lida

  新智元报道   编辑：张乾  弗朗西斯  文强 【新智元导读】2017年4月，Hinton在接受《纽约客》采访时说：“5年内深度学习就能超过放射科医生，从现在起就停止培训放射科医生”。此言论一出，再一次引发全球关于AI正在取代医生的焦虑讨论。IEEE Spectrum在2018新年伊始推出专刊“AI vs Doctors”，统计了从2016年5月至今，AI在医疗领域的进展，并对比各大细分领域AI与人类医生能力差距，人工智能正在医生的主场获取成功，哪些医疗诊疗行业已被AI超越？机器人医生是人类的未来吗？ 2017年4月，Hinton在接受《纽约客》采访时说：“作为放射科医生你就像卡通里的歪心狼一样，你已经冲出悬崖很远，但还没有往下看，实际上你的脚下空空如也。”商用的深度学习乳腺癌检测系统已经在开发中，Hinton说：“很显然，5年内深度学习就能超过放射科医生，或许会用10年，我在医院里说过，结果反响很糟糕。” 实际上，Hinton在医院里说的是，“应该从现在起就停止培训放射科医生”。 Hinton告诉《纽约客》记者：“放射科医生的角色从做感知（perceptual）的事情演变而来，这可能由一只训练有素的鸽子完成。”Hinton对自动化医学未来的预测建立在一个简单的原则基础之上：“在有大量数据的地方，采取旧的分类问题，这将通过深度学习来解决。将有数以千计的深度学习应用。” Hinton希望使用学习算法来读取各种X射线，CT扫描和MRI数据，这正是他认为的近期前景。  将来，“学习算法会做出病理诊断”，可能是读取巴氏涂片、听心音，或预测精神病患者的复发。 AI可以帮助医生、护士，减少他们的工作量。人类往往无法长时间处理大量的扫描影像和医疗数据，这导致有时候病变会被看漏，或者过了很久之后才被发现，AI正好可以解决这个问题，极有希望在不久的将来，在医疗领域掀起又一次技术革命。 肺炎：斯坦福大学的算法诊断肺炎好于医生 去年9月，美国国家卫生研究院曾发布一组数据，这给斯坦福大学教授吴恩达领导机器学习小组带来了启发。该组数据包含112,120个胸部X射线图像，标有14种不同的可能的诊断，以及一些初步的算法。研究人员要求四名斯坦福放射科医师对420张图像进行注释，以查找可能的肺炎迹象。 在一个星期内，斯坦福大学研究人员开发了一种名为CheXnet的算法，它能够比以前的算法更准确地发现原始数据集中的14种病理学中的10种。在经过大约一个月的训练之后，研究人员通过康奈尔大学图书馆发表的一篇论文中报告说，CheXnet比四位斯坦福放射科医师更能准确诊断肺炎。 在420张X光片上进行测试的ChexNet在灵敏度（正确识别阳性）和特异性（正确识别阴性）方面优于四名放射科医师。个人放射科医师用橙色X表示，他们的平均表现用绿色X表示，ChexNet用蓝色曲线表示。 斯坦福大学还创建了胸部X射线的热图，颜色代表最可能代表肺炎的图像区域，研究人员认为CheXnet可以极大地帮助人类放射科医生的工具。 AI比医生的标准方法更准确地预测心脏病发作和中风 目前而言，评估患者风险的标准方法依赖于美国心脏协会和美国心脏病学会制定的指南。医生使用这些指导方针，重点关注诸如高血压、胆固醇、年龄、吸烟和糖尿病等完善的风险因素，为他们的病人制定咨询和治疗方案。 英国诺丁汉大学的研究人员创建了一个AI系统，可以扫描病人的常规医疗数据，并预测哪些人在10年内会发生心脏病或中风。与标准预测方法相比，AI系统正确预测了355名患者的命运。 为了使系统做得更好，研究人员Stephen Weng及其同事为英国378256名病人测试了几种机器学习工具。这些记录追踪了2005年至2015年的患者及其健康状况，并包含了人口统计，医疗状况，处方药，医院访问，实验室结果等信息。 研究人员将75％的病历记录下来，并将其输入到机器学习模型中，以找出在10年内发生心脏病或中风的患者的显着特征。