肉眼可見地，人工智能領域正在以螺旋式上升的態(tài)勢飛速發(fā)展。

(資料圖片)

其中，基于根基模型（Foundation Models）的AI應用程序數量也在迅猛增長。根基模型之所以叫這個名字，是因為它為AI系統(tǒng)提供了一個新的范式，開發(fā)人員可以在它的基礎上構建新的專業(yè)應用模型或生成多個應用程序。

像ChatGPT這樣的生成式AI就是由根基模型提供支持的。顯然，這類大型AI已經顯現(xiàn)出復雜推理、知識推理和超出分布穩(wěn)健性的能力，能夠完成用戶提出的各種任務。

然而，一些小規(guī)模、專業(yè)化的模型卻不具備這些能力。由于難以獲取大型、多樣化的醫(yī)療數據集，以及醫(yī)療領域具有復雜性的特征，快速發(fā)展的根基模型并未廣泛滲透到醫(yī)療人工智能行業(yè)之中。當前的醫(yī)學人工智能模型仍大多采用特定任務的方法。例如，一個胸部X光模型可以在一個數據集上進行訓練，通過大量的注釋來分析每個明確標記為肺炎陽性或陰性的圖像。這也就意味著，這個模型只能檢測肺炎，無法適配到全面的放射學報告診斷中。

這種基于特定任務的方法所訓練出的模型不太靈活，僅限于執(zhí)行由訓練數據集及其標簽預定義的任務。這樣的模型如果在另一個數據集上進行再訓練，通常就不能適應其他任務（甚至無法完成同一任務的不同數據分布）。在獲得美國食品藥品監(jiān)督管理局（FDA）批準的500多種臨床藥物人工智能模型中，大多數的模型只被批準用于1到2個狹窄的任務中。然而，以ChatGPT為代表的大模型的日益成熟，讓醫(yī)療AI的研究者看到了打造通才型（全能型）醫(yī)療AI的希望。

?圖注：發(fā)表論文封面圖片來源：nature

4月12日，Nature發(fā)表了一篇題為《通用醫(yī)學人工智能的基礎模型 》（Foundation models for generalist medical artificial intelligence）的文章，作者來自斯坦福大學、哈佛大學、多倫多大學和耶魯大學醫(yī)學院。這篇文章為醫(yī)學人工智能提供了一種新的范式，稱為通用醫(yī)療人工智能(generalist medical AI, GMAI)。

GMAI模型可以使用少量數據或沒有指定標記的數據來執(zhí)行不同的任務。通過在大型、多樣化的數據集上進行自我監(jiān)督，GMAI將靈活地解釋不同的醫(yī)療模式組合，包括來自影像、電子健康記錄、實驗結果、基因組學、圖表或醫(yī)療文本等多種形式的數據。在輸出方面，模型可以通過其先進的醫(yī)學推理能力呈現(xiàn)出易于理解的結果，如自由文本解釋、口頭建議或在圖像上加以注釋。

?圖注：GMAI模型概述。a、GMAI模型通過諸如自我監(jiān)督學習之類的技術在多種醫(yī)學數據模式上進行訓練。為了實現(xiàn)靈活的交互，數據模式（如EHR的圖像或數據）可以與文本或語音數據形式的語言配對。接下來，GMAI模型需要訪問各種醫(yī)學知識來源以執(zhí)行醫(yī)學推理任務，釋放可用于下游應用的豐富功能。由此產生的GMAI模型然后執(zhí)行用戶可以實時指定的任務。b、 GMAI模型為臨床學科的眾多應用奠定了基礎，每個應用都需要仔細的驗證和監(jiān)管評估。 圖片來源：nature

從上圖不難看出，GMAI模型有望在多種醫(yī)療場景中解決多樣化和具有挑戰(zhàn)性的任務，它為用戶提供了通過自定義查詢從而與模型交互的能力，這可以使包括醫(yī)生、護理人員、檢驗人員、患者在內的不同受眾都能理解人工智能給出的解決方案。使用者可以不斷地給GMAI指定新任務、解決新問題，而不再需要重新給出訓練模型讓AI從零開始學習訓練后再投入使用，這大大節(jié)省了機器訓練的時間和成本。此外，GMAI可以通過其接受的醫(yī)療領域的先驗知識來解決更多問題，基于最新的檢索方法，在現(xiàn)有的數據庫中檢索出文章、圖像或臨床案例等它所需要的知識。

