MongoDB와 Microsoft를 활용한 AI 기반 의료

데이터 아키텍처 및 흐름

이 솔루션에서 MongoDB Atlas 실시간 AI 애플리케이션의 운영 데이터 저장소 역할을 하고, Microsoft OneLake는 장기 추세 분석을 위한 분석 처리합니다. 이 아키텍처를 사용하면 다음과 같은 기능을 사용할 수 있습니다.

• 환자 데이터와 의료 이미지의 실시간 처리.

• 운영 시스템과 분석 시스템 간의 통합.

• 트랜잭션 처리에서 분석 처리로의 효율적인 데이터 흐름.

• 밀리초 단위 응답의 운영 쿼리와 복잡한 분석 워크로드를 모두 지원합니다.

그림 2: 실시간 분석 데이터 파이프라인

조기 탐지를 위한 예측 AI

예측 AI 의료에서 대규모 데이터 세트에서 정확한 진단을 생성하는 데 사용할 수 있습니다. Microsoft 패브릭 데이터 과학 은 ML 모델을 교육 및 실험하고 MLOps 주기를 관리 수 있는 강력한 플랫폼을 제공합니다. 이 솔루션은 다음과 같은 목적으로 모델을 사용합니다.

1. BI-RADS 예측

   BI-RADS는 유방 조영술 결과를 분석 업계 표준 메커니즘입니다. 의료 전문가는 BI-RADS를 사용하여 유방 영상 검사 결과를 0 부터 6까지의 숫자로 설명하며, 점수가 높을수록 악성 가능성이 높습니다.

   이 솔루션은 VGG16 심층 컨볼루션 신경망(CNN)을 사용하여 이미지에서 BI-RADS 점수를 예측합니다. 이 모델은 Kaggle 데이터 세트의 맘모그램 이미지로 학습됩니다. 각 이미지는 BI-RADS에 해당하는 폴더로 그룹화됩니다.

   패브릭 데이터 과학은 이 작업 위해 여러 모델의 성능을 분석하고 가장 적합한 모델을 선택합니다. 모델을 학습시키고, 실험을 실행하고, 여러 버전을 관리합니다. 교육 이미지는 Lakehouse UI 사용하여 사용자의 로컬 머신에서 OneLake의 Lakehouse에 직접 업로드됩니다. 또한 wget 또는 curl 명령, 바로 가기 또는 데이터 파이프라인 사용하여 Azure Blob Storage에 저장된 이미지를 쉽게 참조할 수 있습니다. 이 솔루션은 이미지 메타데이터 와 최종 예측을 MongoDB Atlas 에 저장합니다.

2. 생검 분류

   분류 또는 회귀 모델을 사용하여 종양을 악성 또는 양성으로 분류할 수 있습니다. 랜덤 포리스트 분류기 모델은 덩어리 두께, 셀 크기 및 모양의 균일성, 베어 뉴클레이, 유사분열과 같은 입력 매개변수를 포함하는 Kaggle 데이터 세트 에서 훈련됩니다. 그런 다음 이 모델은 종양이 악성인지 양성인지 예측할 수 있습니다. 프로덕션 환경에서는 데이터 세트에 더 많은 매개 변수를 추가하고 이러한 값을 기반으로 모델을 학습시켜 더 정확한 예측을 할 수 있습니다. 솔루션 개발 중 랜덤 포리스트 모델의 정확도는 97%를 초과했습니다. 이 솔루션은 MongoDB Atlas 에서 교육 데이터 세트를 가져오고, MongoDB Spark Connector사용하여 MongoDB 에서 예측 출력을 업데이트합니다.

패브릭 데이터 과학은 각 모델 및 실험에 대한 관련 매개변수를 자동으로 기록하여 모델을 쉽게 교육 하고 관리할 수 있도록 합니다.

벡터 검색 구현

이 솔루션의 지능형 쿼리 시스템은 다음 다이어그램과 같이 Vector Search를 사용합니다.

