AI医师助手

用超声波粉碎肿瘤，手术只有短短10分钟左右，术后当晚即可进食，两名患者一名达到“肿瘤消除”，一名病情已控制可继续等候移植。近日，这一来自香港大学医学院的消息让十分前沿的超声波组织碎化技术走入公众视野。 超声波在医疗领域的应用已有几十年历史。从消炎去肿、胎儿监测，到清除血管内壁斑块、粉碎肿瘤，超声技术在与其他学科的融合中，不断开拓着医学前沿应用。它的前世今生有哪些故事？在临床治疗和诊断上有哪些最新应用？本期特邀上海医学超声领域专家撰文介绍。 ——编者 超声检查相比于X射线、CT等成像技术，具有无辐射的优势，因此特别适用于需要频繁监测的情况，尤其在孕期观察胎儿方面具有不可替代的优势。产科和妇科也正是超声波最早用于医学诊断的领域。 1958年，苏格兰医生伊恩·唐纳德与同事一起开始探索超声在产科的应用，他们是超声医学成像应用领域的先驱。通过与工程师和技术人员合作，他们利用原本用于船舶货物探测的声呐探测技术，开发出了用于观察胎儿的医用超声诊断技术——它可提供关于胎儿发育状况的重要信息，包括检测与评估胎儿健康、诊断某些并发症。 这些早期实验标志着超声技术在医疗诊断领域应用的开端。随后，超声技术迅速扩展到其他医学领域，如心脏病学（用于心脏的成像，即心脏超声）、泌尿科和内科等，成为一种无处不在的诊断工具。 超声提供的诊断图像具有实时、动态的特点，这对评估身体器官的功能（比如心脏的泵血功能）、监测血流情况至关重要。这种实时成像功能也让超声在引导微创手术和治疗过程中扮演着关键角色。 这一技术的推广应用也对医务人力资源提出了一定要求。超声医生需要掌握如何正确地放置和移动探头（换能器），以获得最佳成像结果。实时成像增加了操作的复杂性。例如，在胎儿监测中，可能需要长时间持续监控，这要求持续不断的专业人员参与。因为需要实时调整和解释图像，医生还得具备解读超声图像的专业知识，尤其在实时成像中对动态过程进行诊断，更需要对相关解剖结构和疾病状态有深入理解。 基于这样的高要求，超声医疗资源供需短缺普遍存在，尤其在边远、欠发达地区更为显著，有经验的超声医生异常短缺。这一短板能否通过新技术来弥补？ 21世纪初，国际空间站项目启动。微重力环境会对宇航员的健康状况造成诸多影响，如肌肉逐渐萎缩、骨质流失速度加快、心脏形状和血液分布改变等。如何在长时间的太空飞行中监测宇航员们的健康状况？由于设备相对轻便，且不产生辐射，超声成为宇航员健康监测和研究的重要工具。 通过远程通信技术，空间站内的宇航员可在地面医生的指导下对自己进行超声检查，然后将相关图像数据发送回地面，供医生进行诊断。这一特殊应用场景便是远程超声技术的早期雏形。 随着互联网和数字成像技术的发展，远程超声已从空间站走向民用医疗并快速发展。远程超声，也称为遥控超声，专家通过网络远程遥控或指导操作人员采集超声图像、查看并协助图像解读。远程超声技术极大提升了偏远地区获取专家支持的便捷性，显著优化了医疗资源的分布，为灾害地区、高危地区等复杂环境下的超声应用提供了有力支持。 尽管远程超声在医疗领域的应用取得了显著进展，但其发展仍受到专家资源及现场操作人员经验的限制。人工智能（AI）与机器学习技术的发展，可提升远程医疗的准确性和可及性。AI系统可提示操作者如何调整探头位置来捕捉最佳图像，甚至自动调整扫描参数，从而降低了对操作者技能的要求。同时，先进的图像处理算法可自动优化图像质量，让千里之外的专家能够更清楚地识别图像并作出更精准的解读。而且，AI还能快速自动分析超声图像，识别异常情况，提供初步的诊断建议，减少医生工作量、缩短人工分析图像所需时间，加快诊断过程，提高诊断准确性。 柔性超声技术是近年来超声技术领域的另一项创新发展。与传统超声设备相比，这种超声系统由可弯曲的柔性材料设计而成，通常被制作成薄薄的贴片或可穿戴设备，以适应人体的各种曲线和形状，更好贴合患者的身体部位，如腕部、颈部或胸部，便于长时间监测。因此，它更适用于怀孕期间胎儿健康检测、心脏病患者连续心功能监测等。 随着粘合材料的不断改进和创新，柔性超声贴片能够牢固地贴合于皮肤长达14天之久。在14天的监测期间，贴片会记录下海量超声图像信息。 复旦大学副校长、信息科学与工程学院电子工程系汪源源教授表示，柔性可穿戴超声将是人工智能赋能生命科学、材料科学、集成电路等领域产业技术变革的重要发力点。当前复旦大学正在围绕AI for Science战略开展前瞻布局和前沿探索，去年上线了中国高校规模最大的云上科研智能计算平台CFFF，利用AI的高效数据处理和分析、自动识别异常数据能力，医生能够为患者提供更加精准的个性化健康建议。 （作者为复旦大学附属中山医院心脏超声诊断科主任医师）

科研猫后台回复「期刊名称」便可获得想要查询的期刊详情，含影响因子、JCR/中科院分区、出版周期、发文量、预警等级、自引率等。 “AI的一些医疗决策，实际上就是抛硬币。” 哈佛医学院的数据科学家Kun-Hsing Yu语出惊人。 他还补充道： 即便比赛中正确率达90%的获奖模型，再用原数据集子集测试时，准确度最多60-70%，可谓惨败。这让我们很惊讶。 上述科学家的观点来自Nature最近新发表的一篇文章。 内容对AI在医疗领域的可重复性提出了质疑，呈现诸多医疗领域及场景中，AI自带的黑箱属性造成的隐患。 更值得关注的是，尽管问题存在，但AI仍在医疗领域大规模推广使用。 举例来看，数以百计的美国医院已在使用一种AI模型标记败血症早期症状，但在2021年，该模型被发现未能识别率高达67%。 所以，AI究竟带来了哪些医疗隐患，如何解决？ 继续往下看。 △ 图源：Nature 人工智能的“看病难” 我们先从哈佛医学院的数据科学家Kun-Hsing Yu发现AI“抛硬币”的始末聊起。 在医疗领域，AI用于诊断检测人体一直质疑声不断，Kun-Hsing Yu此番研究也是希望有个直观体感。 