在医疗保健中使用生成式人工智能的 5 种方法

已发表: 2023-09-26

普华永道预测，到 2024 年，医疗保健成本将上涨 7%。这一增长主要归因于医疗保健工作者的倦怠、随后的劳动力短缺、付款人和提供者之间的纠纷以及通货膨胀。 为了确保高效的患者护理而又不会产生过多的运营成本，该行业正在探索创新技术，例如医疗保健领域的生成式人工智能。

埃森哲报告称，人工智能可以提高 40% 的医疗保健提供商的工作时间，而《福布斯》最近的一篇文章表明，这项技术可以为美国医疗行业每年节省至少 2000 亿美元的费用。

医疗保健中的生成式人工智能使用机器学习算法来分析非结构化数据，例如患者健康记录、医学图像、咨询录音等，并生成与其训练内容类似的新内容。

在本文中，我们的生成式人工智能开发公司将解释该技术如何支持医疗保健组织。

医疗保健中的生成式人工智能用例

  1. 促进医疗培训和模拟
  2. 协助临床诊断
  3. 为药物开发做出贡献
  4. 自动化管理任务
  5. 生成综合医疗数据

促进医疗培训和模拟

医疗保健领域的生成式人工智能可以提出真实的模拟，复制各种健康状况，使医学生和专业人员能够在无风险、受控的环境中进行实践。 人工智能可以生成患有不同疾病的患者模型，或帮助模拟手术或其他医疗程序。

传统培训涉及预先编程的场景，这些场景是有限制的。 另一方面，人工智能可以快速生成患者病例，并实时响应学员做出的决策。 这创造了更具挑战性和真实的学习体验。

现实生活中的例子

密歇根大学在医疗保健模型中建立了一个生成式人工智能，可以生成模拟脓毒症治疗的各种场景。

宾夕法尼亚大学部署了生成式 AI 模型来模拟 COVID-19 的传播并测试不同的干预措施。 这有助于研究人员评估社交距离和疫苗接种对病毒的潜在影响。

协助临床诊断

以下是医疗保健领域的生成式人工智能如何为诊断做出贡献：

  • 生成高质量的医学图像。 医院可以利用生成式人工智能工具来增强传统人工智能的诊断能力。 该技术可以将质量较差的扫描转换为细节丰富的高分辨率医学图像，应用异常检测人工智能算法，并将结果呈现给放射科医生。
  • 诊断疾病。 研究人员可以根据医学图像、实验室测试和其他患者数据训练生成人工智能模型，以检测和诊断不同健康状况的早期发作。 这些算法可以发现皮肤癌、肺癌、隐性骨折、阿尔茨海默氏症的早期症状、糖尿病性视网膜病变等。 此外，人工智能模型可以揭示可能导致特定疾病并预测疾病进展的生物标志物。
  • 回答医疗问题。 如果诊断医生有疑问，他们可以求助于医疗保健领域的生成人工智能，而不是在医学书籍中寻找答案。 人工智能算法可以处理大量数据并快速生成答案，为医生节省宝贵的时间。

现实生活中的例子

一组研究人员尝试使用生成对抗网络 (GAN) 模型来提取和增强低质量医学扫描中的特征，将其转换为高分辨率图像。 该方法在脑部 MRI 扫描、皮肤镜检查、视网膜眼底镜检查和心脏超声图像上进行了测试，在图像增强后的异常检测中显示出较高的准确率。

另一个例子是，谷歌人工智能驱动的 Med-Palm 2 在 MedQA 数据集上进行了训练，在回答相关医疗问题时达到了 85% 的准确率。 谷歌承认该算法仍需要改进，但这对于生成式人工智能作为诊断助手来说是一个良好的开端。

为药物开发做出贡献

根据国会预算办公室的数据，新药开发过程平均花费 10 亿至 20 亿美元，其中还包括失败的药物。 幸运的是，有证据表明人工智能有潜力将新药设计和筛选所需的时间缩短近一半，从而为制药行业节省约 260 亿美元的年度费用。 此外，这项技术每年可以减少 280 亿美元的临床试验相关成本。

