特定于医疗保健的基础模型的变革潜力

在过去两年中，像 GPT-4 这样的通用基础模型已经发生了显着的发展，由于数据集更大、模型大小增加和架构改进而提供了前所未有的功能。这些模型适用于各个领域的广泛任务。然而，医疗保健人工智能的特点仍然是针对特定任务设计的模型。例如，经过训练来分析骨折 X 射线的模型只能识别骨折，而缺乏生成全面放射学报告的能力。大部分的 500 人工智能模型 美国食品和药物管理局批准的仅限于一两个用例。然而，基础模型以其跨不同任务的广泛适用性而闻名，正在为医疗保健应用中的变革性方法奠定基础。

尽管已经开始尝试开发医疗应用的基础模型，但这种更广泛的方法尚未在医疗保健人工智能中流行。这种缓慢的采用主要是由于访问大型且多样化的医疗数据集所面临的挑战，以及需要模型来推理不同类型的医疗数据。医疗保健实践本质上是多模式的，融合了来自图像、电子健康记录 (EHR)、传感器、可穿戴设备、基因组学等的信息。因此，基础医疗保健模式本质上也必须是多模式的。尽管如此，多模式架构和自我监督学习的最新进展正在为医疗保健基础模型铺平道路，它可以处理各种数据类型而无需标记数据。

医疗保健领域生成式人工智能的现状

医疗保健传统上采用技术的速度很慢，但是，它似乎已经接受了 生成式人工智能 更快。在 HIMSS24（全球最大的医疗技术专业人士会议）上，生成式 AI 几乎是每场演讲的焦点。

生成式人工智能在医疗保健领域的首批用例之一已得到广泛采用，重点是减轻临床文档的管理负担。传统上，记录患者互动和护理流程会占用医生很大一部分时间（每天 >2 小时），常常会分散他们对直接患者护理的注意力。

GPT-4 或 MedPalm-2 等人工智能模型被用来监控患者数据和医患互动，以起草关键文件，例如进度记录、出院摘要和转介信。这些草案准确地捕捉了重要信息，只需要医生审查和批准。这显着减少了文书工作时间，使医生能够更加专注于患者护理，提高服务质量并减少倦怠。

然而，基础模型在医疗保健领域的更广泛应用尚未完全实现。像 GPT-4 这样的通用基础模型有一些局限性；因此，需要一个针对医疗保健的基础模型。例如，GPT-4 缺乏分析医学图像或理解纵向患者数据的能力，而这对于提供准确的诊断至关重要。此外，它不具备最新的医学知识，因为它仅根据截至 2023 年 2 月的可用数据进行训练。Google 的 MedPalm-XNUMX 代表了构建医疗保健特定基础模型的首次尝试，该模型能够回答关于医学图像的医学查询和推理。然而，它仍然没有充分发挥人工智能在医疗保健领域的潜力。

建立医疗保健基础模型

构建医疗保健基础模型的过程始于来自公共和私人来源的数据，包括生物样本库、实验数据和患者记录。该模型能够处理和组合不同的数据类型，例如带有图像的文本或实验室结果，以执行复杂的医疗任务。

此外，它可以推理新情况并用医学上精确的语言阐明其输出。这种能力扩展到推断和利用医学概念和临床数据之间的因果关系，特别是在根据观察数据提供治疗建议时。例如，它可以预测近期严重胸部创伤和动脉氧水平下降（尽管氧气供应增加）引起的急性呼吸窘迫综合征。

此外，该模型将从知识图或数据库等资源中访问上下文信息，以获取最新的医学知识，增强其推理并确保其建议反映医学的最新进展

医疗保健基础模型的应用和影响

医疗保健基础模型的潜在用途非常广泛。在诊断中，这样的模型可以减少对人类分析的依赖。对于治疗计划，该模型可以通过考虑患者的整个病历、遗传细节和生活方式因素来帮助制定个性化治疗策略。其他一些应用包括：