他选定了常见癌症之一的肺癌，每年有350万美国人因该病症去世，若能更早通过CT扫描筛查，很多人可以免于死亡。 该领域的确备受机器学习界关注，为此，2017年业内还举办了面向肺癌筛查的竞赛。 该活动归属于Kaggle的Data Science Bowl赛事，数据由主办方提供，涵盖1397位患者的胸部CT扫描数据。参赛团队需开发并测试算法，最终大赛按准确率给予评奖，在官宣中，至少五个获奖模型准确度90%以上。 但Kun-Hsing Yu又重新测试了一轮，然后震惊地发现，即便使用原比赛数据的子集，这些“获奖”模型最高准确率却下降到了60-70%。 △ 一位参赛者分享的模型结构 上述状况并非个例。 普林斯顿一位博士，Sayash Kapoor，在17个领域的329项研究中报告了可重复性失败和陷阱，医学名列其中。 基于研究，这位博士及自己的教授还组织了一个研讨会，吸引了30个国家600名科研者参与。 一位剑桥的高级研究员在现场表示，他用机器学习技术预测新冠传播流行趋势，但因不同来源的数据偏差、训练方法等问题，没有一次模型预测准确。还有一位研究者也分享了——自己用机器学习研究心理课题，但无法复现的问题。 在该研讨会上，还有参与者指出谷歌此前遇到的“坑”。 他们曾在2008年就利用机器学习分析用户搜索所产生数据集，进而预测流感暴发。谷歌为此还鼓吹一波。 但事实上，它并未能预测2013年的流感暴发。一家独立研究机构指出，该模型将一些流感流行无关的季节性词汇进行了关联和锁定。2015年，谷歌停止了对外公开该趋势预测。 Kapoor认为，就可重复性来说，AI模型背后的代码和数据集都应可用并不出错误。那位研究新冠流行模型的剑桥ML研究者补充道，数据隐私问题、伦理问题、监管障碍也是导致可重复性出问题的病灶。 他们继续补充道，数据集是问题根源之一。目前公开可用的数据集比较稀缺，这导致模型很容易产生带偏见的判断。比如特定数据集中，医生给一个种族开的药比另一个种族多，这可能导致AI将病症与种族关联，而非病症本身。 另一个问题是训练AI中的“透题”现象。因数据集不足，用于训练模型的数据集和测试集会重叠，甚至该情况一些当事人还不知道，这也可能导致大家对模型的正确率过于乐观。 △ Sayash Kapoor博士 尽管问题存在，但AI模型仍已被应用在实际诊断场景中，甚至直接下场看病。 2021年，一个名为Epic Sepsis Model的医疗诊断模型被曝出严重漏检问题。 该模型用于败血症筛查，通过识别病人早期患病特征检测，避免这种全身感染的发生，但密歇根大学医学院研究者通过调查分析了27697人的就诊情况，结果发现，该模型未能识别67%败血症病患。 此后，该公司对模型进行了大调整。 一位计算生物学家对此指出，该问题之所以较难解决，也同AI模型透明度不足有关。“我们在实践中部署了无法理解的算法，也并不知道它带什么偏见”，他补充道。...

习近平总书记指出，要推进“互联网+医疗”，让老百姓少跑腿，让数据多跑路，不断提升公共服务均等化、普惠化和便捷化水平。 截至2018年7月，广东省网络医院已接诊逾1000万人次，从最初的每日几十例的问诊量飙升到如今每日4万人次。全国政协委员、广东省中医院副院长卢传坚表示，随着网络时代的到来，线上线下结合的医疗服务将成为新趋势。 随着“互联网+医疗”和人工智能的发展，人工智能医生在医学领域发挥的作用越来越大。机构预测，中国医疗人工智能的市场需求已达数百亿元。智能移动医疗专家指出，未来5年内，人工智能问诊平台将取代部分传统问诊。 那么，线上诊疗、“人工智能医生”等看病新方式是否值得信赖呢？ 新闻链接 广东省网络医院正式上线 作为全国首家网络医院，今年是广东省第二人民医院拥抱互联网的第五个年头。2014年10月25日，深圳友德医科技有限公司与广东省第二人民医院共同打造的广东省网络医院率先在全国上线，成为全国首家互联网医院。网络医院主要针对常见病和慢性病。通过后台初步分诊，患者可选择对应的科室和医生，在家里就可享受到三甲医院的专家服务。但专家也表示，病情严重、复杂的疾病仍需要立即到医院进行检查。 “读懂”病历识别影像 AI“医术”超年轻医生 人工智能不仅能“读图”识别影像，还能“识字”读懂病历，理解患者病情并推荐临床诊断，准确度甚至超过医生、媲美经验丰富的专家。由广州市妇女儿童医疗中心教授夏慧敏、加州大学圣地亚哥分校教授张康等专家领衔的医疗数据智能化应用团队，联合人工智能研究和转化机构研发出“辅诊熊”人工智能诊断平台，诊断多种儿科常见疾病，准确度与经验丰富的儿科医师相当。 未来5年内，人工智能问诊平台取代部分传统问诊 广东省第二人民医院2018年4月正式上线AI Doctor(人工智能医生)。实际上，AI医生是省二医与互联网科技公司联合开发的全球最大的中文医疗词库和医疗知识图谱，内含北京、江苏、广东数十家三甲医院3亿份“脱敏”（抹去隐私信息）的病历经验，200多病种的诊断、治疗建议的准确率超过90%。有专家预测，未来5年内，人工智能问诊平台将取代部分传统问诊。10年内，具有专科医师水准的人工智能医生会开处方。 大V观点 卢传坚（全国政协委员、广东省中医院副院长） 随着网络时代的到来，线上诊疗是一种看病新趋势。从方便患者就诊、让患者及时得到诊治这方面来说，发展网络医院是便民的举措。但是，线上诊疗毕竟没有现场医生诊治准确。看病跟购买其他商品或者服务不一样，通过病人自己描述身体状况，不如医生现场“望闻问切“来得准确。当然，对于常见病、小病可以考虑线上诊治，比较复杂的疾病就不适合了。 杨浩贤（中山大学肿瘤防治中心，主任医师，博士生导师） 线上诊疗对患者来说效率比较高，特别是对于异地就医的患者，可以同时咨询多方医生的意见，综合考量医疗方案。