新研究揭示了先进的AI工具如何改善医疗诊断的效率和准确性。人工智能（AI）正在迅速改变医疗领域，帮助医生做出诊断和治疗决策。从分析医学影像到指导医疗工作流程的效率，AI展示了其在全球范围内改善患者结果的潜力。最近的研究突显了涉及多模态AI工具和大型语言模型（LLMs）的两项重要进展。这些创新旨在改进诊断，简化医疗操作，并提供成本高效的解决方案，使医院更容易获得这些技术。
其中一个显著的突破来自华盛顿大学和微软的研究人员，他们开发了BiomedParse，这是一种能够同时分析九种类型医学图像的AI模型。这一突破旨在通过允许医疗专业人员上传各种医学图像并使用日常语言查询AI模型来协助他们。华盛顿大学保罗·G·艾伦计算机科学与工程学院的助理教授王盛领导了这项努力。王的团队指出，在诊断系统性疾病（如糖尿病和狼疮）时，传统上面临的主要挑战之一是需要综合多种成像模式的信息。通过解决这一问题，BiomedParse可以进行更全面的评估，提高早期发现疾病的能力。
“如果你只有眼睛的图像，可能会错过系统性疾病的重要迹象，”王说。这个创新工具建立在之前的GigaPath研究基础上，该研究集中在病理学图像上，但没有考虑多种图像类型。通过BiomedParse，医疗保健提供者现在可以同时评估多种图像类型，从而实现更快、更准确的诊断。
BiomedParse的一个显著特点是它能够有效地压缩巨大的医学图像，通常达到100,000像素，为详细分析铺平道路，而无需专家逐像素筛选。这种能力类似于我们如何分解长文档或图像以方便理解，使AI的见解对更广泛的医疗团队可访问。
该团队的研究成果于2024年11月18日发表在科学期刊《Nature Methods》上，他们计划与UW Medicine合作，将BiomedParse实时应用于医疗系统。其目标不是取代医生的专业知识，而是作为增强工具，提高他们诊断疾病的效率和准确性。
王强调了这一工具创造重大效率的潜力。例如，即使是最有经验的医生也可能错过医学图像中的细微变化，但BiomedParse可以迅速提供超过90%的准确率，使从业者能够专注于最相关的区域进行患者评估。有了这一进步，医疗保健提供者可以简化工作流程，这一点在医生处理大量病例时尤为重要。
与此同时，西奈山医院的另一研究团队在大型语言模型方面也取得了进展，探讨了这些强大的AI工具如何在医疗系统中应用。他们的研究揭示了有效实施LLMs以协助从临床试验匹配到流行病学数据收集等任务的策略。“我们的目标是使医院更高效运作，并帮助他们大幅降低成本，”该研究的高级作者之一吉里什·纳德卡尼博士说。他们发现了将多达50项临床任务组合在一起的创新方法，这不仅节省了资源，还确保了LLMs在高负荷工作压力下的稳定性。对于大型医疗系统来说，潜在的成本节约是巨大的——最多可达17倍——这突显了在整个医疗行业采用AI技术的经济可行性。
研究涉及真实患者数据，评估了各种LLMs对不同临床查询的响应，总计进行了超过300,000次实验。一个重要的发现是，这些模型在高认知负荷下仍能保持高水平的性能，这是传统系统常常失效的地方。
纳德卡尼补充道：“认识到这些模型何时开始显示出挣扎的迹象至关重要。然后我们可以微调方法，以最大化其效用。” 这种效用与管理之间的平衡可能定义了LLMs在医疗领域的未来应用。
这些AI技术的核心问题是：医疗保健提供者如何在不损害患者护理的情况下整合先进工具？首席研究员埃亚尔·克兰博士表达了这一观点，他指出需要开发系统，使AI能够最好地辅助而不是替代人类专业知识。
AI在辅助诊断和治疗方面的能力反映了其在改善医疗交付方面的双重潜力。不仅AI系统有望减轻一些临床医生的负担，它们还提供了历史洞察、比较数据和基于大量数据集的预测——关于不同患者群体中疾病如何表现的见解。
王的BiomedParse工具通过打开多个系统性疾病方面的窗口，体现了“看到大局”的理念，而西奈山的研究则强调了在不放弃以患者为中心的模式下提高运营效率的重要性。
尽管取得了这些进展，但有必要认识到围绕AI使用的伦理问题，特别是在责任和过度依赖这些强大工具的风险方面。两个团队都承认了潜在的陷阱：幻觉和意外后果使得这些技术的负责任部署至关重要。王的团队已经在探索这些伦理维度，以确保AI解决方案的负责任使用。
医疗保健正处于由AI驱动的转型边缘，随着像BiomedParse这样的新工具和源自LLM研究的方法进入实践，患者将受益于更快的诊断和简化的治疗，可能以更低的成本。AI在医疗环境中的应用前景乐观，尽管这一过程充满了责任，因为行业在创新与伦理完整性之间寻找平衡。通过促进AI能力和人类智慧之间的伙伴关系，未来的道路可能会重新定义我们所知的医疗保健。
(全文结束)
