生成式人工智能在医疗保健领域的应用：为患者护理和诊断带来变革

2024 年，华盛顿大学医学院和科技初创公司 Whiterabbit.ai 的一项研究发现，人工智能可能能够检测出 早期乳腺癌病例并减少假阳性。

该公司在12248张二维数字乳房X光照片（6161张显示癌症）上训练了一个人工智能模型。然后，他们用几张真实世界的乳房 X 光照片对该模型进行了测试。

研究发现，在 10,000 名接受乳房 X 光检查的人中，有 260 多人可以避免诊断检查，10 多人可以避免活检，而人工智能系统可以帮助诊断癌症的存在。

生成式人工智能和大型语言模型（LLM）正在迅速 变革我们所熟知的医疗保健领域，为长期存在的挑战提供创新解决方案。这种 改变模式的技术有可能彻底改变患者护理、简化操作、改善医学研究。

这是我们医疗保健系统的未来，而这仅仅是个开始。

在这篇综合文章中，我们将深入探讨这个令人兴奋的新领域，并探讨伦理生成式人工智能集成如何帮助实现高质量的医疗保健服务和患者护理。

您可能已经看到 GPT-4（通常以其更受欢迎的聊天界面 ChatGPT 而闻名）是如何颠覆全球各行各业的。你可能还见过 Flux 和 Midjourney 等生成式人工智能模型创建的 人工智能肖像与现实生活中的照片几乎毫无区别。

但这项技术不仅仅用于创造艺术或为企业聊天机器人生成智能文本回复。

生成式人工智能在医疗保健领域的应用可以实现管理任务自动化，改进临床应用，并最终为患者带来更好的治疗效果。

医疗保健行业的领导者正在积极寻求或计划实施生成式人工智能工具，以提高患者体验和操作。

随着医疗保健行业对生成式 人工智能的接受，它同时面临着机遇和挑战。虽然该技术有望提高许多领域的 效率和准确性，但必须解决有关数据隐私、 道德考虑和法规遵从的问题。

大语言模型（LLM）已经存在了几十年，但直到最近才突然成为主流。2022 年末，OpenAI 发布了具有里程碑意义的 ChatGPT，无疑点燃了这一流行的连锁反应。

这意味着，人们对这些技术可能对医疗保健产生的影响仍然知之甚少或存在误导。

传统上，除了放射学等特定领域外，医疗保健行业在采用人工智能方面一直相对缓慢。

因为医疗保健行业是一个需要做出生死攸关决定的受监管行业，所以在进行变革时应谨慎小心，量力而行。

医疗保健行业正经历着 危机级别的劳动力短缺。医生、护士和工作人员长期超负荷工作，仍在从大流行病中恢复，并因法律规定的大量行政和文书工作而倍感压力。

临床医生经常谈论 "睡衣时间"，即下班后更新病历、处理来自患者的电子邮件和进行行政管理的时间。医疗保健行业中这些乏味（但必要）的任务尤其适合采用人工智能生成技术。

因此，即使监管力度很大，该行业仍是人工智能生成技术的主要采用者之一，并且渴望更多的人工智能应用——只要这些应用是在道德、安全和可持续的前提下实施的。

生成式人工智能不是 "机器幽灵"，它能凭空合成新信息。 相反，它利用 庞大的数据集来创建新内容、辅助诊断并 加强治疗规划。

医疗领域中人工智能技术应用广泛。

以下只是其中的一部分：

• 机器学习算法可以分析患者记录，预测疾病风险并推荐个性化治疗。
• 计算机视觉系统可以解读医学影像，帮助放射科医生检测异常。
• 自然语言处理 (NLP) 可从临床笔记和医学文献中提取有价值的信息。
• 机器人技术和人工智能相结合，提高了手术的精确度，并使重复性任务自动化。
• 由人工智能驱动的虚拟现实和增强现实技术为医科学生和专业人员提供了身临其境的培训体验。
• 人工智能驱动的聊天机器人和虚拟助理提高了患者的参与度，并为基本健康询问提供全天候支持。
• 由人工智能驱动的代理和应用程序可使临床医生在记录保存和患者通信方面的许多日常工作实现自动化、