制药公司可以通过以下方式在医疗保健领域部署生成式人工智能来加速药物发现：

  • 设计和生成具有所需特性的新分子，研究人员随后可以在实验室环境中进行评估
  • 预测新候选药物和蛋白质的特性
  • 生成与目标具有高结合亲和力的虚拟化合物，可以在计算机模拟中进行测试以降低成本
  • 通过分析新药的分子结构预测其副作用

您可以在我们的博客上找到有关人工智能在药物发现中的作用及其如何促进临床试验的更多信息。

现实生活中的例子

生物技术公司和人工智能初创公司之间战略合作伙伴关系的兴起是生成式人工智能接管制药行业的早期迹象。

就在最近，Recursion Pharmaceuticals 以 8800 万美元收购了两家加拿大人工智能初创公司。 其中之一，Valence，以其生成式人工智能能力而闻名，并将致力于基于小而嘈杂的数据集来设计候选药物，而这些数据集不足以满足传统药物发现方法的需要。

另一个有趣的例子来自多伦多大学。 一个研究团队构建了一个生成式人工智能系统 ProteinSGM，该系统可以在研究现有蛋白质结构的图像表示后生成新颖的真实蛋白质。 该工具可以高速生产蛋白质，然后部署另一个人工智能模型 OmegaFold 来评估所得蛋白质的潜力。 研究人员报告说，大多数新生成的序列折叠成真正的蛋白质结构。

自动化管理任务

这是医疗保健领域最突出的生成式人工智能用例之一。 研究表明，美国医生的职业倦怠率高达62%。 患有这种疾病的医生更有可能卷入危及患者的事件，并且更容易酗酒和产生自杀念头。

幸运的是，医疗保健领域的生成式人工智能可以通过简化管理任务来部分减轻医生肩上的负担。 它可以同时降低与管理相关的成本，据 HealthAffairs 称，管理成本占总体医疗保健支出的 15%-30%。 以下是生成式人工智能的功能：

  • 从患者的医疗记录中提取数据并填充相应的健康登记处。 微软正计划将生成式人工智能集成到 Epic 的 EHR 中。 该工具将执行各种管理任务，例如回复患者消息。
  • 转录并总结患者咨询，将这些信息填写到相应的 EHR 字段中，并生成临床文档。 微软的 Nuance 将生成人工智能技术 GPT-4 集成到其临床转录软件中。 医生已经可以测试测试版。
  • 通过分析患者信息（例如病史、实验室结果、扫描等）生成结构化健康报告。
  • 产生治疗建议
  • 解答医生的疑问
  • 根据患者的需求和医生的空闲时间找到最佳的预约时间段
  • 生成个性化预约提醒和后续电子邮件
  • 审查医疗保险索赔并预测哪些可能被拒绝
  • 撰写调查，收集患者对不同程序和就诊的反馈，对其进行分析，并产生可操作的见解，以改善护理服务

现实生活中的例子

医疗人工智能初创公司 Navina 开发了一款生成式人工智能助手，可以帮助医生更有效地处理行政职责。 该工具可以访问患者数据，包括电子病历、保险索赔和扫描文档，提供状态更新、推荐护理选项并回答医生的问题。 它甚至可以生成结构化文档，例如推荐信和进度说明。

Navina 已经获得了 4400 万美元的资金，这表明医学界的浓厚兴趣。

生成综合医疗数据

医学研究依赖于获取有关不同健康状况的大量数据。 这些数据非常缺乏，尤其是在罕见疾病方面。 此外，收集此类数据的成本很高，其使用和共享受隐私法管辖。

医学中的生成式人工智能可以生成合成数据样本，这些样本可以增强现实生活中的健康数据集，并且不受隐私法规的约束，因为医疗数据不属于特定个人。 人工智能可以生成 EHR 数据、扫描等。

现实生活中的例子

德国研究人员团队构建了一个人工智能驱动的模型 GANerAid，以生成用于临床试验的合成患者数据。 该模型基于 GAN 方法，即使原始训练数据集大小有限，也可以生成具有所需属性的医疗数据。

另一个科学家团队尝试使用生成式人工智能来合成电子健康记录。 研究人员的动机是限制性数据隐私法规以及医院之间无法有效共享患者数据。 他们构建了 EHR-M-GAN 模型，该模型可以派生异质、混合类型的 EHR 数据（意味着它包含连续值和离散值），真实地代表患者轨迹。

