跨语桥梁
【建站扶持计划】 
机器学习已在医疗保健领域得到广泛采用，预测人工智能算法将被用于各种场所，从放射学中基于图像的诊断到基因组解释。生成式人工智能（Generative AI）——使用算法（例如大型语言模型（LLM））来创造而不是简单地分析——已经吸引了科技界，但也带来了风险和机遇。一方面，偏见和不准确的风险让人质疑在医疗保健中使用它的道德问题，但另一方面，研究表明它也有可能极大地简化和改善服务。
根据埃森哲的研究，所有行业 40% 的工作时间可能会受到LLMs的影响。该公司通过确定 200 项与语言相关的任务以及这些任务在整个行业的分配方式（基于 2021 年美国的就业水平）来研究工作时间分配和潜在的人工智能影响。语言任务占总工作时间的 62%，其中 65% 的任务很可能被法学硕士自动化或增强。
特别是在健康领域，28% 的工作时间被定义为具有较高自动化潜力的任务（有可能被转变并需要减少人类工人的参与）。11% 的任务具有更高的增强潜力（需要更多的人类参与）。
那么，生成式人工智能到底如何影响医疗保健呢？下面看一些最近的例子。
Microsoft 设计临床工具以提高生产力并减轻 HCP 的负担
埃森哲全球健康行业负责人 Rich Birhanzel 表示，与客户支持等领域一样，生成式人工智能的直接好处可能在于总结。他告诉 HealthcareITNews：
“Gen AI 无需护士或医生记录从生命体征到治疗计划的信息，而是可以在预约期间监听对话并创建可添加到电子健康记录中的摘要。此外，该技术还可以将复杂的医学语言简化为患者可以理解的总结，并且可以轻松翻译成任何语言。”
我们已经看到了针对其中一些用例的解决方案。3 月底，微软旗下的 Nuance Communication 宣布推出一款由 GPT-4 支持的新临床文档工具。该工具名为 Dragon Ambient eXperience (DAX)，使医护人员只需“聆听”医患咨询即可实现临床记录自动化。
Nuance 首席执行官马克·本杰明 (Mark Benjamin)在一份声明中解释道：“Nuance 和微软携手合作的目标是帮助实现医疗保健数字化转型，今天，我们标志着为负担过重的医疗服务提供者提供人工智能驱动解决方案的持续发展又向前迈出了一步。”
微软还通过与电子医疗供应商 Epic 的合作，扩展其在医疗保健领域的人工智能能力。此次合作将使微软将 Azure OpenAI 服务技术集成到 Epic 的电子健康记录 (EHR) 软件中，该公司表示，这将“提高生产力、改善患者护理并改善全球卫生系统的财务完整性。” 首批举措之一是使用生成式人工智能自动起草消息响应，目前正在由加州大学圣地亚哥分校健康中心、华盛顿大学健康中心和斯坦福大学医疗中心进行试点。
谷歌旨在利用 Med-Palm 2 在医疗诊断方面取得进展，但准确性仍存在差距
除了记笔记等自动化任务外，制药和医疗保健公司还在尝试生成人工智能，以提高决策和诊断等其他医学领域的效率。
最近，谷歌推出了最新一代大语言模型 Palm-2，该模型现已改进了多语言、推理和编码能力。与此同时，Med-Palm 2 也应运而生——这是一款专门为医疗保健行业开发的人工智能，经过训练可以回答医疗问题。据 Google 称，Med-Palm 2 在美国医疗执照考试 (USMLE) 类型问题的 MedQA 数据集上取得了 85% 以上的准确率，在包含印度 AIIMS 和 NEET 医学考试问题的 MedMCQA 数据集上取得了 72.3% 的准确率。
虽然这意味着 Med-Palm 2 在原始版本上有所改进，但谷歌表示“在回答医疗问题和满足我们的产品卓越标准方面仍然存在显着差距”，这表明在该技术能够实现之前还有很长的路要走。应用于现实生活中的临床环境。然而，该工具将提供给一组选定的谷歌云客户进行测试，谷歌表示，这是“在我们调查安全、负责任和有意义的使用该技术的方式时探索用例并分享反馈。”
在其他地方，初创公司 Glass Health 正在实施生成式人工智能，旨在帮助临床医生起草临床计划并生成鉴别诊断 (DDx)，这意味着根据患者症状将特定疾病或病症与其他表现相似的疾病或病症区分开来。