还有很多很多。 让我们深入探讨其中的一些应用。

根据我们在一次医疗保健活动中进行的一项调查，许多组织认为 生成式人工智能是一项强大但具有挑战性的技术，其应用案例几乎无穷无尽。

其中包括诊断、治疗、个性化护理和药物开发方面的创新应用。

生成式人工智能模型 彻底改变了医学成像分析提高诊断的准确性和速度。人工智能算法可以检测出人眼可能会忽略的 X 光片、核磁共振成像和 CT 扫描中的细微异常现象。

在放射学领域，人工智能可协助识别癌症或心血管疾病等疾病的早期征兆。这样就能更早地进行干预，改善患者的预后。

自然语言处理能力使人工智能能够分析大量医学文献和患者记录。这有助于医疗服务提供者根据最新研究成果和类似病例做出更明智的治疗决定。

人工智能驱动的系统还能生成为患者量身定制的治疗方案。这些计划考虑了基因构成、病史和生活方式等因素，以优化治疗方法。

生成式人工智能正在通过分析病人数据来预测健康风险，建议预防措施，从而 加强个性化护理。人工智能模型可以处理包括基因信息在内的各种数据类型，以创建个性化的健康档案。

由生成式人工智能提供支持的聊天机器人和虚拟助理可为患者提供全天候支持。他们回答问题，提供用药提醒，并提供一般健康建议。

人工智能算法可以根据患者的健康状况、目标和偏好生成个性化的营养和锻炼计划。这种量身定制的方法可以提高对健康生活方式建议的依从性。

在心理健康护理方面，人工智能驱动的工具可以分析语音模式和文本，以检测抑郁或焦虑等疾病的早期迹象。这样就能及时进行干预和提供支持。

通过预测潜在的候选药物及其与生物靶点的相互作用，生成式人工智能正在加速 药物发现过程。人工智能模型可以生成和筛选数以百万计的分子结构，大大减少了早期药物开发的时间和成本。

机器学习算法可以分析大量的化合物数据集、生物途径和临床试验结果。这有助于研究人员确定有潜力的候选药物，并预测其疗效和潜在的副作用。

由人工智能驱动的模拟可以模拟药物在人体内的相互作用，使研究人员能够在临床试验开始前优化剂量和配方。这提高了药物开发的成功率，降低了试验参与者的风险。

在临床试验中，生成式人工智能有助于患者选择和监测。它可以根据特定标准确定合适的候选者，并预测潜在的不良反应，从而提高试验的安全性和效率。

生成式人工智能的一大优势在于它可以处理大量数据，并找到人类无法找到的解决方案。

医疗数据与生成式人工智能模型之间的集成是改善患者护理、简化工作流程以及从复杂数据集中发掘有价值见解的关键。

电子健康记录（EHR）是将人工智能融入医疗保健的基石。这些数字记录包含全面的患者信息，包括病史、 化验结果和治疗计划。

人工智能算法可以查看电子健康记录（EHR），发现人类医生可能无法立即看清的模式和趋势（包括文本和图像数据）。这种分析有助于预测潜在的健康风险，并提出个性化的治疗方案。

医疗机构正越来越多地采用人工智能驱动的工具，从非结构化的EHR数据中提取有意义的信息。这些工具可自动对临床笔记进行分类和汇总，使医疗专业人员更容易快速访问相关的患者信息。

大多数EHR供应商都意识到了当前人工智能淘金热的重要意义，正在匆忙地为自己的系统添加由人工智能驱动的功能。这样做有以下好处：

• 更便捷的导航
• 免提互动（患者互动的语音记录将被挖掘内容并格式化）
• 更好地洞察临床决策

医疗保健领域的人工智能初创企业也是2024年融资最多的初创企业类别之一。

人工智能擅长处理大量医疗保健数据，以发现模式并进行预测。 先进的分析技术可以识别各种健康因素之间的相关性，从而改进诊断和治疗策略。

机器学习算法可以分析各种数据集，包括：

• 患者人口统计数据
• 病历
• 实验室结果
• 影像研究
• 基因信息

通过检查这些数据集，人工智能系统可以检测到一些微妙的模式，这些模式可能预示着疾病的早期征兆或预测患者的预后。这种能力使医疗服务提供者能够实施主动干预和个性化治疗计划。

人工智能驱动的预测分析还有助于医疗机构优化资源分配，提高运营效率。这些工具可以预测患者入院情况，识别高风险患者，并提出预防措施，以减少再次入院。

医疗保健领域的生成式人工智能引起了人们对公平性、 数据保护和治理的严重关切。解决这些问题对于确保负责任地实施人工智能医疗技术和维护公众对 人工智能医疗技术的信任至关重要。

