通用醫療人工智能(Generalist Medical AI, GMAI)模型有可能通過提供先進的醫療診斷、決策支持和患者護理功能來徹底改變醫療保健。

近年來，人工智能 (AI) 領域取得了顯著地進步，基礎模型處于這場革命的最前沿。根據發表在《自然》雜志上的一項新研究，這些被稱為 GMAI（通用醫療人工智能）的強大 AI 模型有可能通過在醫療診斷、決策支持和患者護理方面提供前所未有的能力來重塑醫療保健。

在本文中，我們深入探討了一項開創性的研究（參見：https://www.nature.com/articles/s41586-023-05881-4），該研究概述了 GMAI 模型的變革潛力及其帶來的挑戰，主要面向渴望探索人工智能與醫療保健交叉領域的專業人士。

基礎模型的力量

基礎模型是最新一代的 AI 模型，已經過大量不同數據集的訓練，使它們能夠在廣泛的任務中表現出色。這些模型與它們的前輩有很大的不同，后者是為一次一個特定任務而設計的。憑借其多功能性和最先進的性能，基礎模型可以回答問題、描述圖像、玩視頻游戲等等。GMAI 的出現將這種多功能性提升到了新的高度，有望解決復雜的醫療任務并改變醫療保健領域。

GMAI：改變醫療的人工智能

雖然醫療人工智能在特定的面向任務的模型方面取得了長足進步，但它還沒有接受基礎模型的力量。傳統的醫學人工智能模型僅限于預定義的任務，需要大量的注釋工作并且缺乏對新任務或數據分布的適應性。另一方面，GMAI 模型擺脫了這些限制，并提供了三個關鍵功能，使它們有別于傳統的醫學 AI 模型。

靈活互動

GMAI 模型使用戶能夠對其輸出進行細粒度控制，使復雜的醫療信息更易于訪問和理解。用戶可以自定義輸出格式、改寫響應，甚至可以調整特定領域的詳細信息級別。GMAI 模型可以適應區域實踐并與不同的用戶進行有效溝通，超越語言障礙并適應個人喜好。

適應性

GMAI 模型的顯著特征之一是它們無需大量再訓練即可即時學習新任務的能力。這種情境學習使 GMAI 能夠跟上新出現的疾病、不斷變化的技術和不斷發展的數據分布。通過簡單地提供一些示例或提示，GMAI 模型可以快速適應新場景，使其具有很強的適應性和面向未來的能力。

醫學領域知識

GMAI 模型將醫學知識的正式表示形式帶到桌面上，從而實現高級醫學推理和精確的臨床解釋。通過利用知識圖譜、基于檢索的方法和現有的醫學數據庫，GMAI 模型可以通過復雜的醫學概念和關系進行推理。他們可以生成不言自明的警告，起草全面的放射學報告，在床邊提供詳細的決策支持，甚至生成具有所需特性的蛋白質序列。

GMAI 的潛在用例

該研究強調了幾個令人興奮的用例，在這些用例中，通用醫療 AI 模型可以對醫療保健產生深遠影響：

扎根放射學報告： GMAI 模型可以充當多功能數字放射學助手，起草描述異常、相關正常發現和患者病史的綜合報告。通過交互式可視化，例如突出顯示圖像中特定區域的可點擊鏈接，放射科醫生可以增強他們在解釋復雜病例時的理解和效率。

增強手術：GMAI 模型可以通過注釋實時視頻流、針對錯過的步驟發出警報以及在手術過程中提供相關文獻來協助手術團隊。通過結合視覺、語言和解剖學知識，GMAI 模型可以通過復雜的手術任務進行推理，并幫助外科醫生應對具有挑戰性的場景。

床邊決策支持： GMAI 模型可以作為床邊臨床決策支持工具，根據實時患者數據為臨床醫生提供詳細的解釋、警告和治療建議。通過總結復雜的電子健康記錄、預測未來的患者狀態并比較治療方案，GMAI 模型可以幫助臨床醫生做出明智的決策并改善患者的治療效果。

交互式記錄： GMAI 模型可以通過監控患者信息和臨床醫生與患者的對話以及搶先起草電子筆記和出院報告來徹底改變文檔流程。這種自動化減少了管理負擔，使臨床醫生能夠分配更多時間來指導患者護理并提高整體工作流程效率。

患者聊天機器人： GMAI 通過啟用可以在臨床環境之外提供高質量護理的個性化聊天機器人，為患者支持開辟了新途徑。這些聊天機器人可以分析各種患者數據，從癥狀到監測讀數，并提供詳細的建議和解釋。GMAI 模型使醫療保健更容易獲得，提供清晰易讀的信息并減少對人類專家提供個性化支持的依賴。

從文本到蛋白質的生成： GMAI 有可能通過根據文本提示生成氨基酸序列和三維結構來徹底改變蛋白質設計。這一突破性的應用可以加速蛋白質工程，使設計具有所需功能特性的蛋白質成為可能。GMAI 的適應性和從少量示例中學習的能力使其成為分子生物學和藥物開發領域的強大工具。

挑戰和考慮

雖然通用醫學 AI 模型前景廣闊，但它們也提出了必須解決的獨特挑戰，以確保它們在臨床環境中的安全有效部署。

確認： GMAI 模型的極端多功能性使得全面驗證成為一項復雜的任務。針對預定義用例驗證模型相對簡單，但 GMAI 動態學習新任務的能力需要主動的測試和監管方法。必須建立明確的指導方針和嚴格的驗證協議，以確保 GMAI 模型在各種醫療場景中的準確性和可靠性。

驗證： GMAI 模型具有復雜的輸入和輸出，給驗證其正確性帶來了挑戰。多學科小組的參與和可解釋性技術的整合可以幫助驗證過程。提供指向文獻中支持段落的可點擊鏈接也可以加強事實核查過程并建立對 GMAI 輸出的信任。

社會偏見：人工智能模型中的偏見一直是一個問題，特別是在醫療保健領域，它們可以使差異永久化并傷害邊緣化人群。GMAI 模型必須經過徹底審核，以確保它們在所有類型的患者中表現同樣出色。持續監測和迅速采取行動以減輕偏見對于確保公平公正的醫療保健結果至關重要。

隱私： GMAI 模型的開發和使用引發了隱私問題，因為它們可以訪問敏感的患者信息。強大的隱私協議、去識別化技術和限制個人患者數據的收集可以幫助降低隱私風險。在數據可訪問性和患者保密性之間取得平衡對于負責任的 GMAI 部署至關重要。

規模： GMAI 模型是計算密集型的，需要大規模數據集進行訓練。與數據收集、模型訓練和計算資源相關的成本是重大挑戰。需要協作努力、數據共享計劃和負責任的模型優化技術來克服這些障礙并確保 GMAI 模型的廣泛可訪問性。

醫療保健革命

Generalist Medical AI 模型有可能通過提供先進的醫療診斷、決策支持和患者護理功能來徹底改變醫療保健。它們的靈活性、適應性和醫學領域知識的整合為各種臨床應用開辟了新的可能性。然而，必須認真解決與確認、驗證、偏見、隱私和可擴展性相關的挑戰，以確保 GMAI 模型的安全和道德部署。

隨著 AI 社區和臨床利益相關者繼續探索 GMAI 的潛力，促進合作、建立監管框架并優先考慮以患者為中心的護理至關重要。通過負責任的開發和廣泛采用，GMAI 模型可以減輕負擔。