• 接地放射学报告： 医疗保健基础模型可以通过创建多功能助手来改变数字放射学，这些助手通过自动化报告起草和减少工作量来支持放射科医生。它还能够整合整个患者病史。例如，放射科医生可以向模型查询条件随时间的变化：“您能识别出自上次扫描以来肿瘤大小的任何变化吗？”
• 床边临床决策支持： 利用临床知识，它将提供清晰、自由文本的解释和数据摘要，提醒医务人员注意患者面临的直接风险并建议后续步骤。例如，模型云警报“警告：该患者即将陷入休克”，并提供相关数据摘要和行动清单的链接。
• 药物发现： 设计与靶标特异性且强烈结合的蛋白质是药物发现的基础。 RFdiffusion 等早期模型已开始根据基本输入（例如结合目标）生成蛋白质。在这些初始模型的基础上，可以训练特定于医疗保健的基础模型来理解语言和蛋白质序列。这将使其能够提供基于文本的界面来设计蛋白质，从而有可能加快新药的开发

挑战

尽管构建特定于医疗保健的基础模型仍然是最终目标，并且最近的进展使其变得更加可行，但开发能够跨不同医学概念进行推理的单一模型仍然存在重大挑战：

• 数据映射多种模式： 该模型必须接受各种数据模式的训练，例如 EHR 数据、医学成像数据和遗传数据。跨这些模式的推理具有挑战性，因为获取准确映射所有这些模式之间的交互的高保真数据很困难。此外，表示从细胞动力学到分子结构和全基因组遗传相互作用的各种生物模式是复杂的。对人类数据进行最佳训练是不可行且不道德的，因此研究人员依赖预测性较差的动物模型或细胞系，这给将实验室测量结果转化为整个生物体的复杂运作带来了挑战。
• 验证和验证：医疗保健基础模型由于其多功能性而难以验证。传统上，人工智能模型针对特定任务进行验证，例如通过 MRI 诊断某种癌症。然而，基础模型可以执行新的、看不见的任务，因此很难预测所有可能的故障模式。他们需要对其测试和批准的用例进行详细解释，并应对标签外使用发出警告。验证其输出也很复杂，因为它们处理不同的输入和输出，可能需要多学科小组来确保准确性。
• 社会偏见： 这些模型存在持续存在偏差的风险，因为它们可能会使用不能充分代表某些群体或包含有偏差相关性的数据进行训练。解决这些偏差至关重要，特别是随着模型规模的增加，这可能会加剧问题。

前进的道路

生成式人工智能已经开始通过减轻临床医生的文档负担来重塑医疗保健，但其全部潜力仍在前方。医疗保健基础模型的未来有望带来变革。想象一下这样一个医疗保健系统：诊断不仅更快而且更准确，治疗计划是根据个体患者的基因图谱精确定制的，新药可以在几个月而不是几年内发现。

创建特定于医疗保健的基础人工智能模型面临着挑战，特别是在整合多样化且分散的医疗和临床数据时。然而，这些障碍可以通过技术人员、临床医生和政策制定者之间的合作努力来解决。通过合作，我们可以开发商业框架，激励各个利益相关者（电子病历、影像公司、病理实验室、提供商）统一这些数据并构建能够处理医疗保健内复杂、多模式交互的人工智能模型架构。

此外，至关重要的是，这一进步必须有明确的道德指南和强有力的监管框架，以确保这些技术得到负责任和公平的使用。通过维持高标准的验证和公平性，医疗保健界可以在患者和从业者之间建立信任并促进接受度。

充分发挥医疗保健基础模型潜力的旅程是一个令人兴奋的前沿领域。通过拥抱这种创新精神，医疗保健行业不仅可以应对当前的挑战，还可以改变医学科学。我们正处于医疗保健领域一个大胆的新时代的边缘，这个时代充满了可能性，并由人工智能改善全球范围内的生活的承诺推动。