杨净 发自 凹非寺
量子位 | 公众号 QbitAI
国内首个医疗大模型,已经在“接诊”患者了。
在评审过程中,专家们也发现了一些意想不到的“惊喜”:
比如,出现漏诊误诊的概率比较小。
北大人民医院薛峰主任就发现,MedGPT通过多轮询问,根据患者脚底板疼痛症状,竟然在最后可以推断诊断出「有可能出现压迫颈神经」这样的结果。
这也就是说,从知识储备上,AI医生其实可能高于一个经验不太丰富的医生。
另外,MedGPT就诊时的“沉稳”表现也得到了点赞。
中日友好医院心内科主任医师任景怡就表示:我觉得最好的一点是当诊断尚不明确时,MedGPT并不会轻易给出结论,而是要坚持通过继续问诊或检查收集更多信息。
于是即便MedGPT还存在一定问题,她还是给了比真人医生还高的分数,并直言:这是里程碑的结果。
甚至在诊后,MedGPT还会在患者收到药品后进行用药指导与管理、智能随访复诊、康复指导等智能化疾病管理工作。
目前它基本覆盖ICD10的60%疾病病种,这意味着常见病症都能Hold住~
还能7*24小时不间断干活,一旦规模化落地辅助医生诊疗,能大大提升医疗效率,对于分级诊疗,医疗资源普惠,都能够发挥一定作用。
首个医疗大模型如何炼成?医疗向来是AI落地中专业性最强、壁垒性最高,对安全要求最高的领域之一。
以往用户们会习惯性使用信息搜索来帮助自己做一些初步的疾病判断,但信息鱼龙混杂,普通用户缺乏专业知识无法进行有效筛选,最终导致往往会收效甚微。
但又因为这个领域牵涉到每个人的生命健康,市场需求和社会价值一直很大。
因此自ChatGPT诞生以来,关于何时能在医疗领域“上岗”发挥作用,就备受产学研各界专家的关注。
诚如“弱智吧”成为检验各个通用大模型能力的Benchmark一样,各个大模型的医疗能力也在美国执业医师资格考试USMLE中摩拳擦掌。
早些时候, 哈佛大学教授曾亲自下场测试ChatGPT辅助诊断的表现。
结果显示,ChatGPT在45个案例中39个诊断正确,并为30个案例提供适当的分诊建议。这样的表现已经超过现有机器诊断水平,接近医生。
另一个代表,谷歌健康团队打造的Med-PaLM 2,它能回答各种医学问题,据称是首个在美国医疗执照考试中达到专家水平的大语言模型。
但能做题并不能意味着就能落地应用。
以GPT-4为首的通用大模型,他们高度依赖文本统计概率生成答案。相信大家也能感知到它很擅长一本正经地胡说八道,如果应用在日常交流,倒也乐在其中。
但要是应用到行业中去,往往非专业人士会难以察觉,这就会引发各种风险,尤其又像医疗这种民生行业,对内容生成的把控要求更高,容不得半点差池。
更不用说医疗本身覆盖知识面广而繁杂,而且从整个就医流程来看,诊前、诊中、诊后都涉及各种各样长尾任务,所需高质量数据可能并不比通用模型小,且大部分数据不是靠网上摘取。
以往AI 1.0,NLP、CV、多模态等单点技术蓬勃发展,医疗AI应用场景丰富多样,他们强规则、具有可控性。但场景、数据之间没有打通,导致泛化能力不强,无法处理系统性、复杂性的问题。
得益于Transformer,打破了模态、数据、任务场景之间的壁垒。医疗场景中,利用海量医学文本与数据中,进行高并发/长距离学习整合,一些复杂性、系统性问题可以得到解决。
如果继续畅想,结合医联的云药房、云检验等云化能力,不仅是AI医生本身疾病管理能力会得到提升,患者甚至可以摆脱地理限制,轻松完成所有疾病从预防、诊断、治疗、康复的全流程管理路径。
这其实也并不难想象,只需要知道有一个能看各个专科领域并且比肩三甲医院医生的AI医生能够24小时在你身边为你出诊,同时,检验检测服务在家附近1公里就能全部完成。
有去三甲医院排队挂号看病经历的同学应该都懂——专家挂不上号、检验检查等一个月,这都是时有发生的事情。降本增效、解决行业问题,走入医疗的下一个时代,就是靠MedGPT这类专业模型做的。
第二、大模型的行业红利并非在科技巨头手中,而在有场景有数据的玩家手里。
相信大家都或多或少有所看到,目前医疗领域的专用大模型和产品正在不断问世,最具代表性的产品来自谷歌和微软这两个大厂。
谷歌Med-PaLM 2目前正在尝试多模态能力,比如自己检查X光片后给出诊断。在今年晚些时候将对一小部分谷歌云用户开放。
还有被微软200亿美元收购的Nuance,借由微软OpenAI合作之便,正在将GPT-4集成到临床笔记软件DAX中,以减轻临床医生的负担。
前者的大模型还没有到真正落地,后者无非是集成通用大模型的API,其行业的准确性和一致性无法得到保障。
但MedGPT一亮相就惊艳全场,并拿下多个行业首次:
首次突破AI医生多轮对话的难题;
首次实现从有效问诊到医学检查的跨越;
首次实现AI给出准确诊断和治疗方案;
首次AI具备全流程诊断能力……
这与垂直领域深耕、有场景有数据有关。
医联在医疗行业有9年深耕,积累了丰富的知识、数据和应用,构筑起了深厚的技术和用户壁垒。
一旦实现大模型技术的应用, 在现有的用户场景基础之下,将会迅速规模化落地。这是其他想入局者无法拥有的先发优势。
上一次AI浪潮来袭时,最终也是场景玩家率先吃掉AI红利。
现在同样也依旧是场景玩家吃掉大模型红利,只不过技术路径已经明晰,落地速度自然要比以往快得多。
第三,医疗AI落地提速,也侧面印证了大模型的发展趋势——
雪球效应展现,从技术到应用部署的飞轮会越转越快。
ChatGPT最开始只会一本正经地胡说八道,短短几个月内基于用户反馈、插件开发生态,真正被各行业的人加入到工作流中,并上线了端侧应用。
还有Midjourney、Stable Diffusion被人诟病无法画手的问题,也能在短短几周内解决;以及国内大模型涌现、更新速度加快,文心一言一个月能迭代四次等等。
“大模型-应用-数据”的加速闭环一旦打通,那么产业落地的速度将会比上一波浪潮更快。
而医联大模型MedGPT一个月就进入到真实患者全流程测试阶段。在此之后,根据数据飞轮迭代大模型,落地速度只会越来越快。
或许很快,医疗AI2.0就会惠及到每个人身边。
— 完 —
量子位 QbitAI · 头条号签约
关注我们,第一时间获知前沿科技动态
相关文章
猜你喜欢