据联合创始人 Paul Dereck 称，在短短两天内，就有 14,600 人使用 Glass AI 提交了 25,700 个查询，用户将 84% 的 DDx 和 78% 的临床计划输出评为有帮助。然而，与 Google 一样，Dereck 也强调了总体准确性的缺乏，用户表示 DDx 输出的准确率为 71%，临床计划的准确率为 68%。因此，Dereck 补充说，重点应该放在 Glass AI 的“有用性”而不是精确性上，这表明这种类型的技术应该仅仅用作人类判断的辅助（并与之并存）。
即便如此，有人建议，无论人工智能对最终诊断有多大影响，在医疗保健环境中都应谨慎使用生成式人工智能。NPR 引用了麻省理工学院学生 Marzyeh Ghassemi 的研究，该研究发现人工智能系统可能存在偏见，特别是当它们经过人类训练时（因为它们会反映现有的人类偏见）。“它具有客观性：‘ChatGPT 说你不应该服用这种药物。这不是我——一个模型、一个算法做出了这个选择。”Ghassemi 解释道，并对这项技术做出的决策的责任提出了质疑。
生物制药公司在药物发现和开发方面取得进展
生成人工智能也开始对药物开发产生影响，无论是在揭示新疗法还是发现它们的速度方面。
例如，多伦多大学的研究人员开发了一种人工智能系统，使用生成扩散（与 DALL-E 等图像创建工具相同的技术）来开发自然界中未发现的新蛋白质。
“我们的模型从图像表示中学习，以非常高的速度生成全新的蛋白质，”多伦多大学教授Philip M. Kim 解释道。“我们所有的蛋白质似乎都是生物物理上真实的，这意味着它们折叠成能够在细胞内执行特定功能的结构。”
生物技术公司 Insilico Medicine 还发表了 关于如何使用生成人工智能来设计新的分子结构的研究结果，这些结构可以针对导致疾病进展的蛋白质。为此，它使用了 Chemistry42，这是其机器学习平台，将生成式人工智能算法与医学和计算化学方法连接起来。Chemistry42 还使 Insilico Medicine 能够使用基于结构的生成化学方法发现一种用于癌症治疗的 CDK8 小分子抑制剂。
在其他地方，德国生物技术公司 Evotec 最近投资了英国的 Exscientia，以加速人工智能药物的开发。该合作伙伴关系最近对一种新的抗癌分子进行了一期临床试验，《自然》杂志称，该分子是使用 Exscientia 的“Centaur Chemist”平台在短短八个月内发现的。传统的药物发现过程通常需要四到五年的时间。
Zepp Health 将生成式人工智能集成到可穿戴设备中，以实现个性化健康管理
利用生成式人工智能的另一种方式是收集和分析来自智能手表和可穿戴设备的数据。在此过程中，该技术可以帮助公司提供个性化护理，例如根据个人用户的需求量身定制的健康或体重管理建议。
Zepp Health 就是一个例子，该公司最近推出了几款人工智能产品，以与其现有的智能可穿戴设备集成。例如，Zepp Aura 是一个睡眠和放松平台，为用户提供个性化的睡眠指导、睡眠分析以及人工智能生成的睡眠音乐，该音乐根据用户的心率实时调整。Zepp Aura 的高级订阅者还可以访问人工智能聊天服务，该服务可以回答有关睡眠和一般健康的问题。
与此同时，Zepp旗下的智能手表品牌Amazfit也在三月份宣布将ChatGPT集成到其GTR4手表中，以便用户能够使用自然语言询问“ChatGenius”问题。
Zepp Health董事长兼首席执行官王黄表示：“通过将大语言模型（LLM）和生成式人工智能技术应用于我们的智能可穿戴设备，我们使用户能够做出明智的决策并智能地实现他们的健康和健身目标。”
除了一般健康之外，代谢健康公司 January.ai 还利用生成式人工智能来研究一个特定问题——血糖水平。即使会员没有佩戴连续血糖监测仪 (CGM)，January.ai 也会估计和预测个人对各种食物的血糖反应，从而使他们能够做出明智的食物选择。联合创始人Noosheen Hashemi 解释道：
“通过一月人工智能，会员输入他们正在考虑吃的食物，预测人工智能模型将告诉他们这会对他们的血糖产生什么影响。它可以帮助他们更好地决定将什么摄入体内，有点像你口袋里有一个人工智能营养师，让你知道你应该点冰沙还是芝麻菜沙拉，以及如果你吃了会发生什么之后步行25分钟。”
对于所有这些用例，试验和让专业人员“参与其中”显然发挥着至关重要的作用，并且就潜在的偏