人工智能系统可能会延续医疗数据和实践中的现有偏见。为了缓解这一问题，开发人员必须使用多样化和具有代表性的训练数据集。对人工智能产出的定期审核有助于识别和纠正偏见。

合乎伦理的人工智能开发需要包括伦理学家、临床医生和患者权益倡导者在内的多学科团队。这可确保人工智能工具考虑到不同的视角和需求。

公平获取人工智能至关重要。医疗服务提供商应实施人工智能解决方案，服务于不同的患者群体，而不仅仅是那些拥有最多资源的群体。

保护患者隐私在医疗保健领域使用人工智能时，保护患者隐私至关重要。必须执行严格的数据匿名化和加密协议。

人工智能系统通常需要 大量数据集来进行训练和操作。医疗机构必须实施强有力的网络安全措施，防止数据泄露。

知情同意流程需要更新，以考虑到人工智能的使用。患者应了解人工智能系统如何使用他们的数据，并有权选择退出。

世界各国政府都在为如何以最佳方式监管人工智能而煞费苦心。美国食品和药物管理局正在制定评估和管理人工智能医疗设备的框架。这包括持续监测和更新人工智能算法的指导方针。

欧盟人工智能法案提出了针对高风险人工智能应用的严格规则，其中包括许多医疗保健领域的应用。它强调透明度、人为监督和问责制。

人工智能辅助医疗决策中的责任问题仍然十分复杂。在人工智能导致医疗事故时，需要明确的指导原则来确定责任。

国际合作对于制定统一的人工智能法规至关重要。这确保了标准的一致性，促进了全球医疗人工智能的开发和部署。

除政府监管外，还有多个行业联盟专注于人工智能在医疗保健领域的合理使用，特别是 CHAI (Coalition for Health AI) 和 TRAIN (Trustworthy & Responsible AI Network) 。

医疗机构正迅速将人工智能纳入其规则和政策。其中许多公司正在设立首席人工智能官的职位，或将其添加到首席数据官的职责中。

医疗保健领域的生成式人工智能在 技术能力和市场接受度方面面临巨大障碍。这些挑战影响了该技术的有效性及其在医疗环境中的应用。

许多高风险行业在实施 GPT-4 等生成式人工智能模型时一直犹豫不决，原因很明显： 人工智能幻觉。

当模型生成错误或无意义的数据时，就会产生人工智能幻觉，这在医疗领域显然会带来严重风险。

随着模型的不断改进，这种幻觉会越来越少，而且有一些方法可以 减轻幻觉，例如：

• 事实核查机制（Fact-checking mechanisms）：实施将人工智能生成的信息与经过验证的医学数据库进行交叉比对的系统。有时，这些机制被称为 "接地（grounding） "机制。
• 人机回环（Human-in-the-loop approaches）：确保人工智能的输出结果在用于患者护理之前经过医疗保健专业人员的审查。
• 置信度阈值（Confidence thresholds）：只有当模型的置信度超过预定阈值时，才接受人工智能生成的内容。
• 多模型共识（Multi-model consensus）：使用多个人工智能模型，只接受各模型一致的输出结果。

鉴于这些局限性，在医疗系统中 "缓慢推出（Slow Roll）"生成式人工智能应用可能是最理想的做法，先从风险较低的应用开始，例如：

1. 行政任务：使用人工智能安排预约、管理患者记录和处理账单查询。
2. 患者教育：制作有关病情和治疗方法的个性化教育材料。
3. 分诊聊天机器人：实施人工智能驱动的聊天机器人，引导患者接受适当的护理，而不进行诊断。
4. 辅助研究：利用人工智能总结医学文献，确定进一步研究的潜在领域。
5. 医疗编码：在计费工作中，利用人工智能协助准确、高效地进行医疗编码。