然后Weng的小组测试了另外25％的记录中的模型，看他们如何准确地预测心脏病发作和中风。他们还测试了该部分记录的标准指南。 如果使用1.0分表示100％的准确性，那么标准指导得分0.728，机器学习模型的范围从0.745到0.764，最好的分数来自一种称为神经网络的机器学习模型。 虽然机器评分听起来可能不是一个响亮的胜利，但当翻译成人类术语时，其意义就变得清晰了：神经网络模型预测，在7404例实际病例中，有4998例患者心脏病发作或中风，这超过标准355例方法。有了这些预测，医生可以采取预防措施，例如开药降低胆固醇。 自闭症：AI扫描婴儿脑部以预测自闭症 北卡罗来纳大学教堂山分校的一个研究小组发现了6个月大儿童大脑的变化与自闭症的关系，而深度学习算法能够使用数据，预测在24个月时自闭症高危儿童是否会被诊断为病症。 该算法正确地预测了高危儿童的最终诊断，准确率为81％，灵敏度为88％。与行为问卷相比算法的表现不错，因为问卷产生早期的自闭症诊断准确率只有50％。 这个研究小组的项目是由美国国家卫生研究院资助，项目招募了106名患有自闭症家族史的婴儿和42名无自闭症家族史的婴儿，并在孩子们6、12、24个月时扫描他们的大脑。算法仅使用三个变量 —— 脑表面积、脑容量和性别（男孩比女孩更可能有自闭症），算法确定了十个自闭症孩子中的八个。 研究人员发现，在6个月和12个月之间，婴儿的整体脑部发育没有任何变化，但后来被诊断为自闭症的高危儿童的脑表面积显着增加。表面积的增加与12至24个月之间发生的脑容量增长有关。换言之，在自闭症中，发育中的大脑首先在表面积上扩展了12个月，然后在整个体积中增加了24个月。 这个团队还在24个月的时候对孩子进行了行为评估，当时他们已经够大了，开始表现出自闭症的标志性行为，比如缺乏社会兴趣，语言延迟和重复的身体动作。研究人员指出，大脑过度生长越多，孩子的自闭症症状就越严重。 皮肉切割手术精准度，机器人击败了外科医生 在最近的一系列实验中，智能自主机器人STAR的发明者表明，它能比专家外科医生执行更精确的切割，并且对周围健康组织伤害更小。 STAR通过视觉追踪其预定的切割路径，切割工具并不断调整其计划以适应自身移动，最终完成工作。 对于这种视觉追踪，机器人依赖于研究人员事先在组织上放置的微小标记，这些标记显示在近红外摄像机上。研究人员因此将STAR称为半自主机器人。 机器人和外科医生都被要求切割直线5厘米的线。由于外科医生训练在已知标志之间切割组织，而不是切断绝对距离，因此在皮肤上绘制参考线。一些外科医生在开放式手术设置下进行了切割，而另一些外科医生进行了腹腔镜设置，这是日益普遍的手术操作，其中工具通过一个小孔插入。 机器人和人类都是根据它们偏离理想长度的理想切割线以及包围切口多少焦炭（受损的肉）来判断的。结果：STAR的切割长度接近5厘米，与理想的切割线偏离较少，并且导致焦点较少。 深度学习能帮助临床医生预测阿尔茨海默病（老年痴呆）吗？ 阿尔茨海默病没有临床试验，因此医生通过评估患者的认知能力下降来诊断。但对于轻度认知功能障碍（MCI）的诊断特别困难，即症状不明显的早期痴呆阶段。而且更难预测哪些MCI患者会发展为阿尔茨海默病。 目前，哈佛大学领导的研究小组率先尝试将fMRI扫描和深度学习结合到一个能预测MCI患者发展为阿尔茨海默病的概览的项目中。静息时对患者进行fMRI扫描，与任何fMRI扫描一样，它们揭示了大脑中电信号的闪烁以及这些区域如何相互关联。 这种关系的术语是功能连接性，并且随着患者发展MCI而改变。这是因为信号依赖氧气流向神经元，但是阿尔茨海默病患者中tau蛋白的积累会扼杀这些神经元，导致脑部区域萎缩。 该小组想要看看他们是否可以使用功能连接的这些变化来预测阿尔茨海默病。他们从93名MCI患者和101名由阿尔茨海默病神经成像倡议提供的正常患者的数据开始。研究人员根据参与者大脑90个区域的130个fMRI测量结果的时间序列，可以确定信号在一段时间内闪烁的位置。...