?圖注：GMAI三種潛在應用的說明。a、GMAI可以實現(xiàn)多功能的床邊決策支持。b、放射學報告配備了可點擊的鏈接，將每個發(fā)現(xiàn)可視化后提供給醫(yī)生。c、GMAI有可能對模型開發(fā)過程中從未遇到過的現(xiàn)象進行分類。在增強程序中，通過利用醫(yī)學領域知識背景逐步推理來解釋發(fā)現(xiàn)的罕見的異常值。圖片來源：nature

研究者給出了多種可以在臨床上使用GMAI的潛在方案。例如，在放射科功能報告中提示放射科醫(yī)生，顯示之前圖像中沒有出現(xiàn)的新的多發(fā)性硬化癥病灶。參與團隊的外科手術（如內窺鏡手術）過程，將整個過程可視化，或提供口頭信息，如在跳過手術步驟時發(fā)出警報，或在醫(yī)生遇到罕見的解剖現(xiàn)象時閱讀相關文獻，給出手術建議。

GMAI所面臨的機遇與挑戰(zhàn)

作為一個基于AI的聊天界面，GMAI會利用人類的反饋來強化學習和改進模型，以此來適應下游程序。這樣的學習能力是GMAI模型自然生成的，但這樣的靈活性可能也是一把雙刃劍：在基礎模型中存在的任何故障都可能會導致其所有下游應用程序受到影響。

如前所述，當前的醫(yī)療AI模型大多是為特定任務而設計的，因此對專業(yè)的模型來說，只需通過一兩個適用的數據集即可完成驗證，但對于通才型選手GMAI來說，由于其前所未有的通用性，將非常難以被驗證，加上GMAI可能會面對它們從未見過的任務，預測它們是成功還是失敗，將是一項非常有挑戰(zhàn)性的工作，因為臨床醫(yī)生可能無法處理比它更復雜的信息，自然就更難判斷它的決策正確與否。由此，GMAI這種廣泛的應用能力或許需要相關機構和政府加強監(jiān)管，重塑新的責任制度。

結語

GMAI的出現(xiàn)讓醫(yī)療行業(yè)的研究人員看到，AI也具有巨大的潛力以改變整個醫(yī)療健康體系。作為一種高級的根基模型，GMAI將可互換地解析多種數據模式，動態(tài)地學習新任務，并利用醫(yī)學領域知識，在幾乎無限范圍的醫(yī)療任務中提供決策。它的靈活性允許其在新的環(huán)境中保持相互關聯(lián)，并與新興的疾病和技術保持同步，而不需要不斷地從頭進行再培訓。

盡管頗具前景，但它仍然面臨著獨特的挑戰(zhàn)。它們的多功能性使之難以被全面驗證，它們的大小可能會增加計算成本。畢竟GMAI的訓練數據集不僅要很大，而且要多樣化，并需要充分考慮醫(yī)療數據的隱私保護問題。但無論如何，GMAI為醫(yī)療AI行業(yè)帶來了前所未有的可能性，我們期待它能在健康醫(yī)療管理體系中發(fā)揮重要作用，造福人類健康。

參考文獻：

[1] Jason Wei, Yi Tay, Rishi Bommasani et al. Emergent Abilities of Large Language Models. arXiv:2206.07682, (2022).[2] Food and Drug Administration. Artificial intelligence and machine learning (AI/ML) enabled medical devices. https://www.fda.gov/medical-devices/software medical device sa md/artificial intelligence and machine learning aiml enabled medical devices (2022).[3] Moor, M., Banerjee, O., Abad, Z.S.H. et al. Foundation models for generalist medical artificial intelligence. Nature 616, 259–265 (2023).

關鍵詞：