但是，在线问诊无法看见病人的精神状态，也无法进行体检，所以要得到比较具体的治疗方案，还是需要患者亲自到医院就诊。 随着计算机和人工智能的发展，人工智能在医学领域发挥的作用会越来越大。人工智能可在一定程度上缓解医生资源不足的状况，让优质医疗资源下沉到基层，使更多群众享受到普惠医疗。我相信，未来的人工智能医生会取代医生的一部分工作，比如体检、信息采集、问诊等方面，但治疗的过程中，人工智能只能提供标准化方案，无法实现精准的个体化治疗，而且对于复杂疾病，治疗方案是根据患者病情不断地在变化，所以人工智能医生还要经过不断学习，才能在核心领域发挥更大的作用。无论是何种诊疗方式，是否能让患者得到更好的医疗服务和治疗效果，才是我们关注的重点。 周其如（广东省网络医院院长） “互联网+医疗”是医疗行业的发展方向、是解决“看病难”的重要抓手、是破解医改难题的重要手段。通过不断吸纳海量数据，AI医生已经能够达到或者部分超过普通医生的问诊水平。人工智能医生能帮助解决基层医疗资源不足、缓解医生的劳动强度、降低医疗成本高的问题。不过，人工智能医生诊断的合法合规性等问题，还需要长时间的发展和摸索。 杜兰（科大讯飞股份有限公司高级副总裁） “人工智能医生”不是一个趋势，而是实实在在地应用了。我们希望通过A.I.赋能医疗，让机器去学习最优秀的一线专家的能力，通过专家和设定的标准，让60分的医生去做80分医生可以做的事情，让90分的医生不要去做60分医生重复做的工作，从而让医疗服务更具普惠性，并为行业带来更大的发展空间。 刘激扬（国双科技首席技术官） 线上问诊和人工智能诊疗能够为医患双方提供很多便利：患者和家属可以更快地得到专业人士帮助，也可以获取更多知识，比如，通过智能问答系统人们能非常便捷地获取导医、治疗及手术后护理等各类信息；大数据和人工智能技术可以通过对医疗领域累积的大量医疗数据和患者数据进行分析，帮助医生对患者做出更加客观、全面的评估，甚至对疾病的发展趋势做出预测。依据这些评估和预测，医生就能更及时、准确、全面地为患者做出诊断。借助大数据和人工智能，我们也能够实现从对疾病的诊治，到对疾病的“预测”和“预防”，从而为大家提供有效的健康管理，让大家更健康。 张康（加州大学圣地亚哥分校教授） 如果能让医生看到计算机是怎么想的、怎么得出结论的，就能让人类更相信计算机，让人类对它更加放心。 夏慧敏（广州市妇女儿童医疗中心教授） 人工智能并不会取代医生，但是可以大幅减轻医生的工作量。更好的技术手段和平台，既能在一定程度上解决医疗服务能力不足的问题，又能提高健康服务的公平性。 沈定刚（联影智能联席首席执行官） 人工智能不会替代医生，但懂人工智能的医生可能会替代不懂人工智能的医生。未来人工智能的应用将贯穿于整个临床工作流，从源头的成像一直到后期的诊断、治疗和评估。 陈国庆（农工党中央医疗卫生专业委员会委员） 人工智能和互联网技术是对医生的解放，能够让医生的医术、医德和口碑等作为医生个人的附加价值为医生赢得更多的患者，从而让医生的个人品牌、工作环境和个人待遇得到大幅的提升，从而最大程度体现医生真正的价值。人工智能与医疗的结合，也能实现医疗效率的提高、群众医疗成本的降低和诊治慢性疾病和常见病的便捷化，也是未来医疗的发展趋势。 网友留言 @谭浩彬：线上医生我觉得挺便捷的，现在去个医院好麻烦，排队挂号等号要好几个小时，但我可能也就是看个头疼脑热的小病，给老百姓挺大方便的。 @白如宣：一个医生的阅历和经历有限，AI医生能综合各大医院的病例情况而且无需休息，有时候对于一些突发情况能给出一些快速的抢救措施，还是值得推广的。 @wendy七：难道网络医生还能“悬丝诊脉”吗？望闻问切缺一不可哦～ @南州六月荔枝丹：网络看病的影像资料，患者怎么来保存呢？担心隐私泄露…… @茴有四种写法：感觉信不过～每个人的体质都不一样，虽然是同样的病症，但可能表现形式不一样。 出品人：刘海陵 总策划：林海利 总统筹：孙璇 监制：孙朝方 郑华如 鲁钇山 蒋铮 区健妍...

如果您希望第一时间收到推送，别忘了加“星标”！ 随着基于大模型的生成式AI的出现，我们看到AI+医疗有望迎来一波新的发展机遇，具体看好：1）基于大模型的实时问诊病例生成，2）按需生成新蛋白质结构提高药物发现效率等应用。另一方面，目前尚未看到面向医疗影像的新AI大模型服务，大模型在医疗影像领域主要作用是降本。 核心观点 生成式AI为问诊、影像、制药等各个医疗健康场景注入新活力 医疗健康领域是人工智能率先落地的行业之一，也已经催生了Nuance、IBM Watson等一批全球知名企业。随着基于大模型的生成式AI的出现，我们看到AI+医疗有望迎来一波新的发展机遇，具体看好：1）基于大模型的实时问诊病例生成，2）按需生成新蛋白质结构提高药物发现效率等应用。另一方面，目前尚未看到面向医疗影像的新AI大模型服务，大模型在医疗影像领域主要作用是降本。AI+问诊：从语音录入到实时生成内容，提高临床记录环节效率病例的录入是AI+医疗中最经典的应用场景之一。生成式AI的出现，使病例的录入过程从过去医生问诊后口述总结，向基于大模型的自动实时问诊记录生成演进。今年3月，微软旗下的Nuance已经推出基于GPT-4的临床笔记软件DAX Express，可以在几秒钟内生成准确的临床记录，以及整合进微软Teams中来辅助远程医疗。AI+新药开发：根据功能需求设计/优化蛋白质，加速新药探索速度根据Statista，2021年全球制药行业总收入约1.5万亿美金，制药研发投入约2.4千亿美金。DeepMind是最早用AI赋能新药开发的企业之一，其推出的AlphaFold主要解决从已知的氨基酸序列，预测相应蛋白质3D结构的问题，为探索生命的起源迈出重要的一步。