 意味的な一致に基づいて、関連する医療レコードを返します。

   • 患者情報への直感的なアクセスを可能にします。

   • Atlas ベクトル検索 は類似性ベースの検索を実行します。

RAG ベースのチャットボット アーキテクチャ

チャットボットの実装は、次の図に示すように、次のコンテキストで RAG アーキテクチャを活用します。

図 4. チャットボット アーキテクチャのブループリント

1. クライアント情報の取得:

   • クエリを実行して、現在の患者の詳細を取得します。

   • MongoDB コレクションから構造化された患者データを取得します。

   • 重要な医療情報に即座にアクセスできます。

2. 過去のデータ処理:

   • MongoDB Atlas から 10 年分の患者履歴にアクセスします。

   • Azure OpenAI LLM を通じて履歴データをデコードし、要約します。

   • コンテキスト認識応答のための思考連鎖を実装します。

3. 医療知識の統合:

   • ベクトル化された医療ドキュメントを使用します。

   • クエリのコンテキストに基づいてリアルタイムベクトル検索を実行します。

   • 関連する医学文献とケーススタディを統合します。

分析と可視化

このソリューションでは、分析に次の 2 つの可視化プラットフォームを使用します。

まず、 MongoDB Atlas Charts は、 MongoDB のデータに直接接続されるネイティブのリアルタイム運用ダッシュボードを提供します。データ変換や追加のツールを必要とせずに、直感的なインサイトの可視化によって、重要な医療メトリクスを即座に把握できます。運用ダッシュボード（図 5）は、患者数、予約状況、診療所分布などの主要なメトリクスを表示します。

図 5. Atlas Charts を用いた運用ダッシュボード

次に、Power BI統合により、エンタープライズ全体のデータ分析と高度な可視化が可能になり、分析機能が拡張されます。MongoDB Atlas Connector を通じて、医療データをMicrosoft OneLake の他のエンタープライズ ソースと組み合わせることができます。地理的可視化ダッシュボード（図 6）では、この統合が紹介され、ペイ内の分散が表示され、高度な分析機能が有効になっています。

図 6. Power BI と MongoDB Atlas の統合

これらのプラットフォームを組み合わせることで、即時の運用ニーズと長期的な分析要件の両方に対応する包括的な分析ソリューションが実現されます。

このソリューションは、 MongoDB Atlas がMicrosoft のAIおよび可視化ツールとシームレスに統合しながら、運用データ、ベクトル検索機能、および分析要件を処理する方法を示します。このアーキテクチャにより、医療プロバイダーは 1 つのシステム内でリアルタイムの運用インサイトと長期的な分析機能を活用できます。