关注GPT-AI专题资讯平台 越来越多业界人士关注GPT-AI专题，我们正搭建GPT-AI专题微信公共平台(扫码订阅，不做微信推送)，为专业人士提供最新、最权威GPT-AI信息和视频，已发布如下内容(点击链接观看)： 访谈OpenAI创始人Brokman:GPT-AI 访谈Elon Musk:最先进AI还没诞生！ 访谈E.Yudkowsky:AI终结人类文明 访谈S.Altman, OpenAI CEO:GPT4 GPT-AI平台 国际专业资讯 专业人士关注 阅读文摘我们正在快速迈进“人头马”医生时代，将人类智慧与人工智能最佳结合起来，打造AI医生。 人们习以为常看病方式是去大医院、找好大夫、求助权威专家；吃最好最贵的药……即使做最大努力、给出最好政策支持优质医疗资源下沉，人们依然笃信大医院、大专家……人之本性！ 这其中还有不争的事实：大医院医生通常接受多年系统化严格的医学培训，积累了丰富知识、临床经验、精准判断力以及强调团队协作精神。 然而，随着AI时代的到来，即使最杰出的人类大脑也难以记住和解释现有人类疾病和大量健康信息。在医疗实践中，医生的诊疗决策主要依靠现有知识和疾病状况信息，难免误诊误治。GPT-AI和GAI快速发展，看病找医生的情形已经开始变化；未来将是AI医生主动来看你。 AI将成为我们每个人医疗保健体验的一部分。用不了多久，人们也像医生一样，包括候诊室和药房）重新定义看病流程和健康管理。 事实上，FDA已经批准500多项“临床决策AI辅助支持系统”，帮助医生在疾病诊疗和资料管理方面参与决策，利用AI-ML算法以及关联数据信息，帮助医生创造性思考和辅助最佳决策选择。 什么是“人头马医生”？Dr. Centaur 形象比喻人类智能与人工智能相互结合的最佳形式，既能发挥人类的聪明才智，又能利用AI的精准分析和预测减少或降低医疗失误或不良后果，这是刚性需求。 仅以美国为例，医院内医疗失误每年造成至少25万死亡，如果启用AI至少能挽救这些不幸逝去的生命。 还有大约70% 导致严重不良反应用药错误是由于处方药错误。可能就是一个简单拼写错误或暂时记忆失误可能导致患者服用错误的药品。 一项研究结果表明使用AI-ML算法能以93%准确率进行膀胱肿瘤诊疗和预后分析。具有深度学习能力的人工智能将及时开始识别人类尚未觉察到疾病或健康变化。 正如4P医学奠基者Leroy Hood教授在即将出版的《科学健康时代》书中预见为什么医学的未来是个性化、可预测的，并且是掌握在自己手中的健康。 今天的医疗服务氛围，绝大多数医生是“等待”疾病症状出现，而每一种疾病可能有十种处方药，却对部分患者几乎没有或根本没用。Leroy Hood教授认为必须超越这种被动、碰碰运气的医疗方法，去迎来真正的精准健康，一种称之为科学个性化医疗健康模式。 医生和每个人都可以利用AI决策系统，在症状出现前数年发现疾病可能性或趋势，彻底改变预防疾病的概念和实践，最终可预见的结果是糖尿病会得到逆转；癌症将被消除，阿茨海默症得到避免，自身免疫疾病得到有效控制，等等。 关闭 观看更多 更多 退出全屏 视频加载失败，请刷新页面再试 刷新 视频详情 关注我们，获取生物医学前沿最新资讯

