Блог
Представляем IQVIA Medical Reasoning (Med-R1 8B): лучший в своём классе LLM для медицинского рассуждения
Как IQVIA реализует обещание Healthcare-grade AI® в практическую реальность
Джей Нанватти, руководитель Advanced AI, Applied AI Science
Джуд Лафлер, старший AI-учёный, Applied AI Science
Доктор Кэлам Якубян, директор по стратегии здравоохранения, Applied AI Science
Халдун Зин Эль Абидин, старший директор по технологиям, Applied AI Science, IQVIA
07 апр. 2025
IQVIA давно является лидером в применении данных и ИИ для трансформации здравоохранения. Сегодня мы представляем наш последний пример IQVIA Healthcare-grade AI®: IQVIA Medical Reasoning (Med-R1 8B). Это наша самая продвинутая большая языковая модель, специально разработанная для медицинского рассуждения — фундаментального процесса в здравоохранении и биологических науках, который лежит в основе того, как практикующие специалисты оценивают и анализируют сложную медицинскую и научную информацию, чтобы принимать обоснованные, критически сформулированные решения.
Хотя эксперты всегда должны находиться в управлении, ИИ может помочь им закрыть пробел в медицинских знаниях, повысить эффективность и улучшить качество ухода. Med-R1 8B быстро интерпретирует сложные данные реального мира, такие как клинические заметки и научная литература, и предоставляет медицински обоснованные выводы, которые легко понять, позволяя экспертам принимать лучшие решения. Med-R1 8B достигает уровней точности, которые обычно видны только в моделях, в 2‑5 раз превышающих её размер — делая её одной из самых эффективных и развертываемых систем ИИ для медицинского рассуждения, доступных сегодня.
Наша цель была ясна: создать модель, специально разработанную для здравоохранения. Med-R1 8B достаточно мала, чтобы развернуть, достаточно быстра, чтобы масштабироваться, и достаточно мощна, чтобы предоставить пользователям интерпретируемое рассуждение. Более чем просто интеллектуальная, Med-R1 8B создана для того, чтобы усиливать организации здравоохранения и биологических наук, улучшать принятие решений и в конечном итоге трансформировать исходы для пациентов.
Меньше, умнее, готово к масштабированию
Med-R1 8B была тщательно протестирована на отраслевых признанных медицинских бенчмарках, включая MedQA, PubMedQA и MedMCQA. Med-R1 8B не только превосходит все опубликованные модели в семействе 8 миллиардов параметров, но и имеет точность, эквивалентную моделям в 3‑5 раз больших размеров, и даже превосходит GPT4, закрытую модель с 1,7 триллионами параметров (т.е. более 200x её размера) на наборах данных, таких как PubMedQA.
То, что отличает Med-R1 8B, — это не только её точность, но и значительно сниженные затраты и требования к инфраструктуре. В то время как модели 30B+ требуют обширных вычислительных ресурсов, более высокой задержки и более сложных настроек развертывания, Med-R1 8B можно обучать и обслуживать за долю стоимости — делая её высоко масштабируемой для реальных клинических и корпоративных приложений.
Этот скачок эффективности обеспечивается нашей архитектурой обучения с подкреплением, стеком LLM, усиленным онтологией, и точной настройкой домена — доказывая, что интеллектуальный дизайн может соперничать с масштабом грубой силы, предлагая производительность без чрезмерных затрат.
Ниже приведены результаты лучших сопоставимых моделей на Open Medical-LLM benchmark — стандартизированном наборе наборов данных, предназначенных для оценки клинического рассуждения и производительности QA LLM в различных медицинских областях.
Таблица 1: Med-R1 8B достигает наивысшей точности во всех областях. Точность — это количество правильных ответов из общего числа вопросов.
Эти результаты ставят Med-R1 8B в качестве лучшей модели в категории 8B параметров, предлагая превосходное соотношение эффективности к производительности для приложений здравоохранения.
В то время как другие модели полагаются на масштаб, Med-R1 8B полагается на точность — тонко настроена для научных открытий, поддержки решений и объяснимых выводов. Эта сфокусированная стратегия обучения позволяет Med-R1 8B более эффективно обобщать с меньшим объёмом данных — захватывая как клинические знания, так и структурированные процессы рассуждения, необходимые для поддержки решений в реальном мире.
Ключевые преимущества включают:
- Прозрачные цепочки решений: Med-R1 8B объясняет свой мыслительный процесс шаг за шагом, облегчая клиницистам интерпретацию, проверку или оспаривание рекомендаций, основанных на ИИ (см. изображение ниже).
- Оценка альтернатив: Вместо того чтобы по умолчанию выбирать один «лучший» ответ, модель оценивает несколько диагнозов или путей лечения, прежде чем предложить выводы.
- Осведомлённость об неопределённости: Med-R1 8B отмечает неоднозначность, выражает уровни уверенности и указывает, какая информация отсутствует — отражая, как клиницисты рассуждают в условиях неопределённости.
