在醫療保健中使用生成式人工智慧的 5 種方法

已發表: 2023-09-26

普華永道預測，到 2024 年，醫療保健成本將上漲 7%。這一增長主要歸因於醫療保健工作者的倦怠、隨後的勞動力短缺、付款人和提供者之間的糾紛以及通貨膨脹。為了確保高效的患者護理而又不會產生過多的營運成本，該行業正在探索創新技術，例如醫療保健領域的生成式人工智慧。

埃森哲報告稱，人工智慧可以提高 40% 的醫療保健提供者的工作時間，而《福布斯》最近的一篇文章表明，這項技術可以為美國醫療行業每年節省至少 2000 億美元的費用。

醫療保健中的生成式人工智慧使用機器學習演算法來分析非結構化數據，例如患者健康記錄、醫學影像、諮詢錄音等，並產生與其訓練內容類似的新內容。

在本文中，我們的生成式人工智慧開發公司將解釋該技術如何支援醫療保健組織。

醫療保健中的生成式人工智慧用例

促進醫療訓練和模擬
協助臨床診斷
為藥物開發做出貢獻
自動化管理任務
產生綜合醫療數據

促進醫療訓練和模擬

醫療保健領域的生成式人工智慧可以提出真實的模擬，複製各種健康狀況，使醫學生和專業人員能夠在無風險、受控的環境中進行實踐。人工智慧可以產生患有不同疾病的患者模型，或幫助模擬手術或其他醫療程序。

傳統訓練涉及預先編程的場景，這些場景是有限制的。另一方面，人工智慧可以快速產生患者病例，並即時回應學員所做的決策。這創造了更具挑戰性和真實的學習體驗。

現實生活中的例子

密西根大學在醫療保健模型中建立了一個生成式人工智慧，可以產生模擬敗血症治療的各種場景。

賓州大學部署了生成式 AI 模型來模擬 COVID-19 的傳播並測試不同的干預措施。這有助於研究人員評估社交距離和疫苗接種對病毒的潛在影響。

協助臨床診斷

以下是醫療保健領域的生成式人工智慧如何為診斷做出貢獻：

產生高品質的醫學影像。醫院可以利用生成式人工智慧工具來增強傳統人工智慧的診斷能力。該技術可以將品質較差的掃描轉換為細節豐富的高解析度醫學影像，應用異常檢測人工智慧演算法，並將結果呈現給放射科醫生。
診斷疾病。研究人員可以根據醫學影像、實驗室測試和其他患者資料訓練產生人工智慧模型，以檢測和診斷不同健康狀況的早期發作。這些演算法可以發現皮膚癌、肺癌、隱性骨折、阿茲海默症的早期症狀、糖尿病視網膜病變等。此外，人工智慧模型可以揭示可能導致特定疾病並預測疾病進展的生物標記。
回答醫療問題。如果診斷醫生有疑問，他們可以求助於醫療保健領域的生成人工智慧，而不是在醫學書籍中尋找答案。人工智慧演算法可以處理大量數據並快速產生答案，為醫生節省寶貴的時間。

現實生活中的例子

一組研究人員嘗試使用生成對抗網路 (GAN) 模型來提取和增強低品質醫學掃描中的特徵，將其轉換為高解析度影像。該方法在腦部 MRI 掃描、皮膚鏡檢查、視網膜眼底鏡檢查和心臟超音波影像上進行了測試，在影像增強後的異常檢測中顯示出較高的準確率。

另一個例子是，Google人工智慧驅動的 Med-Palm 2 在 MedQA 資料集上進行了訓練，在回答相關醫療問題時達到了 85% 的準確率。谷歌承認演算法仍需要改進，但這對於生成式人工智慧作為診斷助理來說是一個很好的開始。

為藥物開發做出貢獻

根據國會預算辦公室的數據，新藥開發過程平均花費 10 億至 20 億美元，其中還包括失敗的藥物。幸運的是，有證據表明人工智慧有潛力將新藥設計和篩選所需的時間縮短近一半，從而為製藥業節省約 260 億美元的年度費用。此外，這項技術每年可減少 280 億美元的臨床試驗相關成本。