随着生成式AI的出现，业内开始探索自动根据功能需求设计/优化蛋白质、给定抗原等目标蛋白生成抗体等蛋白、给定靶点一键生成Binder蛋白等功能，为提高药物发现的效率作出贡献。英伟达于3月推出的生物医药大模型云服务BioNeMo也包含蛋白质生成等模型的调用服务。 AI+医疗影像：应用相对成熟，关注AI大模型提升数据标注效率 医疗影像分析是AI的另一个重要应用场景。AI医疗影像企业通过分析GE、飞利浦、西门子、联影医疗等国内外企业厂商产生的医疗影像数据，为医生提供读片等诊疗辅助工作。我们认为，AI大模型或主要在效率方面赋能医疗影像领域，通过提升自动化标注、自动化模型筛选、参数调优、处理非结构化数据等能力，为行业带来缩短数据标注和分析时间、提升影像精细程度等变化。 正文 包括制药、辅助诊断、影像、医疗器械在内的医疗健康领域是AI率先实现应用的行业之一。2015年开始，AI在图像识别方面的准确率大幅度提升，驱动AI+影像快速发展。而语音识别的精准度提升以及临床知识库的发展，也推动辅助诊断服务逐渐兴起。随着DeepMind两代AlphaFold实现了蛋白质空间结构预测的重大突破，AI+制药也进入高速发展期。 01AI+问诊：从语音录入到实时生成内容，提高临床记录环节效率 临床辅助决策分为诊前/诊中/诊后决策场景，包括医院数据实时处理、数据质量监控、知识库查询、临床辅助决策、临床辅助治疗、临床预警、患者画像、系统监控等功能。我们认为，医疗诊断场景涉及的信息为多模态且数据量大、交互频次高、及时性要求高，业内关注多模态大模型能否赋能诊断场景，发挥辅助医患沟通、诊断决策作用。 以问诊环节的病例录入为例，我们观察到，传统AI语音识别赋能的病例录入主要以医生口述-AI转写的形式展开，随着大语言模型（LLM）的出现，医患对话的实时记录、转写和总结能够大幅提升病例录入的效率。 3月20日，微软旗下语音识别公司Nuance Communications推出基于GPT-4的AI临床笔记软件Dragon Ambient eXperience (DAX) Express，可以在几秒钟内生成准确的临床记录，减少临床记录环节的时间，提升诊疗效率。Nuance曾在2020年推出DAX解决方案，将患者在就诊中与医生的交流转化为临床档案，由于以人工审核来确保信息准确性，全过程需要耗时约四个小时。接入GPT-4后，依靠大模型强大的推理能力，DAX Express生成临床记录的效率大幅提升。此外，DAX Express能够整合进微软Teams中，来辅助远程医疗。国内部分产业链公司也开始探索大模型在医疗辅助诊断领域的应用。 数据的质量和数量成为AI在辅助诊断等领域应用的主要挑战之一。大规模的数据标注是GPT-3.5这类语言模型突飞猛进的重要原因之一。然而，因为医疗数据的开源程度低，隐私敏感程度高且标注昂贵，往往缺乏高质量的医疗数据来保证大模型的训练效果。此外，医疗领域的容错相对更低。因此，我们认为构建兼具质量和数量的医疗数据集、打破医疗“数据孤岛”现象，促进医疗数据价值流通，将成为AI大模型在医疗领域应用的重要挑战。 02 AI+新药开发：根据功能需求设计/优化蛋白质，加速新药探索速度 DeepMind两代AlphaFold引领行业进入高速发展期。梳理AI+制药的发展历程，我们发现AI与制药的结合逐步深入，成为生物制药企业的常态化工具。经历了包括Exscientia、Atomwise、英矽智能、晶泰科技在AI新药研发领域的早期探索（2014-2017年）、最早一批AI+新药企业开始获得临床前候选药物(Pre-clinical candidate, PCC)一类的验证性成果（2018-2019年）后，DeepMind推出的AlphaFold和AlphaFold2实现了蛋白质空间结构预测的重大突破，引领行业进入高速发展期。近期，我们看到类Chat的生成式AI开始出现，印证AI与药物发现的结合逐渐深入。比如Salesforce Research、Tierra Biosciences 和加州大学研究团队发布的蛋白质语言模型ProGen，在数百万个原始蛋白质序列上训练，可生成跨多个家族和功能的人造蛋白质。不同于AlphaFold2利用AI的手段辅助理解自然界已有的蛋白结构，以ProGen为例的类ChatGPT生成式AI的目标是生成自然界不存在的人工蛋白质序列。虽然生成式AI在制药领域的应用仍处于起步阶段，但天壤XLab负责人苗洪江博士认为，从AlphaGo、AlphaFold2到生成式AI是一个从分析工具走向解决方案、并落地解决实际问题的过程。长期来看，生成式AI有望赋能生物医药源头创新。 03 AI+医疗影像：应用相对成熟，关注AI大模型提升数据标注效率 AI图像识别技术在CT、MR影片诊断领域的应用也已相对成熟，未来十年将有望规模发展。我们看到AI在医疗影像领域的应用相对成熟。根据动脉橙数据，中国2022年医学影像赛道早期融资事件18起，和2021年相比数量增长约两倍。我们认为，AI大模型或主要在效率方面赋能医疗影像领域，通过提升自动化标注、自动化模型筛选、参数调优、处理非结构化数据等能力，为行业带来缩短数据标注和分析时间、提升影像精细程度等变化。 风险提示： 1）AI技术落地不及预期。虽然 AI技术加速发展，但由于成本、落地效果等限制，相关技术落地节奏可能不及我们预期。 2）本研报中涉及到未上市公司或未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。 相关研报 研报：《AI大模型+医疗：从问诊到新药开发》2023年4月06日 黄乐平 S0570521050001 | AUZ066 胡宇舟 S0570121040041 | BOB674 于可熠 S0570122120079 关注我们 华泰证券研究所国内站（研究Portal）...