如何让AI少出错甚至不出错 是要解决的首要难题 “近一年总是饿，吃得多，还瘦了。”武汉市协和医院麻醉医生凌肯在电脑上敲下这句话。现在他是一名患者，专门测试一位“医生”的水平。“请问您有没有既往病史，例如糖尿病、甲状腺疾病等？家族中有没有类似的病例？您有没有药物过敏史或手术史？”屏幕另一端的“医生”回复他。和凌肯对话的不是真人，而是一款名为MedGPT的大语言模型问诊AI，由互联网医疗公司医联开发。自ChatGPT发布以来，国内外企业都先后投入到医疗大语言模型研发的浪潮中。腾讯、百度等大厂，华为、讯飞、商汤等科技公司，以及医联、春雨医生等互联网医疗企业，陆续公布在垂直类大模型方面的布局。7月，谷歌公司的医疗问诊AI Med-PalM的研究团队在《自然》杂志发布了研究成果，经临床医生评估，Med-PalM的长篇回答中有92.6％与科学共识一致。“AI医生”的优异表现也引发更多讨论与担忧：AI达到替代医生的水平了吗？怎样保证AI的准确性？如果AI诊断出问题，谁来为错误负责？凌肯和MedGPT的对话还在继续。问过既往病史、家族史、过敏史后，“医生”又询问了体重减轻范围、其他症状表现、睡眠质量、饮食习惯、血压等信息，最后开出一份检查方案，要求凌肯检查血糖、甲状腺功能。凌肯将准备好的检查结果输入，十几秒后，MedGPT给出自己的诊断：甲状腺功能亢进症——答案是正确的。 图/视觉中国 面对非医疗信息“会越聊越歪”医生们对AI早已不陌生。2017年，国内首批医疗AI产品以科研合作的方式进入医院，2018年起，这些产品陆续获得国家药监局审批。截至今年5月底，国家药监局已批准59个医疗AI辅诊软件上市。上海长征医院放射诊断科主任刘士远曾表示，发展最为成熟的是肺结节和冠脉影像辅诊两类，骨科、脑科等AI辅诊软件还未被常规使用。以心脏冠状动脉CT血管造影，即冠脉CTA为例，一名患者做一次检查产生上百张图片，医生需要在其中找出血管是否出现狭窄、斑块。AI能将每例图像的处理时间从45分钟缩短到5分钟。在引入临床决策支持系统（以下简称CDSS）的医院里，AI还能帮医护作临床决策。CDSS是一种综合分析医学知识和患者信息，为医务人员临床诊疗提供多种帮助的计算机辅助信息系统。2020年4至5月期间，国家卫健委医院管理研究所对全国31个省份的1013所医疗机构调研，其中19.6％的医院有CDSS。但这些产品并未对提升医生的诊断水平有太多帮助。多位受访医生、规培医师告诉《中国新闻周刊》，由于科室收治病人种类相对固定，处理流程成熟，基本不会使用CDSS作参考，遇到不确定的问题会直接咨询上级医生或科室讨论。并且，现在的CDSS还很“死板”，在自动审查医嘱时，会对超说明书用药“纠错”。“但往往我们会坚持用药。”一名三甲医院规培医师说。国家卫健委卫生发展研究中心副主任游茂7月在全国医疗器械安全宣传周暨人工智能标准宣贯会上表示，当前AI医疗领域的困境之一，在于技术发展同质化严重，数据、算法的优势尚未得到体现。中国AI医疗器械95％的研究或产出都在医学影像类，在“医疗机器人”“知识库”“自然语言处理”等领域研究相对不足，关于“决策规则”的研究几近空白。“其实不是研究空白，是落地成产品有很多限制。” 一位研究医疗领域自然语言处理十年的高校学者告诉《中国新闻周刊》。她表示， X光机、CT设备、磁共振仪等影像类医疗器械是医疗机构的硬需求，AI辅诊软件可搭载在影像设备上，相比处理文本数据的软件更易进入医疗机构。另外，影像数据较诊疗文本数据更独立，更易脱敏，且公开的图像数据库更多，而公开的高质量诊疗文本数据十分有限，这使得在“自然语言处理”等领域研究不足。   ChatGPT的出现，让企业看到大语言模型给AI问诊带来的新机会。医联创始人兼CEO王仕锐表示，医联此前也开发了包括口腔影像识别、精神科DTx数字疗法等医疗AI类产品，但无法实现AI全流程诊疗。“当时遇到一个无法逾越的鸿沟——自然语义的识别。”王仕锐说，大语言模型推出前，虽然知识图谱等技术也能实现人机对话，但对话机器人的推理、上下文理解能力还不足，并难以做到普通人语言与医学术语间的语义转换。