通过从这些风险较低的应用入手，医疗保健系统可以：

• 建立起对人工智能系统的信心
• 为人工智能的实施制定强有力的协议
• 逐步对员工进行人工智能集成培训
• 在转入高风险应用之前发现并解决潜在问题

随着信任和能力的增强，人工智能可以逐步进入更多医疗保健关键领域，但始终要高度重视患者安全和 道德考量。

许多风险较低的应用程序也能为医疗保健系统带来重大效益，因此这种“缓慢推出”的方法并非真正的妥协。

通过改善临床医生的体验，减少其减少 “睡衣时间”，医疗机构可以采用风险较低、人性化的方法，同时带来重大效益。

医疗机构面临着将 生成式人工智能与现有系统集成的障碍。高昂的实施成本和对专业基础设施的需求阻碍了许多组织采用这些技术。

围绕医疗保健领域人工智能的 监管不确定性使潜在采用者犹豫不决，而对 人工智能驱动决策的责任和问责的担忧则减缓了市场增长。

医疗保健专业人员可能会因担心工作被取代或丧失决策自主权而抵制采用人工智能。这种抵触情绪会严重阻碍将生成式人工智能融入 临床工作流程。

患者的信任是另一个关键因素。许多人仍然对人工智能参与医疗保健持怀疑态度，他们更喜欢人与人之间的互动和判断，而不是机器生成的见解。

通过预测建模和 战略合作，人工智能有望 彻底变革医疗保健行业。这些发展有望改善患者护理、简化操作、加速医学研究。

人工智能驱动的预测模型将改变医疗决策。这些工具将分析 大量患者数据，预测健康结果并识别潜在风险。例如，人工智能平台可以预测再入院或疾病进展的可能性。

机器学习算法将不断改进，从而实现更准确的诊断和个性化的治疗方案。人工智能工具将帮助解读医学影像，有可能比人类临床医生更早发现疾病。

医疗机构正在与科技公司建立 战略合作伙伴关系，以充分利用人工智能的专业知识。这些合作旨在开发适合医疗保健需求的创新型人工智能解决方案。

OpenAI 和类似的组织正在与医疗机构合作，为医疗保健应用创建专业的人工智能模型。这些合作伙伴关系的重点是开发能够理解复杂的医学术语并协助临床决策的人工智能。

初创公司纷纷推出为患者和医疗保健专业人员设计的人工智能移动应用程序。这些应用程序可提供症状检查器、用药提醒和虚拟健康助手。

大型制药公司正在与人工智能公司合作，以加快药物发现和开发进程。人工智能工具正被用于分析分子结构和预测药物疗效，从而缩短了将新疗法推向市场所需的时间，降低了成本。

生成式人工智能可应用于身体和大脑。通过为诊断、治疗和患者支持提供创新工具，LLM 有可能彻底改变心理医疗保健。

这项技术为加强治疗干预和简化心理健康实践提供了前景广阔的解决方案。

正在开发的 生成式人工智能模型可用于辅助诊断精神健康状况。这些模型分析患者数据，包括言语反应和行为模式，为临床医生提供有价值的见解。

发表在 《自然》（Nature）杂志上的一项研究提出了一种使用生成式人工智能识别、表达和管理情绪的“三步法”。

其中一个重要见解是，人工智能有可能创建个性化的视觉辅助工具，帮助患者（尤其是儿童）更好地识别和表达自己的情绪。例如，人工智能可以生成描述各种情绪状态的自定义图像，使抽象的概念更加具体可感。

研究还强调了在人工智能生成的内容中文化敏感性的重要性，认识到不同文化背景下的情感表达会有很大差异。这突出表明，用于心理健康应用的人工智能模型需要多样化和包容性的训练数据。

研究人员提出，通过提供定制的可视化工具和个性化内容，GAI 可以增强现有的循证疗法，如认知行为疗法 (CBT)、辩证行为疗法 (DBT) 和接受与承诺疗法 (ACT)。

随着该领域的发展，GAI 有可能与虚拟现实和增强现实等其他技术相结合，为更身临其境的个性化治疗体验提供可能。

生成式人工智能与医疗保健的结合正在开创一个患者护理与诊断的新时代，像 InterSystems IRIS这样的平台正在这一变革中发挥着关键作用。

在我们探索人工智能技术的全部潜力时，很明显，强大的 数据管理和集成解决方案对于成功至关重要。

通过提供 无缝互操作性、高级分析和强大的安全功能，InterSystems IRIS 可助力医疗机构充分驾驭人工智能，挖掘人工智能潜力，同时确保数据隐私和法规合规性。

立即联系我们，了解 InterSystems IRIS 如何帮助您将人工智能以合乎道德的方式集成到医疗机构中。