近日，由无锡市滨湖区人民政府主办，财联社、无锡太湖国家旅游度假区管理委员会等机构协办的“太湖（马山）生命与健康论坛数字医疗发展论坛暨度假区生命健康产业项目签约仪式”活动在无锡市滨湖区顺利举办。春雨医生CEO王羽潇女士受邀参加了论坛，并参与了” 数字时代生命健康赛道的机会与挑战 ” 主题讨论的圆桌分享。 ▲春雨医生CEO王羽潇（左三）在论坛现场 在圆桌论坛环节，王羽潇分享了春雨医生新近推出的AI在线问诊相关产品的探索过程：她表示，由于自然语言识别技术限制，直至2019年，春雨智能大脑停留在帮助医生进行辅检层面。而随着去年年底，AIGC相关产品的问世，让团队发现了提高问诊场景工作效率的巨大可能性，并在第一时间研发出基于大模型的AI在线问诊产品“春雨慧问”，将在线问诊原本的“人——人”模式升级为“人——机器——人”的全新架构，彻底重新定义了在线问诊。如今，“春雨慧问”已经在前期咨询、病历索引、提问预判、医生推荐等功能方面都有着出色的发挥。而随着春雨AI大模型的训练不断深化，在未来还将有“患处视觉识别”“检查报告解读”等更多功能逐步向用户开放。 ▲“春雨慧问”功能示意 王羽潇还介绍说，春雨医生对AI大模型在未来医疗健康领域的规划，将从AI智能问诊起步，逐渐扩充到医疗服务、医药供给、健康管理、保险支付等医疗服务全过程的闭环中来，让春雨AI大模型成为能够服务全人类的“AI数字家庭医生”。 据悉，此次论坛活动以“数字赋能，健康智远”为主题，聚集了多名地方领导、国内外院士、专业投资机构代表以及十余位生命健康企业高管，共同搭建合作平台，深入研究产业发展最新动向，厚积发展势能，助力滨湖抢占未来产业发展核心领域，赋能太湖湾科创带引领区建设。 　　春雨医生创立于2011年，是中国移动互联网医疗的开创者和领导者。在过往十余年的时间里，春雨医生始终坚持以用户为中心，倡导“患者赋权”，以移动科技服务医患沟通，先后开创了在线问诊、家庭医生、互联网医院、视频问诊、AI问诊等互联网医疗服务模式。截至2023年2月，春雨医生已积累1.57亿用户，超过66万公立医院执业医师入驻平台，累积服务患者超4亿人次，积累了3亿多的健康档案数据，日均问诊量超39万，客户满意度达到98%。 　　如今，春雨医生正在成为一家整合式数字医疗平台，智能化、一站式和有温度地为用户提供覆盖全科、个性化、全生命周期医疗健康解决方案；也让越来越多优秀医生的智慧不断延伸服务半径和积累沉淀，让越来越多的创新型优质医药与服务，合规、便捷、高性价比地提供给用户，来打造以用户为中心的整合式医疗模式。“深度连接医患，让健康触手可及”，是春雨医生始终不变的初心与使命。

“排队一小时，看病三分钟”，医院门诊排队时间过长是我国医疗系统一直存在的问题，医疗资源有限，导致配置不足，排队时间过长，再者就是很多患者不善于面对面跟医生沟通，在问诊过程中进行无效对话，问诊结束后又认为医生沟通不到位，时间太短，没有达到自身意愿。导致问诊效率低下，患者体验感差。 2022年7月，国家卫生健康委办公厅《关于2020年度全国三级公立医院绩效考核国家监测分析情况的通报》统计：在门诊患者平均预约诊疗率有较大幅度提高的情况下，门诊患者预约后平均等待时间仍稳定在22分钟。 如何优化医疗资源配置、提升医疗服务效率成为医疗机构精细化管理体系下的重要探索课题。福鑫科创AI智能预问诊系统给出解决方案。 福鑫AI智能预问诊系统 患者在候诊区等待时，通过福鑫科创AI智能预问诊系统引导患者进行预问诊，帮助患者提前梳理症状和信息，智能分析患者自述情况并给出诊断，推荐辅助诊疗建议，进而形成一份初步的诊断报告，将其推送至医生工作站，帮助医生提前知晓患者病情，提高患者就诊效率，优化患者就医体验。 第一步： 患者挂号后即可进入AI预问诊（支持导诊单、挂号记录、统一扫描二维码等多种形式进入预问诊界面）。 第二步： AI模拟临床医生诊疗思维与患者进行拟人式的对话，引导患者详细讲述病情。支持拍照上传其他医院病历文书、检查检验报告等资料，自动提取图片信息，让AI提前知悉患者历史诊疗情况与当前病情，并进行对应历史疾病信息与当前病情的辅助询问，协助医生提前采集患者的主诉、病情症状、既往史、家族史、过敏史等医疗信息。 第三步： AI对患者自述信息进行智能分析诊断，推荐辅助诊疗建议，按照医院电子病历模板快速生成病历草稿，并实时同步医生工作站。让医生在患者进入诊室前，对患者病情已经有了非常全面了解。医生可以根据病情进行补充性的问诊和体格检查，大大提高医生效率。 扫码咨询 产品亮点 福鑫科创AI智能预问诊系统是基于Fusion医助大模型，结合医院海量的历史诊疗数据、疾病体征、检查检验结果、治疗路径、临床知识库等高质量医学数据，通过人工智能算法进行增量训练、监督微调、奖励模型训练强化大语言模型的能力，从而生成医院特有疾病谱的院内定制大模型。 智能AI预问交互对话： 遵循患者挂号对应科室的医学知识图谱，模拟相关科室智能对话、问答、语音、图文OCR识别等交互方式，实现患者与AI的智能交互对话。 自动生成AI预问诊报告： 根据《门诊电子病历书写基本规范》的相关要求，自动生成涵盖专业化医疗术语的疾病知识详解、治疗方案、护理建议、辅助检查、疾病预防的预问诊报告，支持预问诊报告自动回写电子病历。 扫码咨询 应用效果 加强医疗服务质量： 通过“AI智能预问诊”，使得医生能够更专注于病情的临床分析和诊断，提升门诊医患问答效率、诊疗效率和质量的同时，可以有效帮助医院优化医疗资源的配置管理，缓解医疗资源紧张不足的问题，可以提供更加优质的医疗服务。 提高医生诊疗效率： 在患者候诊期间通过模拟医生问诊流程，提前收集患者的症状、病史、生活习惯等信息，不仅减少医生在基本信息采集上花费的时间，也让医生能在有限的面诊时间内更专注于病情分析和治疗方案的制定，提升了沟通质量。事实证明，通过有效的数据分析，AI智能预问诊的应用有效减少了30%的问诊时间，大大提升医生诊疗效率，减少医生初诊阶段的工作量，有效降低人力成本。 智能精准诊断推荐： 通过AI智能辅助帮助医生更加精准的诊断，精准施治，可以减少不必要的检查检验，有效降低患者的医疗成本。 智慧医疗服务升级： 通过推出“AI智能预问诊”，将患者进入诊室的部分对话前移至候诊环节，提高医患沟通效率。进入诊室后，促使医生根据已有信息进行针对性状况问诊、体格检查，缓解患者因无效沟通和信息不对称带来的就医不满情绪，持续为患者提供更精准、更智能、更个性化、更有温度的智慧医疗服务。 更多AI+医疗应用场景，欢迎扫码咨询~ 扫码咨询 往期精选 第八届未来医疗生态展会丨福鑫科创Fusion医助大模型荣登『创新力产品榜』 全国多地启动AI发展蓝图，智慧医疗板块成关键布局领域 Fusion医助大模型正式发布，助推医疗行业新质生产力发展

