研究人員為下一代醫(yī)學人工智能的設計、測試和實施制定了路線

概覽：

目前使用的大多數醫(yī)療人工智能模型都經過訓練來執(zhí)行一兩個特定任務，并且實用性有限。

下一代人工智能——稱為全能醫(yī)療人工智能——整合了各種類型的數據，可以在一系列臨床場景中執(zhí)行各種復雜的任務。通用醫(yī)療人工智能可以通過增強臨床決策、實時手術和床邊支持等來重塑醫(yī)學。

當今醫(yī)學中使用的絕大多數人工智能模型都是“狹隘的專家”，經過訓練可以執(zhí)行一到兩項任務，例如掃描乳房 X 光檢查以查找乳腺癌跡象或通過胸部 X 光檢查檢測肺部疾病。

但日常醫(yī)學實踐涉及無數的臨床情況、癥狀表現(xiàn)、可能的診斷和治療難題。 因此，如果人工智能要兌現(xiàn)其重塑臨床護理的承諾，它必須反映醫(yī)學的復雜性，并以高保真度做到這一點，HMS 布拉瓦尼克研究所生物醫(yī)學信息學助理教授 Pranav Rajpurkar 表示。

進入通用醫(yī)療人工智能，這是一種更進化的機器學習形式，能夠在各種場景中執(zhí)行復雜的任務。

全科醫(yī)療人工智能模型可以集成多種數據類型——例如 MRI 掃描、X 射線、血液檢測結果、醫(yī)學文本和基因組測試——來執(zhí)行一系列任務，從進行復雜的診斷 呼吁支持臨床決策以選擇最佳治療。 它們可以部署在各種環(huán)境中，從檢查室到醫(yī)院病房，從門診胃腸道手術室到心臟手術室。

雖然最早版本的通用醫(yī)療人工智能已經開始出現(xiàn)，但其真正的潛力和能力深度尚未實現(xiàn)。

Rajpurkar 在《Nature》雜志上新發(fā)表的一篇觀點中寫道：“人工智能領域快速發(fā)展的能力完全重新定義了我們在醫(yī)療人工智能領域可以做的事情。”他與斯克里普斯研究中心的 Eric Topol 是該文章的共同高級作者 研究所和來自斯坦福大學、耶魯大學和多倫多大學的同事。

在本文中，作者討論了通用醫(yī)療人工智能的定義特征，確定了可以使用這些模型的各種臨床場景，并規(guī)劃了其設計、開發(fā)和部署的前進道路。

醫(yī)療人工智能的特點

使綜合醫(yī)學人工智能模型優(yōu)于傳統(tǒng)模型的關鍵特征是它們的適應性、多功能性以及將現(xiàn)有知識應用到新環(huán)境的能力。

例如，經過訓練可以在腦部 MRI 上發(fā)現(xiàn)腦腫瘤的傳統(tǒng)人工智能模型將通過查看圖像上的病變來確定它是否是腫瘤。 除此之外它無法提供任何信息。 相比之下，通才模型會觀察病變并確定它是什么類型的病變——腫瘤、囊腫、感染或其他疾病。 它可能會建議進一步檢查，并根據診斷建議治療方案。

該研究的共同第一作者 Oishi Banerjee 表示：“與當前的模型相比，通才醫(yī)療人工智能將能夠執(zhí)行更復雜的推理并集成多種數據類型，從而能夠更詳細地了解患者的病例?！?Rajpurkar 實驗室已經在致力于設計此類模型。

作者表示，通過模型能夠：輕松適應新任務，無需正式的再培訓。 他們只需用簡單的英語或其他語言向他們解釋即可完成任務。分析各種類型的數據——圖像、醫(yī)學文本、實驗室結果、基因測序、患者病史或其任意組合——并做出決策。 相比之下，傳統(tǒng)的人工智能模型僅限于使用預定義的數據類型——僅限文本、僅限圖像——并且僅限于某些組合。將醫(yī)學知識應用于以前未見過的任務中進行推理，并使用醫(yī)學上準確的語言來解釋他們的推理。