医疗保健中生成式人工智能的伦理考虑和挑战

尽管科技和咨询巨头继续投资人工智能，但我们也可以看到包括特斯拉首席执行官埃隆·马斯克和 OpenAI 首席执行官萨姆·奥尔特曼在内的著名人工智能专家如何警告与该技术相关的风险。 那么，生成式人工智能给医疗保健带来了哪些挑战？

  • 偏见。 人工智能模型的性能与它们所训练的数据集一样好。 如果数据不能公平地代表目标人群，就会为代表性较少的群体留下偏见的空间。 当生成式人工智能工具接受大量患者记录数据的训练时，它们将继承其中存在的任何偏见，检测它将是一个挑战，更不用说消除它了。
  • 缺乏法规。 尽管人工智能带来了相当大的道德问题，但目前还没有官方法规来管理这项技术的使用。 美国和欧盟正在努力将相关政策正式化，但这不会在不久的将来发生。
  • 准确性问题。 人工智能确实会犯错误，而在医疗保健领域，这种错误的代价相当高。 例如，大型语言模型（LLM）可能会产生幻觉。 这意味着它们可能会产生语法上可能的结果，但实际上是不正确的。 医疗保健组织需要决定何时容忍错误以及何时要求人工智能模型解释其结论。 例如，如果生成式人工智能被用来协助癌症诊断，如果它不能证明其建议的合理性，医生就不太可能采用这种工具。
  • 问责制。 谁对最终的健康结果负责？ 是医生、人工智能供应商、人工智能开发者，还是另一方？ 缺乏责任感可能会对动机和绩效产生负面影响。

准备好利用生成式人工智能增强您的医疗保健实践了吗？

生成式人工智能算法正变得越来越强大。 斯坦福大学医学院临床教授罗伯特·珀尔说：

“ChatGPT 的威力每六个月到一年就会翻一番。 五年后，它的威力将是现在的30倍。 10年后，它的威力将增强1000倍。 今天存在的东西就像一个玩具。 在下一代工具中，预计将有一万亿个参数，有趣的是，这大约是人脑中连接的数量。”

人工智能可以成为强大的盟友，但如果使用不当，可能会造成重大损害。 医疗保健组织需要谨慎对待这项技术。 如果您正在考虑部署基于人工智能的医疗保健解决方案，可以参考以下三个入门建议：

  • 准备您的数据。 即使您决定选择预先训练的现成人工智能模型，您可能仍然希望在您的专有数据集上对其进行重新训练，该数据集需要具有高质量并能够代表目标人群。 始终确保医疗数据安全并保护患者隐私。 披露算法在哪个数据集上进行训练将很有用，因为它有助于了解算法在哪些方面表现良好以及在哪些方面可能会失败。
  • 掌控您的 AI 模型。 在您的组织中培养负责任的人工智能概念。 确保人们知道何时以及如何使用这些工具以及谁对最终结果负责。 在扩展到更敏感的应用程序之前，在影响有限的用例上测试生成人工智能模型。 如前所述，生成式人工智能可能会犯错误。 确定哪些情况下较小的故障率是可以接受的，哪些情况是您无法承受的。 例如，在管理应用中，98% 的准确率就足够了，但在诊断和面向患者的实践中，这是不可接受的。 设计一个框架来管理医院医疗保健中生成式人工智能的使用。
  • 帮助您的员工接受并使用该技术。 人工智能仍然需要人类指导，尤其是在受到严格监管的医疗保健领域。 人机交互仍然是该技术取得成功的重要因素。 医疗和行政人员将负责监督人工智能模型，因此医院需要重点培训执行这项任务的人员。 另一方面，既然人工智能已经成为其中的一部分，员工应该能够重塑他们的日常生活，利用腾出的时间来创造价值。

想要从生成式人工智能中受益，但不确定如何进行？ 请给我们留言！ 我们将帮助您准备数据、实施该工具并将其集成到您的运营中。

最初于 2023 年 9 月 6 日发布于https://itrexgroup.com 。