随着科技的飞速发展，人工智能（AI）已经逐渐渗透到我们生活的方方面面，医疗领域也不例外。近年来，“AI先问诊”系统的出现，正悄然改变着患者就医的传统模式，极大地减少了患者看病过程中的奔波和等待时间。 “AI先问诊”是一种利用人工智能技术，在患者前往医院之前，先通过网络平台进行初步问诊的服务。患者只需在平台上描述自己的症状，系统便能根据大数据和机器学习算法，快速给出可能的疾病判断和建议。这种智能化的问诊方式，不仅为患者提供了便捷的医疗服务，还有效地缓解了医院门诊的压力。 在传统的看病流程中，患者往往需要亲自前往医院，挂号、排队、等待医生的诊断。这一过程不仅耗时耗力，而且在高峰期还可能因为人多而延误治疗。而“AI先问诊”则能够让患者在家里就能得到初步的医疗建议，从而有针对性地选择科室和医生，大大减少了无效奔波。 此外，“AI先问诊”还能帮助患者更好地理解自己的病情。系统会根据患者的描述，提供相关的医学知识和治疗建议，使患者能够在就医前对自己的状况有一个大致的了解。这样，在与医生面对面交流时，患者能够更准确地表达自己的感受和疑虑，从而提高诊断的效率和准确性。 当然，“AI先问诊”并不是要替代医生的角色，而是作为一个辅助工具，帮助患者和医生之间建立更有效的沟通桥梁。它能够为医生提供患者的初步信息和可能的诊断方向，让医生在有限的时间内为更多的患者提供精准的服务。 总的来说，“AI先问诊”是医疗科技进步的一个缩影，它让患者在看病的道路上少跑了许多弯路。随着技术的不断完善和推广，相信未来这一模式将在更多地区得到应用，为广大患者带来更加便捷、高效的医疗服务。

 HC3i 医疗人订阅首选！(点击蓝字关注） HC3i导读： 以前，北京三甲医院门口挂号的队伍排成长龙。如今，所有三级医院均积极应用信息技术开展预约诊疗，绝大部分患者不再需要排队，只需要在预约时间段到达医院就能看上病。 从挂号长龙到AI问诊 ——40年中国医疗服务大步向前 图① 微创手术机器人是未来医生的好帮手 图② 赤脚医生曾是一个时代的符号 图③ 1977年，云南基诺山的基诺族医生在户外为群众看病。新华社记者 蔺以光摄 图④ “智慧医院”展厅向我们展示了未来医院的模样：全科医生辅助诊疗，智能家庭医生随访。 图⑤ 大医院门口黑压压的挂号队伍好似长龙 图⑥ 如今挂号缴费不用排队，直接手机扫码完成。 图⑦ 听诊器、血压计、体温表是20世纪村医的老三样。 图⑧ 现代医学检测设备日益先进 一张并不起眼的主要健康指标变化情况表格，在精彩、振奋的《伟大的变革——庆祝改革开放40周年大型展览》中展示，其中的数据显示我国人均预期寿命从1981年的67.9岁增长到2017年的76.7岁，9岁的增加乍一听感觉并不太多。但相较于人类寿命用了几千年时间从石器时代的15岁增加到上世纪50年代的35岁左右，9年是一个人类拒绝向残酷自然妥协的巨大成就。 “我国人均寿命提高那么快，有营养、社会环境的因素，也在于医疗、药品方面的大大改善。”1961年考入北京医学院药学系(现北京大学医学部药学院)的药学专家李大魁见证了我国医药行业的发展，他说，“开始的时候药品短缺，我们想用青霉素都没有，得跟药厂好好说让他们给找。现在国际上的好药很快就能进入中国，国内高质量的药也越来越多。” 以往熙熙攘攘的挂号大军消失不见 以前，北京三甲医院门口挂号的队伍排成长龙。如今，所有三级医院均积极应用信息技术开展预约诊疗，绝大部分患者不再需要排队，只需要在预约时间段到达医院就能看上病。 凌晨5点，黑压压的人群排成长龙，伴随着漫长的等待，还不时有人晃过来向焦急的面孔询问“要不要号”。七八年前，北京三甲医院的门口还是以这样的方式开始全新的一天。 排队挂号，进入医院的这第一步，就需要花费患者巨大的时间成本。也正因此才滋生了“票贩子”“黄牛党”“代人排队”等生意。为了利益，大量的“号”落入了并不急需的黄牛们手里高价倒卖，而急需的患者却可能在苦苦排队数小时后被告知已经没有专家号。 随着信息手段的丰富和发展，信息不流通、不对称造成的问题在一步步化解。2015年起，全国医疗卫生系统启动了首个3年的改善医疗服务行动计划，针对看病就医瓶颈问题，创新医疗服务举措。 数据显示，近年来，所有三级医院均积极应用信息技术开展预约诊疗，4100余家医院可为患者提供信息查询和推送服务，是2015年的4倍；2777家医疗机构可提供移动支付结算，是2015年的3倍。 北京市卫计委副巡视员高小俊表示，提高了预约率，就诊将更精准。北京先后推出了网络预约、电话预约和院内预约以及医联体内的预约。例如北京肿瘤医院的预约方式一共有9种。截止到2017年底，北京市三级医院总体预约率为61.8%；市属22家三级医院，2017年的预约率超过了86.2%。 近九成的预约比例，意味着以往大医院挂号时熙熙攘攘的景象将得到改观，绝大部分的患者不再需要排队，而只需要在预约时间段到达医院就能看病。 “不让大医院成为就医唯一选择”是避免“扎堆”就医的另一对策。今年初，国家卫计委医政医管局副局长焦雅辉在介绍“改善医疗服务提升群众获得感工作”进展情况时表示，县医院在对口支援医院帮助下，新建临床专科3600个，22个省份建立了省级远程医疗平台，覆盖1.3万家医疗机构、1800多个县。2017年远程医疗服务总例次超过6000万。这些工作使得人们有机会获得更高质量的医疗服务。 由传染病防治的“受援者”华丽转身 上世纪90年代，我国要接受国外生产线转让才能获得疫苗生产能力。2014年，西非暴发埃博拉疫情，我国援非医疗队给予援助。十几年的时间，我国传染病防治领域的国际角色从“受援者”变为“援助者”。 上世纪90年代，我国10个人里就有1个可能是乙肝病毒携带者，而我国需要通过接受国外生产线转让的方式才能获得疫苗生产能力。 2014年，西非暴发埃博拉疫情，我国援非医疗队给予专业、强大的援助。中国自主研发的“重组埃博拉病毒病疫苗”于2017年10月获批上市，并获得了世界卫生组织的批准。 十几年的时间，我国传染病防治领域的国际角色从“受援者”转变为“援助者”。在制度建设、专业团队、研发方面产生了巨变。 2004年8月，我国通过新的《传染病防治法》，对传染病预防，疫情报告、通报和公布等做了明确的制度规定。 随着我国经济实力的增强，0—6岁儿童的预防接种疫苗种类逐步增加。例如：自2002年开始，我国乙肝纳入计划免疫，随后中国将乙肝疫苗纳入中国新生儿计划免疫的一部分，在新生儿群体中，乙肝疫苗覆盖率在90%以上，母婴成功阻断率达到95%。 除了普惠性的疫苗接种服务，按照《国家中长期科学和技术发展规划纲要(2006—2020年)》，经国务院批准，“艾滋病和病毒性肝炎等重大传染病防治”科技重大专项(以下简称专项)于2008年启动，由国家卫计委和军委后勤保障部牵头组织实施。 该专项支持建立了72小时内鉴定300种已知常见病原和罕见病原的筛查技术体系，建立了由12个核心实验室、91个区域重点检测实验室和800余个哨点医院组成的跨部门、跨地区传染病症候群监测实验室网络，在近年来H7N9禽流感、埃博拉等历次重大疫情中发挥重要作用。 重大专项的实施大大提升了我国对突发急性传染病的应对能力。“3年前，禽流感形势紧张的时候，我们向国外药厂买疫苗，他们表示两年以后才可以交货。”中国工程院院士桑国卫在一次会议上回忆，“最后我们的院士直接下药厂指导生产，5个月内把产能提高了30倍。” 找医生问诊前先和AI聊聊病情 AI轻问诊把医生从病例录入、开化验单等繁重机械的劳动中解放出来，为患者提供更加有技术含量的医疗服务，让医生获得更强的职业幸福感。...