使用全科醫(yī)療人工智能的臨床場景

研究人員概述了通用醫(yī)療人工智能模型將提供全面解決方案的許多領域。他們之中有一些是：

放射學報告

用醫(yī)療人工智能將充當多功能數字放射學助手，以減少工作量并最大限度地減少死記硬背的工作。這些模型可以起草描述異常和相關正常結果的放射學報告，同時也考慮到患者的病史。這些模型還將文本敘述與可視化相結合，以突出顯示文本描述的圖像上的區(qū)域。

這些模型還能夠比較以前和當前對患者圖像的發(fā)現(xiàn)，以闡明表明疾病進展的明顯變化。

實時手術協(xié)助

如果手術團隊在手術過程中遇到障礙（例如未能在器官中找到腫塊），外科醫(yī)生可以要求模型檢查手術的最后 15 分鐘，以查找任何遺漏或疏忽。

如果外科醫(yī)生在手術過程中遇到極其罕見的解剖特征，該模型可以快速訪問有關該手術的所有已發(fā)表的工作，以提供實時見解。

患者床邊的決策支持

通才模型將通過持續(xù)監(jiān)測住院患者的生命體征和其他參數（包括患者的記錄）來為住院患者提供警報和治療建議。

這些模型將能夠在即將發(fā)生的緊急情況發(fā)生之前對其進行預測。 例如，當患者處于循環(huán)性休克的邊緣時，模型可能會向臨床團隊發(fā)出警報，并立即建議采取措施來避免這種情況。

作者表示，通才醫(yī)療人工智能模型有潛力改變醫(yī)療保健領域。 它們可以減輕臨床醫(yī)生的倦怠，減少臨床錯誤，并加快和改進臨床決策。

然而，這些模型面臨著獨特的挑戰(zhàn)。 研究人員警告說，它們最強大的特征——極端的多功能性和適應性——也帶來了最大的風險，因為它們需要收集大量多樣的數據。

一些關鍵的陷阱包括：

需要廣泛、持續(xù)的培訓

為了確保模型能夠快速切換數據模式并根據所提出問題的上下文和類型實時適應，它們將需要對來自多個互補來源和模式的不同數據進行廣泛的培訓。

必須定期進行培訓以跟上新信息。

例如，對于新的 SARS-CoV-2 變體，模型必須能夠快速檢索舊變體引起的肺炎 X 射線圖像的關鍵特征，以與新變體相關的肺部變化進行對比。

驗證

與傳統(tǒng)模型相比，全科醫(yī)療人工智能將處理更多的數據、更多樣的數據類型和更復雜的數據。 這將使臨床醫(yī)生更難以確定模型決策的準確性。

例如，傳統(tǒng)模型在對患者的腫瘤進行分類時會查看成像研究或整個幻燈片圖像。 一名放射科醫(yī)生或病理學家就可以驗證該模型是否正確。

相比之下，通才模型可以分析病理切片、CT 掃描和醫(yī)學文獻以及許多其他變量，以對疾病進行分類和分期并提出治療建議。

如此復雜的決定需要由包括放射科醫(yī)生、病理學家和腫瘤學家在內的多學科小組進行驗證，以評估模型的準確性。

研究人員指出，設計者可以通過合并解釋（例如指向文獻中支持段落的可點擊鏈接）來使這一驗證過程變得更容易，從而使臨床醫(yī)生能夠有效地驗證模型的預測。

另一個重要特征是建立量化其不確定性水平的模型。

挑戰(zhàn)

眾所周知，醫(yī)療人工智能模型可以使偏見永久化，當接觸從非多樣化人群獲得的有限數據集時，它們可以在訓練過程中獲得偏見。

由于訓練期間所需數據集的規(guī)模和復雜性前所未有，因此在設計通用醫(yī)療人工智能時，此類風險將會被放大。

研究人員建議，為了最大限度地降低這種風險，必須徹底驗證通才醫(yī)療人工智能模型，以確保它們不會在少數群體等特定人群中表現(xiàn)不佳

此外，它們在部署后需要接受持續(xù)的審核和監(jiān)管。

“這些都是嚴重的障礙，但并不是不可克服的障礙，”拉杰普爾卡說。 “盡早清楚地了解所有挑戰(zhàn)將有助于確保全科醫(yī)療人工智能兌現(xiàn)其巨大的承諾，讓醫(yī)學實踐變得更好?！?/p>