MedGPT从今年1月开始研发，5月推出，参数达千亿级别，定位是突破“人问机答”模式，能像真人医生一样主动多轮询问患者症状等信息，推断患者可能患病的类型，并开具检验检查单。患者输入检查数据后，AI可继续读取数据，并给出治疗方案。目前，MedGPT还未对公众开放。参与内测的凌肯用了一小时和MedGPT互动，抛出的问题包括麻醉是否会影响患者智商，甲状腺功能亢进患者的完整诊断等。凌肯告诉《中国新闻周刊》，MedGPT问得很详细，回复也较真人医生更加亲和，“但远远没到取代医生的地步”。他解释道，体验过程中最突出的问题是，MedGPT不能很好地接收非医疗信息。若模拟真实看诊过程中患者向医生倾诉家庭情况等非医疗信息， MedGPT还做不到提炼其中的核心信息，“会越聊越歪”。王仕锐表示，患者的语言可以不够简洁，但只有回答AI提出的医疗问题，AI才能给出准确回应。相比之下，春雨医生布局更谨慎。5月，春雨医生将大模型在线问诊产品春雨慧问开放免费使用。不同于MedGPT开检查单、给诊断，慧问在较少轮次问询后会告知患者症状可能对应的多种疾病及对策，之后，以“如果您情况比较严重，建议您及时就医，寻求专业医生的帮助”为结束语。“就像自动驾驶，很难一上来就做到完全自动驾驶，但我们是不是可以有自动停车、辅助倒车功能？这些功能本身也很好用，研发难度会低很多，对使用安全性的要求也会低很多。”对于暂时不做精准诊断和治疗方案的原因，春雨CTO曾柏毅解释说。曾柏毅坦言，慧问更像是春雨在探索大模型运用场景过程中的一个实验品，定位并不明确，“我们也想看市场里面用户到底想要什么，愿意怎样使用AI问诊产品，会对AI提什么样的问题。”后台数据显示，从5月上线到7月底，共有5000多人使用慧问，其中5％左右在使用过程中转向了向真人医生求助。曾柏毅称，春雨在开发询问过程更加详细的AI问诊产品，计划用于真人医生问诊场景。医疗大语言模型的另一落地模式是直接与医院合作，和线下诊疗过程相结合。商汤智能产业研究院院长田丰对《中国新闻周刊》介绍，商汤与郑州大学第一附属医院、上海交通大学医学院附属新华医院合作，医疗大语言模型“大医”的参数从十亿到千亿不等，已使用在一些医院的随访过程中。田丰表示，基于大模型的随访系统比传统的AI电话随访机器人，有更强理解力、更人性化的交互和更全面的信息收集能力。7月6日，上海世博展览馆，2023世界人工智能大会上的中山眼科中心AI+医疗展区。图/视觉中国最难获取的是真实的问诊数据如何让问诊AI少出错甚至不出错，是所有研发团队要解决的首要难题。大语言模型的本质是通过统计分析预测对话中可能的下一个词，存在生成不准确或误导信息的可能性，但在严格要求准确性的医疗领域，AI的错误也意味着患者将承受风险。2021年，密歇根大学医学院研究人员发现，由美国电子健康记录公司Epic Systems 研发的败血症AI预警系统没能识别出67％的败血症住院患者，只识别出7％被医生遗漏的败血症患者。Epic公司称，漏检与系统阈值有关，需要设置一个平衡患者假阴性与假阳性的警报阈值。高质量数据是保证准确性的基础。医疗大语言模型会被额外“投喂”医学书籍、临床诊疗指南、医学论文等专业知识。其中最重要、也最难获取的是优秀的真实问诊数据，既包括顶级专家对该疾病的诊断记录，也包括患者身体特征、检测数据、家族史、环境信息等多维度的信息，同时，还需要覆盖各年龄层、性别、地域的患者。多位受访专家和从业者表示，已有问诊数据尚不能完全满足研发需求。国家远程医疗与互联网医学中心医学人工智能专家委员会主任委员、呼吸病学专家刘国梁告诉《中国新闻周刊》，即使能收集到目前医院的临床数据，其质量也未达到能够用于AI训练的水平，需要专门去生产符合AI训练标准的临床问诊数据。