出品 | 虎嗅科技医疗组 作者 | 陈广晶 编辑 | 苗正卿 头图 | AI生成 医疗这块硬骨头，互联网大佬们是非啃不可了。 就在9月5日，支付宝在“2024Inclusion·外滩大会”上发布了“AI健康管家”。 这并不是一个医疗智能体，按照支付宝副总裁、数字医疗健康事业部总经理张俊杰的介绍，这是一个一站式平台，可以围绕诊前、诊中、诊后全流程随时为患者提供服务。其中包括找医生、陪诊、读报告、医保支付等30多项服务，还可以针对非医疗的泛健康问题给出智能化、个性化解答。 某种程度上，这一产品将支付宝此前所做的“互联网+医疗健康”，以及接下来要重点铺开的AI+医疗框架整合在一起，既是上一轮“互联网+”时代，支付宝与医疗产业“缠斗”的余音，也显示出其下一个十年继续进军医疗界的决心。 2014年开始，一众互联网大佬都雄心勃勃想要通过技术的力量，改变中国乃至全球“看病难、看病贵”的问题。 从结果看，最初取代医生、颠覆医疗体系的理想固然没有实现，很多第三方互联网医院自身盈利模式也没有跑通，甚至有明星创业公司走到了裁员、被收购的境地。 不过，从目前情况看，头一个十年被硌到了牙的大佬们，还打算借着AI爆火的东风再来一局，与支付宝类似，百度、腾讯、字节跳动等都已纷纷下场。有了大模型的加持，这一次，他们将给医疗带来哪些改变？ “AI医生”卷起来了 互联网巨头下场做AI+医疗并非新事，在“互联网+”时代，已经有大批AI影像产品等被推向了临床。不过，随着ChatGPT“大力出奇迹”一举攻克了语言交流上的障碍，除了严肃的医院内部场景以外，直接面向大众的“AI医生”，甚至“AI医院”也成了新的竞争方向。 早在今年5月份，清华大学研究团队，就在线上推出了模拟医院诊疗全过程的“智能体医院”，14名智能体医生和4名智能体护士可以7✖️24小时为患者服务（实验中患者也是智能体），整个过程从模拟发病开始，到康复、出院后随访结束。 结果显示，这个智能体医院在几天内就能为上万病例提供诊疗服务，完成了医生在现实世界里需要2年才能完成的工作量。 如果说，清华大学的“智能体医院”还停留在实验阶段，那进入实战阶段的也不少。 比如：支付宝的“AI健康管家”有一个重要的突破，就是联合多家头部医疗机构、多个行业专家，构建了智能体生态。 在这个生态中，除了可以为患者精准匹配线下合适的医生（推荐准确率达到95%以上），推荐互联网医院医生，还有“名医智能体”“专科智能体”实时为患者解决问题，整个过程贯穿诊前、诊中到诊后随访，最后还可以形成个人健康档案。 这几乎就是一个线上的“AI智能体医院”了，而且随着应用增多还可能成为每个人的私人保健团队。 目前已经有上海仁济医院、浙江省人民医院、复旦大学中山医院等知名医院与之建立了合作。入驻平台的智能体已有20多个，其中包括了心血管、睡眠、泌尿科等“热门”学科的多位大医生的“分身”。 2024年下半年以来，火山引擎、百度、腾讯健康等互联网巨头也都基于其医疗垂直大模型开发了医疗相关智能体。 除此以外，AI创业公司，如：百川智能8月28日也刚与北京儿童医院签约，共同开发儿童医学大模型，并探索推出针对儿科诊疗四大场景的应用，其中也包括满足家庭场景需求的“儿童健康数字顾问”。 一端深植严肃医疗领域，一端与寻医问药的需求端紧密相关，这些面向大众的“AI医生”，似乎也成了大佬们用AI打开医疗世界的“接口”。 来自：视觉中国 终于触及“生产力”难题 实际上，集中涌现的智能体医生都在剑指一个关键的问题，那就是优质医疗资源不足的问题。 数据显示，中国医疗体系中，95%以上是基层医疗机构，三级甲等医药只有0.25%，但是绝大多数患者看病都会首选大医院，这导致基层医疗机构空置，而高质量医疗资源非常紧张。 大医生的人工智能“分身”被认为可以更好地识别真正需要专科医生治疗的患者，帮助他获得对口专家的治疗，而将不是疑难杂症、不需要挤进大医院的患者“导流”到基层医院或其他对口医院。 除此以外，面向专业端的智能体医生也可以帮助基层医生提高诊疗水平。 “前面这10年我们基本上是用互联网的移动化、在线化等技术，更多解决了效率提升的问题，医患的匹配链接更顺畅了，但是它没有解决根本的生产力的问题，而今天AI是有机会就在这个点上去实现根本的突破的。”张俊杰说。 可以看到，经过十几年的发展，第三方互联网医疗机构虽然方便了患者就医，但是在供给端，只是增加了医生的工作时长。因为国内患者为服务买单的习惯也没有形成，这个过程付给医生的费用多来自平台补贴，这也导致商业模式难以为继。 而AI，特别是智能体似乎可以解决这个难题。 从定义上说，AI智能体（AI Agent）是一种能够感知环境、进行决策的智能实体，从1980年代首次受到关注到现在的大模型智能体，已经发展出了三代。 简单来说，大模型的输出有赖于输入，与环境没有互动，无法形成闭环反馈系统；而智能体有“感知”能力，可以收集环境数据，可以整合感知，做出决策和行动，形成闭环反馈。因此，大模型和智能体也被比喻为AI世界里的“大脑”和“行动派”。 业界认为，它是人工智能迈向“通用人工智能”（AGI）很有前景的道路。通过与智能体的深度连接，大语言模型可以更好地发挥出专业性，实现代际升级。 前述提到的清华大学智能体医院，在实验中，智能体医生的表现随着接诊“患者”的增加越来越好。研究者认为，智能体在训练中不断进化，这与人类医生接诊成千上万患者后经验会越来越丰富一样，而且比人类医生更有效率——接诊1万例患者人类需要2年多，而人工智能只需要几天。 这似乎意味着，只要有机会，有充足的临床经验，智能体有望达到，甚至超过大医生的水平。...

