前 言
PREFACE
在2023年9月的黑龙江考察中，习近平总书记首次提出了“新质生产力”的概念，特别强调了科技创新资源的整合以及对战略性新兴产业和未来产业的引领作用，其中就包括了医疗健康领域。特别是大模型技术，不论是单模态还是多模态，均被视为具有巨大潜力的创新工具。它们在药物研发、医学影像分析、医疗文本处理和辅助决策等方面显示出了卓越的应用前景，不仅能够提升医疗服务的品质和普及度，也为医疗产业的革新发展铺平了道路。
HISTORY
医疗健康AI 的发展历程
2017年，清华大学吴及教授团队携手科大讯飞合作开发了Xiaoyi，这是一款通过对200万份医疗记录和40万篇医学文章进行学习训练的AI模型。在中国医疗执照考试中，Xiaoyi取得了456分的高分，远超360分的及格线，展示了其在记忆和信息回忆方面的强大能力。然而，它在病例分析上的表现尚有不足，这表明AI技术尚未准备好完全替代医生的专业角色。
2020年，一些医疗大数据公司尝试使用电子病历数据进行预训练模型，但是在提升NLP下游任务的表现上增幅不明显，准确率提升基本在1%左右。
2022年，AI面临了一次具体的挑战：参加英国皇家放射学院的专业考试，并与26名最近通过该考试的放射科医生进行比较。考试涉及10组图像，每组有35分钟的解释时间。AI在2套考试中准确率≥90%（如第8套和第10套），总体准确率达到了79.5%，而放射科医生的平均准确率为84.8%。尽管AI还有提升空间，但这一成绩对于AI来说已经相当不错，尤其是考虑到它是Milvue公司的商业产品，并且尚未使用基础模型进行优化。
图1. 人工智能和放射科医生参与者的考试百分比分数
2023年，Google Research 与 DeepMind 合作在《Nature》杂志上发表了一篇划时代的论文《Large Language Models Encode Clinical Knowledge》，介绍了他们构建的包含六个医学问答数据库的大型医疗问答数据集MultiMedQA。研究中提出了Flan-PaLM和Med-PaLM模型，这些模型在专业医生的评估中显示出超过90%的理解、检索和推理能力，接近甚至超过了医生的水平，标志着在医疗健康AI领域取得了显著的进步。
图2. Flan-PaLM和Med-PaLM在医学问题回答上的优越性能，特别是Med-PaLM在消费者医疗问题回答上的有效性。
CHALLENGE
医疗健康AI 的现状与挑战
图3. 目前医疗大模型主要解决的问题、服务队形、
应用场景
医学界正经历着由人工智能（AI）驱动的变革期。目前，越来越多的证据表明，专门开发的人工智能模型在特定的临床任务上能达到甚至超越专家级临床医生的表现。根据《2023医疗健康AI大模型行业研究报告》，AI大模型在不同的人群和应用场景中展现了广泛的应用潜力。利用大型语言模型处理医疗文本，可以为医疗专业人员提供更加精确、迅速和个性化的诊断及治疗建议，从而显著提高医疗服务效果和患者满意度。
近年来，医疗领域的深度学习技术快速进展，从依赖单一模态数据的监督学习转变为利用多种数据类型。这种多模态数据的融合开辟了深度学习在医疗领域的新可能性，突破了传统单模态数据在捕捉复杂疾病异质性方面的限制。
全切片成像（WSI）、组织病理学和临床记录等多种数据类型的综合利用，为提供全面的患者服务提供了可能。通过放射组学和病理学，可以对放射和组织病理学图像进行深入的定量分析，以提取对临床决策有用的特征。虽然传统方法依赖标准统计方法来提取特征，但现代深度学习框架，如深度自编码器（DAN）和视觉变换器（ViTs），为自动化和高通量特征提取提供了新途径。
这些进步促进了精准医疗的发展，使得深度学习模型能够整合多模态数据，全面考虑癌症发病率、肿瘤生长特性、治疗路径以及其副作用、社会经济因素和照护目标等，实现个性化医疗和精准治疗。然而，多模态数据的有效利用面临着诸多挑战，包括数据的收集与整合、数据对齐与配准、特征的提取与选择、模型的设计与训练等。要克服这些挑战，需要跨学科合作和创新方法，以充分挖掘多模态数据在医疗领域的应用潜力。
