Assistência médica viabilizada por AI com a MongoDB e a Microsoft

Arquitetura e fluxo de dados

Nesta solução, o MongoDB Atlas serve como o armazenamento de dados operacional para aplicativos de IA em tempo real, enquanto o Microsoft OneLake lida com a análise para análise de tendências de longo prazo. Essa arquitetura habilita as seguintes funcionalidades:

• Processamento em tempo real para dados de pacientes e exames de imagem.

• Integração entre sistemas operacionais e analíticos.

• Fluxo eficiente de dados do processamento transacional para o processamento analítico.

• Suporte para queries operacionais com resposta em milissegundos e cargas de trabalho analíticas complexas.

Figura 2: pipeline de dados em tempo real para análise

AI preditiva para detecção precoce

A IA preditiva pode ser usada na área da saúde para gerar um diagnóstico preciso a partir de grandes conjuntos de dados. Microsoft Fabric Data Health apresenta uma plataforma robusta para treinar e experimentar modelos de ML e gerenciar ciclos de MLOps. Esta solução utiliza modelos para as seguintes finalidades:

1. Previsão BI-RADS

   O BI-RADS é um mecanismo padrão do setor para analisar os resultados da Mamografia. Os especialistas da assistência médica usam o BI-RADS para descrever os resultados dos testes de imagem da mãe com um número de 0 a 6, com a possibilidade de malignidade aumentando com a pontuação.

   Esta solução utiliza a rede Neural Convolucional (CNN) Vgg16 profunda para prever pontuações BI-RADS a partir de imagens. O modelo é modelado em imagens de Mamografia de um conjunto de dados Kaggle. Cada imagem é agrupada em pastas que correspondem ao seu BI-RADS.

   A Fabric Data Language analisa o desempenho de vários modelos para essa tarefa e seleciona o melhor. Ele capacita os modelos, executa experimentos e gerencia múltiplas versões. As imagens de treinamento são carregadas diretamente para o Lakehead no OneLake a partir da máquina local do usuário usando a interface do usuário do Lakeuse. Além disso, você pode facilmente referenciar as imagens armazenadas no Azure Blob Storage usando os comandos wget ou curl, usando atalhos ou usando um pipeline de dados. A solução armazena os metadados da imagem e as predições finais no MongoDB Atlas.

2. Classificação de biópsia

   Modelos de classificação ou regressão podem ser usados para classificar Tumores como maliciosos ou benignos. O modelo de classificador de árvore aleatório é modelado em um conjunto de dados do Kaggle que inclui parâmetros de entrada como a consistência do aglomerado, a uniformidade do tamanho e da forma das células, os núcleos nus e as Mitoses. O modelo pode então prever se um fungo é malicioso ou benigno. Na produção, é possível adicionar mais parâmetros ao conjunto de dados e treinar o modelo nesses valores para fazer projeções mais precisas. Durante o desenvolvimento da solução, o modelo de árvore aleatório teve uma taxa de precisão de mais de 97%. A solução obtém o conjunto de dados de treinamento do MongoDB Atlas, e o resultado da predição é atualizado no MongoDB utilizando o MongoDB Spark Connector.

A ciência de dados de fábrica facilita o treinamento e o gerenciamento de seus modelos, registrando automaticamente parâmetros relacionados para cada modelo e experimento.

Implementação de pesquisa vetorial

O sistema de query inteligente desta solução depende do Vector Search, como mostrado no diagrama a seguir.

Figura 3. Fluxo do processo de implementação de pesquisa vetorial

1. Preparação de dados:

   • O modelo text-embedding-ada-002 do Azure OpenAI processa notas médicas.

   • Os dados são convertidos em incorporações vetoriais para representação espacial de alta dimensão.

   • As incorporações vetoriais são armazenadas no MongoDB Atlas com índices de pesquisa otimizados.

2. Processamento de query:

   • As queries de linguagem natural são convertidas em representações vetoriais.

   • A compreensão semântica possibilita queries médicas complexas.

   • Os vetores da query são comparados com as incorporações armazenadas.

3. Document retrieval:

   • Retorna registros médicos relevantes com base na correspondência semântica.

   • Permite acesso intuitivo às informações do paciente.

   • O Atlas Vector Search executa pesquisas baseadas em similaridade.

Arquitetura de chatbot baseada em RAG

A implementação do chatbot aproveita a arquitetura RAG nos seguintes contextos, conforme mostrado no diagrama a seguir:

Figura 4. Plano para a arquitetura de chatbots

1. Recuperação de informações do usuário:

   • Executa queries para buscar detalhes atuais do paciente.

   • Recupera dados estruturados de pacientes de coleções do MongoDB.

   • Fornece acesso imediato a informações essenciais de pacientes.

2. Processamento de dados históricos:

   • Acessa o histórico de 10 anos dos pacientes no MongoDB Atlas.

   • Decodifica e resume dados históricos usando o Azure OpenAI LLM.

   • Implementa encadeamento de pensamentos para respostas sensíveis ao contexto.

3. Integração de conhecimento médico:

   • Utiliza documentação médica vetorizada.

   • Executa pesquisas vetoriais em tempo real com base no contexto da query.

   • Integra literatura médica relevante e estudos de caso.

Análise e visualização

Esta solução usa as duas plataformas de visualização a seguir para análise.

Primeiro, o MongoDB Atlas Charts oferece dashboards operacionais nativos em tempo real, diretamente conectados aos dados do MongoDB. Ele oferece insights imediatos das métricas críticas de saúde com visualizações intuitivas, sem requerer transformações de dados ou ferramentas adicionais. O dashboard operacional (Figura 5) apresenta métricas importantes, como número de pacientes, status dos agendamentos e distribuição das clínicas.

Figura 5. Dashboard operacional com Atlas Charts

Em segundo lugar, a integração do Power BI estende os recursos de análise, permitindo a análise de dados e visualizações avançadas em toda a empresa. Por meio do MongoDB Atlas Connector, os dados de saúde podem ser combinados com outras fontes empresariais no Microsoft OneLake. O painel de visualização geográfica (figura 6) mostra essa integração, exibindo a distribuição de pacientes e permitindo recursos analíticos sofisticados.

Figura 6. Integração do PowerBI com o MongoDB Atlas

Juntas, essas plataformas oferecem uma solução completa de análise que lida tanto com necessidades operacionais imediatas quanto com requisitos analíticos de longo prazo.

Essa solução demonstra como o MongoDB Atlas pode lidar com dados operacionais, recursos de Vector Search e requisitos de análise, integrando-se perfeitamente à IA e à visualização FERRAMENTAS da Microsoft. Essa arquitetura permite que os fornecedores de assistência à saúde aproveitem insights operacionais em tempo real e recursos analíticos de longo prazo em um único sistema.