哈佛大学最新报道：AI 能否重塑医学？
研究人员为下一代医学人工智能的设计、测试和实施制定了路线
概览：
目前使用的大多数医疗人工智能模型都经过训练来执行一两个特定任务，并且实用性有限。
下一代人工智能——称为全能医疗人工智能——整合了各种类型的数据，可以在一系列临床场景中执行各种复杂的任务。通用医疗人工智能可以通过增强临床决策、实时手术和床边支持等来重塑医学。
当今医学中使用的绝大多数人工智能模型都是“狭隘的专家”，经过训练可以执行一到两项任务，例如扫描乳房 X 光检查以查找乳腺癌迹象或通过胸部 X 光检查检测肺部疾病。
但日常医学实践涉及无数的临床情况、症状表现、可能的诊断和治疗难题。 因此，如果人工智能要兑现其重塑临床护理的承诺，它必须反映医学的复杂性，并以高保真度做到这一点，HMS 布拉瓦尼克研究所生物医学信息学助理教授 Pranav Rajpurkar 表示。
进入通用医疗人工智能，这是一种更进化的机器学习形式，能够在各种场景中执行复杂的任务。
全科医疗人工智能模型可以集成多种数据类型——例如 MRI 扫描、X 射线、血液检测结果、医学文本和基因组测试——来执行一系列任务，从进行复杂的诊断 呼吁支持临床决策以选择最佳治疗。 它们可以部署在各种环境中，从检查室到医院病房，从门诊胃肠道手术室到心脏手术室。
虽然最早版本的通用医疗人工智能已经开始出现，但其真正的潜力和能力深度尚未实现。
Rajpurkar 在《Nature》杂志上新发表的一篇观点中写道：“人工智能领域快速发展的能力完全重新定义了我们在医疗人工智能领域可以做的事情。”他与斯克里普斯研究中心的 Eric Topol 是该文章的共同高级作者 研究所和来自斯坦福大学、耶鲁大学和多伦多大学的同事。
在本文中，作者讨论了通用医疗人工智能的定义特征，确定了可以使用这些模型的各种临床场景，并规划了其设计、开发和部署的前进道路。
医疗人工智能的特点
使综合医学人工智能模型优于传统模型的关键特征是它们的适应性、多功能性以及将现有知识应用到新环境的能力。
例如，经过训练可以在脑部 MRI 上发现脑肿瘤的传统人工智能模型将通过查看图像上的病变来确定它是否是肿瘤。 除此之外它无法提供任何信息。 相比之下，通才模型会观察病变并确定它是什么类型的病变——肿瘤、囊肿、感染或其他疾病。 它可能会建议进一步检查，并根据诊断建议治疗方案。
该研究的共同第一作者 Oishi Banerjee 表示：“与当前的模型相比，通才医疗人工智能将能够执行更复杂的推理并集成多种数据类型，从而能够更详细地了解患者的病例。” Rajpurkar 实验室已经在致力于设计此类模型。
作者表示，通过模型能够：轻松适应新任务，无需正式的再培训。 他们只需用简单的英语或其他语言向他们解释即可完成任务。分析各种类型的数据——图像、医学文本、实验室结果、基因测序、患者病史或其任意组合——并做出决策。 相比之下，传统的人工智能模型仅限于使用预定义的数据类型——仅限文本、仅限图像——并且仅限于某些组合。将医学知识应用于以前未见过的任务中进行推理，并使用医学上准确的语言来解释他们的推理。
使用全科医疗人工智能的临床场景
研究人员概述了通用医疗人工智能模型将提供全面解决方案的许多领域。他们之中有一些是：
放射学报告
用医疗人工智能将充当多功能数字放射学助手，以减少工作量并最大限度地减少死记硬背的工作。这些模型可以起草描述异常和相关正常结果的放射学报告，同时也考虑到患者的病史。这些模型还将文本叙述与可视化相结合，以突出显示文本描述的图像上的区域。
这些模型还能够比较以前和当前对患者图像的发现，以阐明表明疾病进展的明显变化。
实时手术协助
如果手术团队在手术过程中遇到障碍（例如未能在器官中找到肿块），外科医生可以要求模型检查手术的最后 15 分钟，以查找任何遗漏或疏忽。
如果外科医生在手术过程中遇到极其罕见的解剖特征，该模型可以快速访问有关该手术的所有已发表的工作，以提供实时见解。
患者床边的决策支持
通才模型将通过持续监测住院患者的生命体征和其他参数（包括患者的记录）来为住院患者提供警报和治疗建议。
这些模型将能够在即将发生的紧急情况发生之前对其进行预测。 例如，当患者处于循环性休克的边缘时，模型可能会向临床团队发出警报，并立即建议采取措施来避免这种情况。
作者表示，通才医疗人工智能模型有潜力改变医疗保健领域。 它们可以减轻临床医生的倦怠，减少临床错误，并加快和改进临床决策。
然而，这些模型面临着独特的挑战。 研究人员警告说，它们最强大的特征——极端的多功能性和适应性——也带来了最大的风险，因为它们需要收集大量多样的数据。
一些关键的陷阱包括：
需要广泛、持续的培训
为了确保模型能够快速切换数据模式并根据所提出问题的上下文和类型实时适应，它们将需要对来自多个互补来源和模式的不同数据进行广泛的培训。
必须定期进行培训以跟上新信息。
例如，对于新的 SARS-CoV-2 变体，模型必须能够快速检索旧变体引起的肺炎 X 射线图像的关键特征，以与新变体相关的肺部变化进行对比。
验证
与传统模型相比，全科医疗人工智能将处理更多的数据、更多样的数据类型和更复杂的数据。 这将使临床医生更难以确定模型决策的准确性。
例如，传统模型在对患者的肿瘤进行分类时会查看成像研究或整个幻灯片图像。 一名放射科医生或病理学家就可以验证该模型是否正确。
相比之下，通才模型可以分析病理切片、CT 扫描和医学文献以及许多其他变量，以对疾病进行分类和分期并提出治疗建议。
如此复杂的决定需要由包括放射科医生、病理学家和肿瘤学家在内的多学科小组进行验证，以评估模型的准确性。
研究人员指出，设计者可以通过合并解释（例如指向文献中支持段落的可点击链接）来使这一验证过程变得更容易，从而使临床医生能够有效地验证模型的预测。
另一个重要特征是建立量化其不确定性水平的模型。
挑战
众所周知，医疗人工智能模型可以使偏见永久化，当接触从非多样化人群获得的有限数据集时，它们可以在训练过程中获得偏见。
由于训练期间所需数据集的规模和复杂性前所未有，因此在设计通用医疗人工智能时，此类风险将会被放大。
研究人员建议，为了最大限度地降低这种风险，必须彻底验证通才医疗人工智能模型，以确保它们不会在少数群体等特定人群中表现不佳
此外，它们在部署后需要接受持续的审核和监管。
“这些都是严重的障碍，但并不是不可克服的障碍，”拉杰普尔卡说。 “尽早清楚地了解所有挑战将有助于确保全科医疗人工智能兑现其巨大的承诺，让医学实践变得更好。”