그림 3. 벡터 검색 구현 프로세스 흐름

1. 데이터 준비:

   • Azure OpenAI의 text-embedding-ada-002 모델은 임상 기록을 처리합니다.

   • 데이터는 고차원 공간 표현을 위해 벡터 임베딩으로 변환됩니다.

   • 벡터 임베딩은 최적화된 검색 인덱스를 사용하여 MongoDB Atlas에 저장됩니다.

2. 쿼리 처리:

   • 언어 쿼리는 벡터 표현으로 변환됩니다.

   • 의미론적 이해는 복잡한 의학적 쿼리를 가능하게 합니다.

   • 쿼리 벡터는 저장된 임베딩과 일치합니다.

3. Document retrieval:

   • 의미적 일치를 기반으로 관련 의료 기록을 반환합니다.

   • 환자 정보에 대한 직관적인 액세스를 활성화합니다.

   • Atlas Vector Search 유사성 기반 검색을 실행합니다.

RAG 기반 챗봇 아키텍처

챗봇 구현은 다음 다이어그램에 표시된 것처럼 다음 컨텍스트에서 RAG 아키텍처를 활용합니다.

그림 4. 챗봇 아키텍처 청사진

1. 환자 정보 검색:

   • 최신 환자 세부 정보를 가져오기 위해 쿼리를 실행합니다.

   • MongoDB 컬렉션에서 구조화된 환자 데이터를 검색합니다.

   • 중요한 환자 정보에 대한 즉시 액세스를 제공합니다.

2. 기록 데이터 처리:

   • MongoDB Atlas에서 10년간의 환자 기록에 접근합니다.

   • Azure OpenAI LLM을 사용해 과거 데이터를 해독하고 요약합니다.

   • 컨텍스트 인식 응답을 위해 사고 연쇄를 구현합니다.

3. 의료 지식 통합:

   • 벡터화된 의료 문서를 사용합니다.

   • 쿼리의 컨텍스트를 기반으로 실시간 벡터 검색을 수행합니다.

   • 관련 의학 문헌과 사례 연구를 통합합니다.

분석 및 시각화

이 솔루션은 분석 위해 다음 두 가지 시각화 플랫폼을 사용합니다.

먼저, MongoDB Atlas Charts는 MongoDB 데이터와 직접 연결된 네이티브 실시간 운영 대시보드를 제공합니다. 데이터 변환이나 추가 도구 없이 직관적인 시각화를 통해 중요한 의료 지표에 대한 인사이트를 즉각적으로 제공합니다. 운영 대시보드(그림 5)는 환자 수, 예약 상태, 클리닉 분포를 포함한 주요 지표를 보여줍니다.

그림 5. Atlas Charts를 사용한 운영 대시보드

둘째, Power BI 통합은 엔터프라이즈 전체의 데이터 분석 및 고급 시각화를 가능하게 하여 분석 기능을 확장합니다. MongoDB Atlas Connector를 통해 의료 데이터를 Microsoft OneLake의 다른 엔터프라이즈 소스와 결합할 수 있습니다. 지리적 시각화 대시보드 (그림 6)는 이러한 통합을 보여 주어 환자 분포를 표시하고 정교한 분석 기능을 가능하게 합니다.

그림 6. Power BI와 MongoDB Atlas의 통합

이 플랫폼들은 함께 완전한 분석 솔루션을 제공하여 즉각적인 운영 요구와 장기적인 분석 요구를 모두 처리합니다.

이 솔루션은 MongoDB Atlas 운영 데이터, Vector Search 기능, 분석 요구 사항을 처리하다 Microsoft의 AI 및 시각화 도구와 원활하게 통합되는 방법을 보여줍니다. 이 아키텍처를 통해 의료 제공자는 단일 시스템 내에서 실시간 운영 인사이트와 장기적인 분석 기능을 활용할 수 있습니다.