製藥公司可以透過以下方式在醫療保健領域部署生成式人工智慧來加速藥物發現：

設計和產生具有所需特性的新分子，研究人員隨後可以在實驗室環境中進行評估
預測新候選藥物和蛋白質的特性
產生與目標具有高結合親和力的虛擬化合物，可以在電腦模擬中進行測試以降低成本
透過分析新藥的分子結構預測其副作用

您可以在我們的部落格上找到有關人工智慧在藥物發現中的作用及其如何促進臨床試驗的更多資訊。

現實生活中的例子

生物技術公司和人工智慧新創公司之間戰略合作夥伴關係的興起是生成式人工智慧接管製藥行業的早期跡象。

就在最近，Recursion Pharmaceuticals 以 8,800 萬美元收購了兩家加拿大人工智慧新創公司。其中之一，Valence，以其生成式人工智慧能力而聞名，並將致力於基於小而嘈雜的數據集來設計候選藥物，而這些數據集不足以滿足傳統藥物發現方法的需要。

另一個有趣的例子來自多倫多大學。一個研究團隊建立了一個生成式人工智慧系統 ProteinSGM，該系統可以在研究現有蛋白質結構的圖像表示後產生新穎的真實蛋白質。該工具可以高速生產蛋白質，然後部署另一個人工智慧模型 OmegaFold 來評估所得蛋白質的潛力。研究人員報告說，大多數新生成的序列折疊成真正的蛋白質結構。

自動化管理任務

這是醫療保健領域最突出的生成式人工智慧用例之一。研究表明，美國醫生的職業倦怠率高達62%。患有這種疾病的醫生更有可能涉及危及患者的事件，並且更容易酗酒和產生自殺念頭。

幸運的是，醫療保健領域的生成式人工智慧可以透過簡化管理任務來部分減輕醫生肩上的負擔。它可以同時降低與管理相關的成本，據 HealthAffairs 稱，管理成本佔總醫療保健支出的 15%-30%。以下是生成式人工智慧的功能：

從患者的醫療記錄中提取數據並填充相應的健康登記處。微軟正計劃將生成式人工智慧整合到 Epic 的 EHR 中。該工具將執行各種管理任務，例如回覆患者訊息。
轉錄並總結患者諮詢，將這些資訊填寫到相應的 EHR 欄位中，並產生臨床文件。微軟的 Nuance 將產生人工智慧技術 GPT-4 整合到其臨床轉錄軟體中。醫生已經可以測試測試版。
透過分析患者資訊（例如病史、實驗室結果、掃描等）產生結構化健康報告。
產生治療建議
解答醫生的疑問
根據患者的需求和醫生的空閒時間找到最佳的預約時段
產生個人化預約提醒和後續電子郵件
審查醫療保險索賠並預測哪些可能被拒絕
撰寫調查，收集患者對不同程序和就診的回饋，對其進行分析，並產生可操作的見解，以改善護理服務

現實生活中的例子

醫療人工智慧新創公司 Navina 開發了一款生成式人工智慧助手，可以幫助醫生更有效地處理行政職責。該工具可以存取患者數據，包括電子病歷、保險索賠和掃描文檔，提供狀態更新、推薦護理選項並回答醫生的問題。它甚至可以產生結構化文檔，例如推薦信和進度說明。

Navina 已經獲得了 4400 萬美元的資金，這表明醫學界的濃厚興趣。

產生綜合醫療數據

醫學研究依賴於獲取有關不同健康狀況的大量數據。這些數據非常缺乏，尤其是在罕見疾病方面。此外，收集此類資料的成本很高，其使用和共享受隱私權法管轄。

醫學中的生成式人工智慧可以產生合成資料樣本，這些樣本可以增強現實生活中的健康資料集，並且不受隱私法規的約束，因為醫療資料不屬於特定個人。人工智慧可以產生 EHR 數據、掃描等。

現實生活中的例子

德國研究人員團隊建立了一個人工智慧驅動的模型 GANerAid，以產生用於臨床試驗的合成患者數據。該模型基於 GAN 方法，即使原始訓練資料集大小有限，也可以產生具有所需屬性的醫療資料。