机器学习已在医疗保健领域得到广泛采用，预测人工智能算法被用于各种功能，从放射学中基于图像的诊断到基因组解释。生成式人工智能（Generative AI）——使用算法（例如大型语言模型（LLM））来创造而不是简单地分析——已经吸引了科技界，但也带来了风险和机遇。一方面，偏见和不准确的风险让人质疑在医疗保健中使用它的道德问题，但另一方面，研究表明它也有可能极大地简化和改善服务。
根据埃森哲的研究，所有行业 40% 的工作时间可能会受到法学硕士的影响。该公司通过确定 200 项与语言相关的任务以及这些任务在整个行业的分配方式（基于 2021 年美国的就业水平）来研究工作时间分配和潜在的人工智能影响。语言任务占总工作时间的 62%，其中 65% 的任务很可能被法学硕士自动化或增强。
特别是在健康领域，28% 的工作时间被定义为具有较高自动化潜力的任务（有可能被法学硕士转变并需要减少人类工人的参与）。11% 的任务具有更高的增强 潜力（需要更多的人类参与）。
那么，生成式人工智能到底如何影响医疗保健呢？下面看一些最近的例子。
Microsoft 设计临床工具以提高生产力并减轻 HCP 的负担
埃森哲全球健康行业负责人 Rich Birhanzel 表示，与客户支持等领域一样，生成式人工智能的直接好处可能在于总结。他告诉 HealthcareITNews：
“Gen AI 无需护士或医生记录从生命体征到治疗计划的信息，而是可以在预约期间监听对话并创建可添加到电子健康记录中的摘要。此外，该技术还可以将复杂的医学语言简化为患者可以理解的摘要，并且可以轻松翻译成任何语言。”
我们已经看到了针对其中一些用例的解决方案。3 月底，微软旗下的 Nuance Communication 宣布推出一款由 GPT-4 支持的新临床文档工具。该工具名为 Dragon Ambient eXperience (DAX)，使医护人员只需“聆听”医患咨询即可实现临床记录自动化。
Nuance 首席执行官马克·本杰明 (Mark Benjamin)在一份声明中解释道：“Nuance 和微软携手合作的目标是帮助实现医疗保健数字化转型，今天，我们标志着为负担过重的医疗服务提供者提供人工智能驱动解决方案的持续发展又向前迈出了一步。”声明。
微软还通过与电子医疗供应商 Epic 的合作，扩展其在医疗保健领域的人工智能能力。此次合作将使微软将 Azure OpenAI 服务技术集成到 Epic 的电子健康记录 (EHR) 软件中，该公司表示，这将“提高生产力、改善患者护理并改善全球卫生系统的财务完整性。” 首批举措之一是使用生成式人工智能自动起草消息响应，目前正在由加州大学圣地亚哥分校健康中心、华盛顿大学健康中心和斯坦福大学医疗中心进行试点。
谷歌旨在利用 Med-Palm 2 在医疗诊断方面取得进展，但准确性仍存在差距
除了记笔记等自动化任务外，制药和医疗保健公司还在尝试生成人工智能，以提高决策和诊断等其他医学领域的效率。
最近，谷歌推出了最新一代大语言模型 Palm-2，该模型现已改进了多语言、推理和编码能力。与此同时，Med-Palm 2 也应运而生——这是一款专门为医疗保健行业开发的人工智能，经过训练可以回答医疗问题。据 Google 称，Med-Palm 2 在美国医疗执照考试 (USMLE) 类型问题的 MedQA 数据集上取得了 85% 以上的准确率，在包含印度 AIIMS 和 NEET 医学考试问题的 MedMCQA 数据集上取得了 72.3% 的准确率。
虽然这意味着 Med-Palm 2 在原始版本上有所改进，但谷歌表示“在回答医疗问题和满足我们的产品卓越标准方面仍然存在显着差距”，这表明在该技术能够实现之前还有很长的路要走。应用于现实生活中的临床环境。然而，该工具将提供给一组选定的谷歌云客户进行测试，谷歌表示，这是“在我们调查安全、负责任和有意义的使用该技术的方式时探索用例并分享反馈。”
在其他地方，初创公司 Glass Health 正在实施生成式人工智能，旨在帮助临床医生起草临床计划并生成鉴别诊断 (DDx)，这意味着根据患者症状将特定疾病或病症与其他表现相似的疾病或病症区分开来。
据联合创始人 Paul Dereck 称，在短短两天内，就有 14,600 人使用 Glass AI 提交了 25,700 个查询，用户将 84% 的 DDx 和 78% 的临床计划输出评为有帮助。然而，与 Google 一样，Dereck 也强调了总体准确性的缺乏，用户表示 DDx 输出的准确率为 71%，临床计划的准确率为 68%。因此，Dereck 补充说，重点应该放在 Glass AI 的“有用性”而不是精确性上，这表明这种类型的技术应该仅仅用作人类判断的辅助（并与之并存）。