- Простота развертывания и экономическая эффективность: Компактный размер модели делает её идеальной для корпоративного масштаба, без затрат, сложности или требований к инфраструктуре, характерных для больших LLM. Она легко интегрируется, тонко настраивается и безопасно работает в клинических средах.
Согласовав своё рассуждение с реальными медицинскими рабочими потоками, Med-R1 8B становится настоящим партнёром в принятии решений — а не просто источником ответов.
Примеры пошагового процесса рассуждения модели на сложных случаях
Клиническое принятие решений
Ниже приведён пример того, как Med-R1 8B подходит к сложному диагностическому сценарию с той же структурированной методологией, которую используют эксперты-медики.
Пользователь: «В прикреплённой клинической заметке что отсутствует в дифференциальном диагнозе этого пациента?»
Med-R1 8B:
Идентификация целевого препарата
Ниже приведён пример того, как Med-R1 8B подходит к сложному терапевтическому сравнению в тяжелой эозинофильной астме с той же структурированной методологией, которую использует исследовательский клиницист.
Пользователь: «Обладает ли блокада TSLP большей клинической пользой в тяжелой эозинофильной астме по сравнению с антагонистами IL-5?»
Med-R1 8B:
Вышеуказанные выводы иллюстрируют несколько определяющих сильных сторон возможностей рассуждения модели:
- Структурированный клинический рабочий поток: Модель начинает с чёткой формулировки клинического сценария — будь то диагностика или терапия, а затем применяет пошаговую методологию для исследования гипотез, сравнения вариантов и синтеза доказательств в соответствии с экспертным клиническим рассуждением.
- Оценка, основанная на доказательствах: Модель критически оценивает каждый диагноз — выявляя подтверждающие находки (например, культура мокроты, одышка, факторы риска) или сравнивая терапевтические цели (например, TSLP против блокировки IL-5) и исключая менее вероятные варианты через тщательное рассмотрение патофизиологии, проявлений и противопоказаний. Модель интегрирует информацию из опубликованных клинических испытаний, биологических механизмов и факторов, специфичных для пациента. Она оценивает каждый вариант, используя доказательную аргументацию и установленные руководства.
- Прозрачный процесс рассуждения: Вместо того чтобы сразу давать вывод, модель явно проходит через свой мыслительный процесс. Модель описывает предположения, интерпретирует результаты исследований, учитывает нюансы подгрупп и объясняет, почему один путь может быть предпочтительнее другого. Эта ясность делает её выводы прослеживаемыми и проверяемыми.
- Фокус на клинической правдоподобности: Модель демонстрирует способность рассуждать в условиях неопределённости — учитывая сопутствующие заболевания, изменяющиеся уровни эозинофилов, неполные данные или гетерогенность терапевтического ответа. Она захватывает нюансы клинических решений за пределами учебных сценариев.
- Поддержка принятия решений, а не просто поиск ответов: ценность модели заключается в ее способности объяснять, а не просто отвечать. Она предоставляет клиницистам структурированные выводы, которые можно изучать, обсуждать и проверять в рамках совместной работы, что повышает уверенность, снижает риски и способствует более персонализированному уходу.
Этот структурированный подход отражает то, как опытные клиницисты подходят к сложным случаям: путем итеративного синтеза результатов, применения диагностических рамок и прозрачного сужения круга возможностей. При внедрении в клинические рабочие процессы Med-R1 8B может помочь расширить возможности принятия решений клиницистами, повысить уверенность в диагнозе и обеспечить более последовательное оказание медицинской помощи, основанное на доказательствах.
Взгляд в будущее: развитие агентных рабочих процессов в здравоохранении и медико-биологических науках
Med-R1 8B закладывает основу для агентных систем ИИ, способных рассуждать, планировать и действовать с определенной степенью автономности в клинических и научных областях. От структурирования сложных решений до координации использования инструментов — модель отражает образ мышления экспертов, что делает ее идеальной для интеграции в интеллектуальные рабочие процессы.
Планирование является центральным элементом агентного интеллекта, и Med-R1 8B демонстрирует это, разбивая высокоуровневые цели на логические, основанные на доказательствах шаги. Прозрачность рассуждений и адаптивность делают модель естественным координатором, будь то сравнение методов лечения, интерпретация данных испытаний или руководство в диагностике.
Скорость и доступность имеют значение. Быстрая система с низкой задержкой обеспечивает итерации в реальном времени и более широкое внедрение, превращая ИИ из точечного решения в динамичного партнера общесистемного уровня.
Двигаясь вперед, Med-R1 8B и ее будущие итерации обеспечат не просто ответы, а архитектуру для по-настоящему интеллектуальных, объяснимых и масштабируемых агентных рабочих процессов в здравоохранении и медико-биологических науках.
Свяжитесь с нами для получения дополнительной информации и обсуждения того, как Med-R1 8B может помочь вам достичь большей эффективности и точности в разработке продуктов и уходе за пациентами.
Связанные решения
IQVIA AI
Узнайте, как уникальные данные, экспертные знания в предметной области и технологии позволяют создавать решения на базе ИИ, специально разработанные для здравоохранения.