正如《Nature Medicine》杂志所述，尽管在此之前我们缺乏对多模态医学AI研究的实用方法，但大语言模型的出现为我们提供了探索的新路径，使我们能在许多方向上进行尝试。
FUTURE
医疗健康AI 的未来趋势
图4. 预测2023-2030年在医疗AI大模型发展趋势
（速度和市场规模）
随着技术进步和数据获取的便利性不断增加，医疗健康AI大模型正在为医疗领域的多个场景（例如药物发现、个性化医疗、医学影像分析、数据增强等）提供创新解决方案，加速医疗研发的步伐。这些AI模型由于操作简便，能够被医疗行业的专业人士更广泛地接受和使用。根据亿欧的预测，2023至2027年将成为医疗健康AI大模型快速发展和广泛应用的关键时期。
尽管医疗健康AI大模型在某些方面降低了成本，但其部署和维护仍需大量资源，尤其是在需要高度定制和专业化应用的场景中。
主要的驱动因素包括：
研发效率显著提高
医疗健康AI大模型能够自动产生内容、编写代码、生成数据分析报告等，极大地助力开发者和医学科学家快速进行原型设计和测试，显著减少了时间和成本投入。
易于接入的API服务
许多公司提供基于这些先进AI模型的API服务，使得即便是非技术背景的医疗专业人员也能轻松利用AI技术。
直接使用的大型预训练模型
开发者无需从零开始训练模型，而是可以直接使用这些预训练模型，并通过微调来适应特定应用需求，这样做极大降低了数据收集和计算资源的要求。
这些发展预示着，随着技术的不断成熟和数据可用性的提升，AI技术将在医疗研究、个性化医疗等领域发挥越来越重要的作用。
HISTORY
医疗健康 AI 探索 求臻医学在路上
在2022-2023通用生成式大语言模型开始兴起和普及之前，求臻医学已经开启了将人工智能融入医疗健康领域的探索之旅。通过利用AI技术，求臻医学产出了一系列的科研成果(Briefings in Bioinformatics 2022, DATABASE 2023, ISBRA 2023)，同步实现了研发创新和降本增效。
随着大语言模型的盛行，求臻医学紧跟科技发展潮流，建立了自己的高性能GPU计算集群。依托于多年累积的丰富自有及公开医疗健康数据，构建了大型医疗健康知识图谱iChosenKG，并在此基础上，利用开源且可商用的大模型进行了广泛的预训练和微调，开发出了求臻医学大语言模型能力平台iChosenGPT（点击文末阅读原文进入）。目前，该模型已经具备了处理通用及医疗健康垂直领域的文字、图片及文档对话能力，基于这一平台的多种医疗健康应用也即将推出。
为了不断推动智能化医疗健康产品的发展，求臻医学的人工智能团队持续关注并融入最新的AI技术进展，确保将最合适的技术及时应用于项目中，让更多肿瘤患者享受公司优质的产品和更加快速便捷的检测服务。
参考资料
[1].央广网：第一观察｜习近平总书记首次提到“新质生产力”
[2].Shelmerdine S C, Martin H, Shirodkar K, et al. Can artificial intelligence pass the Fellowship of the Royal College of Radiologists examination? Multi-reader diagnostic accuracy study[J]. bmj, 2022, 379.
[3].Singhal K, Azizi S, Tu T, et al. Large language models encode clinical knowledge[J]. Nature, 2023, 620(7972): 172-180.
[4].2023医疗健康AI大模型行业研究报告
[5].人工智能大模型赋能医疗健康产业白皮书
[6].iChosenGPT 官网：https://igpthome.chosenmedinfo.com