Datawhale分享 最新：AI+医疗，来源：新智元 近日，来自哈佛医学院等机构的科学家们开发了一种名为CHIEF （Clinical Histopathology Imaging Evaluation Foundation，临床组织病理学成像评估基础）的多功能AI癌症诊断模型。 并于9月4日登上「Nature」。 值得一提的是， 尽管最近出现了其他用于医学诊断的病理图像基础AI模型，但CHIEF是第一个能够预测患者预后并在多个国际患者群体中验证的模型。 工作原理 当前，大多数AI癌症诊断系统通常被训练来执行特定任务。例如，检测癌症的存在，或分析肿瘤的基因特征，且通常仅适用于少数几种癌症类型。 通过读取肿瘤组织的数字切片， 它可以检测癌细胞并根据图像中观察到的细胞特征分析肿瘤的基因特征。 此外，还可以预测多种癌症类型的患者生存率，并精确定位肿瘤周围组织的特征，即肿瘤微环境。这些特征与患者对手术、化疗、放疗和免疫治疗等标准治疗的反应有关。 更进一步的，CHIEF还具有生成新见解的潜力——它发现了此前未被认为与患者生存相关的特定肿瘤特征。 论文主要作者，哈佛医学院Blavatnik研究所生物医学信息学助理教授Kun-Hsing Yu 模型训练与表现 首先，CHIEF在1500万张未标记的图像上进行训练，这些图像被分成多个模型可能需要特别关注的部分。 然后，CHIEF在6万张全切片图像上进行了训练，其中包括肺、乳腺、前列腺、结肠、胃、食管、肾脏、脑、肝、甲状腺、胰腺、宫颈、子宫、卵巢、睾丸、皮肤、软组织、肾上腺和膀胱等组织的全切片图像。 这种训练方法，使得模型不仅关注图像的局部，还能够结合整个图像，将某一局部的特定变化与整体联系起来。从而，CHIEF在进行癌症分析时能够考虑更广泛的背景信息，更全面地解读图像，而不是仅仅专注于某个特定区域。 训练完成后，研究团队在19400多张全切片图像上测试了CHIEF的性能。这19400多张全切片图像来自全球24家医院和患者群体中收集的32个独立数据集。 无论肿瘤细胞是通过活检还是手术切除获得，CHIEF的表现都同样出色。无论使用何种技术对癌细胞样本进行数字化处理，它的准确性也同样高。 研究人员表示，这种适应性使CHIEF能够在不同的临床环境中使用，而当前大部分AI癌症诊断模型通常只能在通过特定技术获取的组织中表现良好。 CHIEF的4种应用 癌症检测 CHIEF在癌症检测中的准确率达到了近94%，测试涵盖了15个数据集，其中包含11种癌症类型。 在另一个涵盖5个活检数据集的测试中，CHIEF达到了96%的准确率，其中包括食道、胃、结肠和前列腺在内的多种癌症类型检测。 当研究人员用数据集之外的手术切除肿瘤切片来测试CHIEF时，模型的准确率超过了90%。 分析肿瘤的基因特征 肿瘤的基因构成包含了未来肿瘤发展和最佳治疗方案的关键线索。为了获取这些信息，肿瘤学家通常会对肿瘤样本进行DNA测序。 但由于将样本送往专业的DNA测序实验室需要一定的成本和时间，世界各地普遍没有进行常规的详细的基因组分析。即使是在资源充足的地区，这一过程也可能需要数周时间。 不过，这是AI可以填补的空白。 CHIEF还检测到了特定的DNA模式，这些模式与结肠肿瘤对一种称为免疫检查点抑制的免疫疗法的反应效果相关。 研究团队使用CHIEF模型来预测特定基因突变，这些突变与FDA（美国食品药品监督管理局）批准的靶向治疗方法的效果有关。研究涉及的18个基因分布在人体的15个不同解剖部位。 CHIEF在多种癌症类型中都达到了高准确率。在检测一种名为弥漫性大B细胞淋巴瘤的血液癌症中的EZH2基因突变时，CHIEF达到了96%的准确率；在检测甲状腺癌中的BRAF基因突变时，CHIEF的准确率达到了89%；在检测头颈部癌症中的NTRK1基因突变时，准确率为91%。 CHIEF 在预测癌症类型的组织病理学图像中的基因突变状态方面取得了很高的成绩 预测患者生存率 基于初次诊断时获得的肿瘤组织病理图像，CHIEF能够成功预测患者的生存期。 总体上，CHIEF预测高风险和低风险死亡率的能力在来自17家不同机构的患者样本中得到了测试和验证。 在所有研究的癌症类型和患者群体中，CHIEF能够区分长期生存的患者和短期生存的患者。CHIEF的表现比其他模型好8%。 在患有晚期癌症的患者中，CHIEF的表现比其他AI模型高出10%。 为了可视化特定的区域，CHIEF在图像上生成了热图。当人类病理学家分析这些由AI生成的热点时，他们发现了一些反映癌细胞与周围组织相互作用的有趣信号。...