更多的临床经验可能未被记录成文本。“特别是疑难病领域，很多知识是在医生脑子里，甚至医院里面可能也没有，都是口口相传。”曾柏毅说。王仕锐介绍说，医联共使用三类真实问诊数据，包括公开数据、医联独有的问诊数据，以及通过搭建专门的数据平台收集的数据。对于第三类数据，医联从协会、医院、专家处采集，“这一过程好像将石油从地底勘察并最终加工运输到油箱，中间有漫长且复杂的工序。”前述高校学者强调，数据质量对研究非常重要，但前提是要保障数据安全。对数据的采集、筛选必须建立在保护数据安全的基础上，个人信息脱敏，保护患者隐私是首要步骤。医联、春雨医生和商汤均表示对数据进行了脱敏处理，并在使用前取得了患者同意。除了数据，模型设计也能提升医疗AI的准确率。田丰说，商汤成立了一支近百人的医学专家团队，参与数据标注、模型训练及测试，保证AI能够完成多轮问诊、不回答患者非医疗问题等。商汤还训练了一套“智能评判系统”，对大语言模型输出的答案进行评判，让模型输出更符合临床专业要求以及人类价值观的回答。不过，再怎样调试医疗AI，其本身存在一定局限性。刘国梁认为AI与真人医生最根本的差异在于，二者在诊疗过程中的原则可能不相同。目前尚不能确定AI在诊断时，是以患者生命长度为重要衡量，还是以更好的生命质量为先，抑或根本与人类福祉无关。一名优秀的医生能够在关注患者治疗方案的同时，照顾其情绪、花费、家庭情况，目前医疗AI还难以做到。另外，医疗AI主要依靠患者的问诊数据，缺少查体过程。一方面，躯体类疾病可能会影响患者的感觉，使其表述出来的感受与病情严重程度不相符；另一方面，不同疾病也有相似症状，只靠询问很难得到准确结果。北京大学人民医院骨科主任医师薛峰告诉《中国新闻周刊》，很多医学问题尚未有明确答案，许多医生也是依靠经验，达不到100％的准确率，更何况依靠人类经验来进行推理的AI，“现阶段让它来看病只是作为一种咨询、一种辅助，最后判断还是要交给真人医生，AI还需持续学习和调优”。多位受访从业者、专家均表示，AI并不可以、也不可能取代医生，不应有处方权。一旦涉及诊断、开处方，必须有真人医生参与其中，否则就会面对“AI看病看错了，到底是AI负责，还是AI开发公司负责，抑或是购入AI产品的医院或医生负责”的难题。当AI与医生意见不符合，比如患者希望按照AI建议做非常昂贵，但医保不报销的检查，医生觉得没有必要时，也可能出现伦理问题。据《华尔街日报》今年6月报道，在加州大学戴维斯分校医学中心肿瘤科，护士梅丽莎·毕比和癌症患者打了15年交道。当AI预警系统提示她的一名患者有败血症时，她确信警报是错的——因为AI不知道，白血病患者也会表现出类似败血症的症状。按照医院规定，毕比可以在获得医生批准后推翻AI的诊断，但如果她错了，她将面临处分。最后，她只好按照AI的诊断给病人抽血检查，即使这可能会让病人进一步感染，也会让其治疗费用更高。未来临床实践将怎样保证医生参与监管AI？薛峰表示有两种设想：一是仍然由医生负责开处方，AI只负责前期询问及信息收集；二是由AI开处方，但医生需要审核治疗方案，至少保证药物无害并签字，若出现问题，仍由签字医生负责。全新的三方关系6月末，医联在成都举行了一场“双盲实验”，让MedGPT与10位四川华西医院的主治医生一起对120余位患者进行诊断，来评测AI与真人医生的一致性，最后由多位专家对91份有效病例审核。刘国梁与薛峰都参与了此次审核，二人表示MedGPT的效果比预期稍高，没有出现太大错误，但也存在一些问题。薛峰表示，MedGPT在面对复杂病情时的问诊逻辑还很简单。