首页 > 文章详情

【AI】趋势：人工智能在医疗应用的一些进展和思考

05月10日

来源：王一树

近期发表于 NEJM AI 杂志上的一篇名为 Large Language Models Are Poor Medical Coders — Benchmarking of Medical Code Querying 的文章引起了一部分医疗人士的关注。

该研究运用了GPT-3.5、GPT-4、Gemini Pro 以及Llama2-70b Chat等数据库，结论是：大数据模型（LLM）不适合做医学编码任务。

但也有人认为这个结论下的有点为时过早，似乎这个研究毕竟有其局限性，下这么肯定的结论/标题还有失公允。

毕竟他们使用的只是现成的知识的LLM没有给出具体的规则或电子病历系统的信息，另外最好能将该过程与当前可供人类编码员在做出决策时使用的信息进行比较，更多的信息才能做出更科学的判断。

另外刚刚发表在 NEJM catalyst 上的一篇， What AI in HealthCare Can Learn from the Long Road toAutonomous Vehicles 也对医疗和汽车行业的AI应用进行了比较。认为医疗保健在接受新技术方通常比较缓慢，例如电子医疗记录就是一个很好的例子。虽然AI显然是医疗保健未来的一部分，但由于医学的保守性，人工智能的潜力将首先在其他地方实现。

提及AI，一个引人瞩目的领域是自动驾驶汽车（AV）。大型和小型科技公司都积极参与AV开发，吸引了数十亿美元的投资和许多来自全球最敏锐的头脑。

当大多数人想到人工智能时，无论是车辆还是医疗保健，他们都会想到完全更换司机或完全绕过医生。虽然有很多很好的理由完全更换司机进行运输，但这种想法在医疗保健方面适得其反。我们需从在其他领域部署“完全自主”人工智能的挑战和许多步骤中吸取教训。

虽然这项工作尚未达到在任何情况下都完全自主的车辆的最终目标（也就是被称为5级系统的车辆，在0到5的级别上为最高），但今天有广泛部署的驾驶员增强AI系统对1级和2级系统进行补充。

我们必须认识到，在医疗保健领域，与医疗全自动化相比，进行补充和提升则具有明显的优势，而医患互动和沟通对结果至关重要。

在上一篇，【读文献】AI在肿瘤的现状、挑战与未来我们可以看到AI在肿瘤的各个环节， AI应用根据癌症类型和临床领域进行分类，覆盖检测、诊断和治疗任务，并使用多种数据模式，包括影像学、基因组学和医疗记录。尤其在肺癌、乳腺癌、消化道肿瘤和前列腺癌都有了不少的探索。

就在昨天，刚刚发表在 Nature杂志上的一篇名Accurate structure prediction of biomolecular interactions with AlphaFold 3的文章引起了轩然大波， AlphaFold 3拥有更强大的深度学习架构,不仅继承了AlphaFold 2卓越的蛋白质结构预测能力,还将预测范围拓展至DNA、RNA及配体、离子、化学修饰等分子。这提示我们， AI驱动的分子生物学时代已然来临。

每年各国医疗花费都很大，如何能够有效的运用AI为患者提供医疗治疗和看护？如何更好地推进医疗进步？值得探索，或许比我们想象中更快。

05月10日

崔艳东

叶县人民医院 | 肿瘤科

人工智能在医疗应用的一些进展和思考

05月10日

张毅

皖南医学院第二附属医院 | 肿瘤内科

学习肿瘤治疗新进展