解锁医疗保健领域的人工智能新可能性

美国的医疗保健系统正处于由于机器学习和人工智能使用而引发的重大潜在颠覆的初期阶段。这一转变已经持续了十多年，但由于最近的进展，似乎即将发生更快速的变化。为了了解人工智能在医疗保健领域的最安全和最有效的应用，为了在临床医生中建立对人工智能使用的信任，为了调整我们的临床教育系统以更好地利用基于人工智能的系统，仍然有很多工作需要完成。

医疗保健领域的人工智能应用

人工智能在医疗保健领域已经发展了几十年，既应用于面向患者的功能，也应用于后台办公功能。最早和最广泛的工作之一是使用深度学习和计算机视觉模型。

首先，介绍一些术语。传统的统计方法，如观察性研究和临床试验，使用了面向人口的建模方法，依赖于回归模型，其中独立变量用于预测结果。在这些方法中，虽然更多的数据是更好的，但是在某个数据集大小以上，无法从数据中获得更好的推断。

人工智能带来了预测的新方法。称为感知器的结构处理传递的数据，一行一行地处理，并创建为一系列微分方程的网络，以修改输入数据，产生输出。在训练过程中，每行数据在通过网络（称为神经网络）时，修改网络的每一层方程，以使预测的输出与实际输出相匹配。随着训练集数据的处理，神经网络学习如何预测结果。

存在多种类型的网络。 卷积神经网络，或CNN，是最早在医疗保健应用中找到成功的模型之一。CNN非常擅长从图像中学习，通过计算机视觉，并在图像数据突出的领域找到应用：放射学、视网膜检查和皮肤图像。

一种新的神经网络类型称为变压器架构，已经成为一种主导方法，因为它在文本和文本与图像（也称为多模态数据）组合方面取得了令人难以置信的成功。变压器神经网络在给定一组文本时，预测后续文本的能力是异常的。变压器架构的一个应用是大型语言模型或LLM。多个商业LLM示例包括Chat GPT、Anthropics Claude和Metas Llama 3。

通常观察到，神经网络在学习方面很难找到改进的极限。换句话说，给定更多和更多的数据，神经网络继续学习和改进。限制其能力的主要因素是更大和更大的数据集以及训练模型的计算能力。在医疗保健领域，创建保护隐私的数据集以忠实地代表真正的临床护理是推进模型开发的关键优先事项。

LLM可能代表着人工智能在医疗保健领域应用的范式转变。由于它们对语言和文本的便利性，它们是电子记录的良好匹配，其中几乎所有数据都是文本。它们也不需要高度注释的数据进行训练，但可以使用现有的数据集。这些模型的两个主要缺陷是1）它们没有世界模型或对正在分析的数据的理解（它们被称为花哨的自动完成），以及2）它们可以产生幻觉或编造，制造看似准确但呈现为事实的文本或图像。

正在探索的人工智能用例包括自动化和增强放射学图像、视网膜图像和其他图像数据的阅读；减少临床文档的努力并提高准确性，临床医生倦怠的主要来源；更好、更富有同情心的患者沟通；以及提高后台功能的效率，例如收入周期、运营和计费。

实际案例

人工智能已经逐渐被引入临床护理。通常，人工智能的成功使用遵循同行评审的试验性能，这些试验已经证明了成功，并在某些情况下获得了FDA批准使用。

人工智能表现良好的最早的用例之一是检测视网膜检查图像和放射学中的疾病。对于视网膜检查，关于这些模型性能的已发表文献之后，自动 fundoscopy 被部署以检测门诊环境中的视网膜疾病。关于图像分割的研究，许多已发表的成功案例导致了多个软件解决方案的出现，这些解决方案为放射科医生提供了决策支持，减少了错误并 检测异常以使放射科医生的工作流程更加高效。

较新的大型语言模型正在被探索以辅助临床工作流程。环境语音正在被用于增强电子健康记录（EHR）的使用。目前，人工智能抄写员正在实施以辅助医疗文档。这使得医生可以专注于患者，而人工智能处理文档过程，提高效率和准确性。

此外，医院和医疗系统可以使用人工智能的预测建模能力来风险分层患者，确定高风险或风险增加的患者，并确定最佳的治疗方案。事实上，人工智能的集群检测能力正在被越来越多地用于研究和临床护理，以识别具有相似特征的患者，并确定对他们的典型临床行动方案。这也可以实现 虚拟或模拟临床试验以确定最有效的治疗方案并衡量其功效。

人工智能的一个潜在用例可能是使用人工智能驱动的语言模型进行医生-患者沟通。这些模型已被证明能够为患者提供有效的回应，模拟富有同情心的对话，使得管理困难的互动更加容易。人工智能的这一应用可以通过提供更快和更高效的患者消息分类（根据患者的病情和消息的严重程度）来显著改善患者护理。

挑战和伦理考虑

人工智能在医疗保健领域实施的一大挑战是确保在使用人工智能工具时的监管合规、患者安全和临床有效性。虽然临床试验是新治疗的标准，但关于是否应该遵循相同的方法来监管人工智能工具存在争论。另一个问题是数据泄露和患者隐私泄露的风险。训练在受保护数据上的大型语言模型可能会泄露源数据，这对患者隐私构成重大威胁。医疗保健组织必须找到保护患者数据和防止泄露的方法，以维护信任和保密性。训练数据中的偏差也是一个关键挑战，需要解决。为了避免偏差的模型，必须引入更好的方法来避免训练数据中的偏差。开发能够更好地训练模型并将公平性融入医疗保健所有方面的培训和学术方法至关重要，以避免偏差。

人工智能的使用已经开启了许多新的问题和创新前沿。需要进一步研究人工智能使用中真正的临床益处可能在哪里。为了解决这些挑战和伦理问题，医疗保健提供者组织和软件公司必须专注于开发能够准确模拟医疗保健数据的数据集，同时确保匿名性和保护隐私。另外，医疗保健提供者、系统和技术/软件公司之间必须建立合作伙伴关系，以便在安全和周密的方式将人工智能工具引入实践。通过解决这些挑战，医疗保健组织可以利用人工智能的潜力，同时维护患者安全、隐私和公平。