ترجمه فارسی مقاله علم داده های معتبر برای مدل های بنیاد پزشکی

چکیده

The advent of foundation models (FMs) such as large language models (LLMs) has led to a cultural shift in data science, both in medicine and beyond. This shift involves moving away from specialized predictive models trained for specific, well-defined domain questions to generalist FMs pre-trained on vast amounts of unstructured data, which can then be adapted to various clinical tasks and questions. As a result, the standard data science workflow in medicine has been fundamentally altered; the foundation model lifecycle (FMLC) now includes distinct upstream and downstream processes, in which computational resources, model and data access, and decision-making power are distributed among multiple stakeholders. At their core, FMs are fundamentally statistical models, and this new workflow challenges the principles of Veridical Data Science (VDS), hindering the rigorous statistical analysis expected in transparent and scientifically reproducible data science practices. We critically examine the medical FMLC in light of the core principles of VDS: predictability, computability, and stability (PCS), and explain how it deviates from the standard data science workflow. Finally, we propose recommendations for a reimagined medical FMLC that expands and refines the PCS principles for VDS including considering the computational and accessibility constraints inherent to FMs.

چکیده به فارسی (ترجمه ماشینی)

ظهور مدل های بنیاد (FMS) مانند مدل های بزرگ زبان (LLMS) منجر به تغییر فرهنگی در علم داده ها ، چه در پزشکی و چه در گذشته می شود.این تغییر شامل دور شدن از مدلهای پیش بینی کننده تخصصی است که برای سؤالات دامنه خاص و تعریف شده به FMS عمومی آموزش داده شده است که از قبل در مقادیر زیادی از داده های بدون ساختار آموزش داده شده است ، که می تواند با وظایف و سؤالات مختلف بالینی سازگار باشد.در نتیجه ، گردش کار علوم داده استاندارد در پزشکی اساساً تغییر یافته است.چرخه چرخه مدل پایه (FMLC) اکنون شامل فرآیندهای بالادست و پایین دست است که در آن منابع محاسباتی ، دسترسی به مدل و داده ها و قدرت تصمیم گیری در بین ذینفعان متعدد توزیع می شود.در اصل آنها ، FM ها اساساً مدل های آماری هستند و این گردش کار جدید اصول علوم داده های معتبر (VDS) را به چالش می کشد ، و مانع تجزیه و تحلیل آماری دقیق مورد انتظار در شیوه های علوم داده های شفاف و علمی قابل تولید است.ما FMLC پزشکی را با توجه به اصول اصلی VDS: پیش بینی ، محاسبه و ثبات (PCS) بررسی می کنیم و نحوه انحراف آن را از گردش کار علوم داده استاندارد توضیح می دهیم.سرانجام ، ما توصیه هایی را برای یک FMLC پزشکی مجدداً ارائه می دهیم که اصول PCS را برای VD ها گسترش داده و اصلاح می کند ، از جمله در نظر گرفتن محدودیت های محاسباتی و دسترسی ذاتی FMS.