ИИ для ML-инженер в медицине

ИИ для ML-инженера в медицине: конструктор промптов

ML-инженер в медицине сталкивается с уникальными задачами: обработка DICOM-изображений, анализ EHR, прогнозирование исходов. Эффективный промпт экономит часы работы. Разберём анатомию промпта и дадим шаблоны.

Структура эффективного промпта

1. Роль — задайте контекст: «Ты — радиоолог с 10-летним стажем».
2. Задача — конкретное действие: «сегментируй опухоль на КТ-срезе».
3. Данные — формат и источник: «вход — массив пикселей 512x512, формат NIfTI».
4. Ограничения — точность, скорость, интерпретируемость: «используй только U-Net, не предлагай ансамбли».
5. Выход — формат результата: «верни JSON с координатами bounding box и confidence score».

Плохой промпт: «Помоги с ML в медицине». Хороший: «Сгенерируй код на PyTorch для 3D-сегментации лёгких на CT, используя предобученный nnU-Net, с аугментацией и метрикой Dice».

Готовые шаблоны промптов

1. Генерация синтетических медицинских данных

Шаблон: «Создай синтетический датасет из {N} ЭКГ-сигналов с аритмией (классы: фибрилляция, тахикардия). Используй GAN, сохрани в формате WFDB. Укажи метрики качества (FID, PRD)».

Настройка: замените {N} на нужное число, укажите частоту дискретизации, добавьте требование баланса классов.

2. Оптимизация гиперпараметров

Шаблон: «Предложи стратегию байесовской оптимизации для XGBoost на задаче прогнозирования сепсиса. Метрика — AUC-PR. Ограничь время поиска 2 часами, предложи 3 конфигурации».

Настройка: укажите модель, метрику, бюджет, количество конфигураций.

3. Интерпретация модели

Шаблон: «Объясни предсказание модели для пациента {ID} с помощью SHAP. Выведи топ-5 фич, влияющих на риск инфаркта, и дай клиническую интерпретацию».

Настройка: добавьте тип модели, путь к данным, порог важности.

Сравнительная таблица: промпты для разных задач

Сравнение подходов к промптам

Используйте конструктор: начните с роли и задачи, затем добавьте данные и ограничения. Тестируйте на малых выборках, фиксируйте удачные промпты в библиотеке.