另一個科學家團隊嘗試使用生成式人工智慧來合成電子健康記錄。研究人員的動機是限制性資料隱私法規以及醫院之間無法有效共享病患資料。他們建立了 EHR-M-GAN 模型，該模型可以衍生異質、混合類型的 EHR 資料（意味著它包含連續值和離散值），真實地代表患者軌跡。

醫療保健中生成式人工智慧的倫理考量與挑戰

儘管科技和諮詢巨頭繼續投資人工智慧，但我們也可以看到包括特斯拉執行長馬斯克和OpenAI 執行長薩姆奧爾特曼在內的著名人工智慧專家如何警告與該技術相關的風險。那麼，生成式人工智慧為醫療保健帶來了哪些挑戰？

偏見。人工智慧模型的性能與它們所訓練的資料集一樣好。如果數據不能公平地代表目標族群，就會為代表性較少的群體留下偏見的空間。當生成式人工智慧工具接受大量患者記錄資料的訓練時，它們將繼承其中存在的任何偏見，檢測它將是一個挑戰，更不用說消除它了。
缺乏法規。儘管人工智慧帶來了相當大的道德問題，但目前還沒有官方法規來管理這項技術的使用。美國和歐盟正在努力將相關政策正式化，但這不會在不久的將來發生。
準確性問題。人工智慧確實會犯錯，而在醫療保健領域，這種錯誤的代價相當高。例如，大型語言模型（LLM）可能會產生幻覺。這意味著它們可能會產生語法上可能的結果，但實際上是不正確的。醫療保健組織需要決定何時容忍錯誤以及何時要求人工智慧模型解釋其結論。例如，如果生成式人工智慧被用來協助癌症診斷，如果它不能證明其建議的合理性，醫生就不太可能採用這種工具。
問責制。誰對最終的健康結果負責？是醫生、人工智慧供應商、人工智慧開發者，還是另一方？缺乏責任感可能會對動機和績效產生負面影響。

準備好利用生成式人工智慧來增強您的醫療保健實踐了嗎？

生成式人工智慧演算法正變得越來越強大。史丹佛大學醫學院臨床教授羅伯特‧珀爾說：

「ChatGPT 的威力每六個月到一年就會翻倍。 五年後，它的威力將是現在的30倍。 10年後，它的威力將增強1000倍。 今天存在的東西就像一個玩具。 在下一代工具中，預計將有一萬億個參數，有趣的是，這大約是人腦中連接的數量。”

人工智慧可以成為強大的盟友，但如果使用不當，可能會造成重大損害。醫療保健組織需要謹慎對待這項技術。如果您正在考慮部署基於人工智慧的醫療保健解決方案，可以參考以下三個入門建議：

準備您的資料。即使您決定選擇預先訓練的現成人工智慧模型，您可能仍然希望在您的專有資料集上對其進行重新訓練，該資料集需要具有高品質並能夠代表目標人群。始終確保醫療資料安全並保護病患隱私。揭露演算法在哪個資料集上進行訓練將很有用，因為它有助於了解演算法在哪些方面表現良好以及在哪些方面可能會失敗。
掌控您的 AI 模型。在您的組織中培養負責任的人工智慧概念。確保人們知道何時以及如何使用這些工具以及誰對最終結果負責。在擴展到更敏感的應用程式之前，在影響有限的用例上測試生成人工智慧模型。如前所述，生成式人工智慧可能會犯錯。確定哪些情況下較小的故障率是可以接受的，哪些情況是您無法承受的。例如，在管理應用中，98% 的準確率就足夠了，但在診斷和患者導向的實踐中，這是不可接受的。設計一個框架來管理醫院醫療保健中生成式人工智慧的使用。
幫助您的員工接受並使用該技術。人工智慧仍然需要人類指導，尤其是在受到嚴格監管的醫療保健領域。人機互動仍然是此技術成功的重要因素。醫療和行政人員將負責監督人工智慧模型，因此醫院需要專注於培訓執行這項任務的人員。另一方面，既然人工智慧已經成為其中的一部分，員工應該能夠重塑他們的日常生活，利用騰出的時間來創造價值。

想要從生成式人工智慧中受益，但不確定如何進行？請給我們留言！我們將幫助您準備數據、實施該工具並將其整合到您的營運中。

最初於 2023 年 9 月 6 日發佈於https://itrexgroup.com 。