即便如此，有人建议，无论人工智能对最终诊断有多大影响，在医疗保健环境中都应谨慎使用生成式人工智能。NPR 引用了麻省理工学院学生 Marzyeh Ghassemi 的研究，该研究发现人工智能系统可能存在偏见，特别是当它们经过人类训练时（因为它们会反映现有的人类偏见）。“它具有客观性：‘ChatGPT 说你不应该服用这种药物。这不是我——一个模型、一个算法做出了这个选择。”Ghassemi 解释道，并对这项技术做出的决策的责任提出了质疑。
生物制药公司在药物发现和开发方面取得进展
生成人工智能也开始对药物开发产生影响，无论是在揭示新疗法还是发现它们的速度方面。
例如，多伦多大学的研究人员开发了一种人工智能系统，使用生成扩散（与 DALL-E 等图像创建工具相同的技术）来开发自然界中未发现的新蛋白质。
“我们的模型从图像表示中学习，以非常高的速度生成全新的蛋白质，”多伦多大学教授Philip M. Kim 解释道。“我们所有的蛋白质似乎都是生物物理上真实的，这意味着它们折叠成能够在细胞内执行特定功能的结构。”
生物技术公司 Insilico Medicine 还发表了关于如何使用生成人工智能来设计新的分子结构的研究结果，这些结构可以针对导致疾病进展的蛋白质。为此，它使用了 Chemistry42，这是其机器学习平台，将生成式人工智能算法与医学和计算化学方法连接起来。Chemistry42 还使 Insilico Medicine 能够使用基于结构的生成化学方法发现一种用于癌症治疗的 CDK8 小分子抑制剂。
在其他地方，德国生物技术公司 Evotec 最近投资了英国的 Exscientia，以加速人工智能药物的开发。该合作伙伴关系最近对一种新的抗癌分子进行了一期临床试验，《自然》杂志称，该分子是使用 Exscientia 的“Centaur Chemist”平台在短短八个月内发现的。传统的药物发现过程通常需要四到五年的时间。
Zepp Health 将生成式人工智能集成到可穿戴设备中，以实现个性化健康管理
利用生成式人工智能的另一种方式是收集和分析来自智能手表和可穿戴设备的数据。在此过程中，该技术可以帮助公司提供个性化护理，例如根据个人用户的需求量身定制的健康或体重管理建议。
Zepp Health 就是一个例子，该公司最近推出了几款人工智能产品，以与其现有的智能可穿戴设备集成。例如，Zepp Aura 是一个睡眠和放松平台，为用户提供个性化的睡眠指导、睡眠分析以及人工智能生成的睡眠音乐，该音乐根据用户的心率实时调整。Zepp Aura 的高级订阅者还可以访问人工智能聊天服务，该服务可以回答有关睡眠和一般健康的问题。
与此同时，Zepp旗下的智能手表品牌Amazfit也在三月份宣布将ChatGPT集成到其GTR4手表中，以便用户能够使用自然语言询问“ChatGenius”问题。
Zepp Health董事长兼首席执行官王黄表示：“通过将大语言模型（LLM）和生成式人工智能技术应用于我们的智能可穿戴设备，我们使用户能够做出明智的决策并智能地实现他们的健康和健身目标。”
除了一般健康之外，代谢健康公司 January.ai 还利用生成式人工智能来研究一个特定问题——血糖水平。即使会员没有佩戴连续血糖监测仪 (CGM)，January.ai 也会估计和预测个人对各种食物的血糖反应，从而使他们能够做出明智的食物选择。联合创始人Noosheen Hashemi 解释道：
“通过一月人工智能，会员们输入他们正在考虑吃的食物，预测人工智能模型将告诉他们这会对他们的血糖产生什么影响。它可以帮助他们更好地决定将什么摄入体内，有点像你口袋里有一个人工智能营养师，让你知道你应该点冰沙还是芝麻菜沙拉，以及如果你吃了会发生什么之后步行25分钟。”
对于所有这些用例，试验和让专业人员“参与其中”显然发挥着至关重要的作用，并且就潜在的偏见、准确性、隐私和整体患者体验进行了辩论。但随着巨额投资的进行，这些关于生成人工智能及其对医疗保健行业影响的争论将继续下去。
文章翻译自：econsultancy；原文链接：https://econsultancy.com/healthcare-generative-ai-examples/