他解释说，每一种疾病往往会有一组症状，单一症状对应的疾病可能有几十种、上百种，而患者在表达主诉时往往只会说到其中一两个最严重的症状。做排除诊断时，真人医生能够不断就可能的关联症状进行提问，最后根据患者回答作甄别，而MedGPT在关联不同症状的全面性上还有不足。王仕锐称，医联的下一步除了提高准确率，还会整合多模态能力，弥补不能进行查体的缺陷。比如给MedGPT“装眼睛”，以视频方式做运动轨迹识别，解决骨科查体难题。谷歌在7月末推出新的通用生物医疗AI模型Med-PalM M，除了回答医疗问题，Med-PalM M还可检查X光图像，甚至扫描 DNA 序列是否存在突变。摆在问诊AI面前的问题，还有监管。此前，国家药监局器审中心发布的《人工智能医疗器械注册审查指导原则(征求意见稿)》等文件规定，基于医疗器械数据、使用人工智能技术实现其预期用途的医疗器械，需要经药监局审批上市。医疗器械数据包含图像数据、生理参数、体外诊断数据等，电子病历、医学检查报告的结果文本等属于非医疗器械数据。以MedGPT为例，虽然主要依靠患者主诉信息，但是也会给患者开检查报告，基于血糖、血压等数据来推荐治疗方案。王仕锐表示，在当下的监管体系中难以界定其是否属于医疗器械，对此类新型产品，相关部门可能会有新的监管框架。7月13日，国家网信办联合六部门公布《生成式人工智能服务管理暂行办法》（下称《办法》）。《办法》自2023年8月15日起施行，其中提到鼓励生成式AI创新发展，并要求“具有舆论属性或者社会动员能力”的产品，向公众提供服务前，需开展安全评估，并履行算法备案。基于生成式AI的问诊产品是否要申请安全评估和算法备案，多家企业说法不一。前述学者表示，该《办法》为医疗AI设定了合法合规的框架，但针对医疗AI的监管如何实施，标准如何制定，《办法》还未明确。“标准化最关键的、最本质的目的就是建立最佳秩序。”该学者说，为创新产品制定标准是一个缓慢的过程，到底怎么定、定多高需要不断摸索。多位受访从业者都表示从研发到进入临床，医疗大语言模型还有很长一段路走，但也都认可AI一定是未来医疗格局的一分子。AI可以使医疗模式转向社区化、家庭医生化。薛峰表示，门诊中90％以上都是常见病，可以通过家庭医生来解决，但目前医疗资源并不均衡，三甲医院与基层医院医疗水平相差过大，导致患者对社区医院不信任。薛峰说，若AI成为面向患者的家庭医生，患者通过预先咨询AI，可为医疗机构减轻负担，同时也增加对病情的初步了解，找准看病方向。“这样的医疗模式有助于医疗规范化，减少过度医疗或医疗欺骗。”薛峰说。在面向医生的场景中，AI的作用可以更多。多位受访专家表示，AI可以成为助手，帮助医生学习疑难杂症的前沿治疗方案，减少误诊率，亦可参与医学培训，帮助年轻医生及医学能力不足的基层医生成长。美国波士顿的一家医疗机构已开始使用ChatGPT来培训规培生。“因为医学训练有时候不存在对错，而是锻炼医生的思维方式、结果解读、沟通等，可以（用AI）单独去训练这些能力。”刘国梁说。更直接的可能性是AI能使医生从文书的工作中获得解放。浙江某三甲医院的一名规培医师告诉《中国新闻周刊》，接收新病人时会花费不少时间写首程诊断。今年2月开始，他尝试让ChatGPT帮他写鉴别诊断，“因为有时候诊断都很明确了，还要绞尽脑汁去想鉴别诊断也挺烦。我会直接把问题抛给ChatGPT，告诉它我想写某两种疾病的简洁诊断，它会给我列出好几点。” 未来医疗到底会怎样，微软全球资深副总裁彼得·李与两位合著者在《超越想象的GPT医疗》中描绘了一种新的医患关系：传统医学中医生与患者是一对双向关系，但现在我们应该转向一种全新的三方关系，而AI是这个三角关系的第三支柱。