ChatGPT的推出标志着生成式AI进化的一个关键时刻，将其推向了技术创新的前沿。这一转变重塑了我们在日常生活中与AI互动的方式，从内容生成到各行各业的决策支持，应用广泛。
特别是在医疗保健领域，AI的变革潜力尤为突出，带来了诊断、个性化医疗和运营效率方面的突破性创新。随着医疗系统面临日益复杂的挑战，AI已成为管理大量数据、改善决策和提供个性化医疗服务的强大工具。
我们采访了Great River Health Systems的数据科学团队负责人Herat Joshi，他在推动东南爱荷华州的医疗技术创新方面发挥了重要作用。他的专长，尤其是在实施互操作性电子健康记录（EHR）系统方面，展示了AI在医疗领域的实际应用。
Joshi曾在全球有影响力的公司如Apollo Hospitals和Siemens Healthineers担任要职，推动了医疗技术的发展。在Apollo Hospitals International Ltd，他担任高级技术经理，主导推出了Apollo Prism个人健康记录（PHR）系统，该系统被数百万患者使用。Apollo Hospitals在全球排名前五，在印度排名第126位，拥有73家医院、200家诊所、2300个诊断中心和超过10000张床位。
在Siemens Healthineers，Joshi参与开发了Symbia Intevo，这是世界上第一台xSPECT系统，通过整合SPECT和CT技术，显著提高了检测复杂疾病（如癌症和骨病）所需的精确度和清晰度。
在这次与Herat Joshi的访谈中，我们将探讨AI在医疗领域的未来，其当前应用、挑战及将塑造行业未来的创新。
问：关于AI在医疗领域的讨论很多，但您认为在所有这些兴奋中有什么话题被忽视了吗？
我非常看好基础模型，我认为这些模型在医疗领域被忽视了。像ChatGPT这样的模型是在大量数据上训练的，但我们还没有看到基于高质量医疗数据的基础模型。想象一下在一个医疗系统中，将所有影像数据与EHR、实验室结果和基因组学结合，训练一个模型。这可能会导致在特定医疗任务上表现极其出色的AI模型，从而改善患者预后。这种方法尚未完全实现，但我相信它将对AI在医疗领域的应用产生变革性影响。
问：未来AI将如何融入医疗系统，临床实践中会如何体现？
虽然AI在放射学方面取得了显著进展，但目前许多模型仍集中在狭窄的临床问题上，如检测结节或脑出血。这些任务至关重要，但过多的假阳性结果会使放射科医生不堪重负，导致更多时间用于审查病例。展望未来，重点可能会扩展到将AI集成到更广泛的临床工作流程中，例如自动化临床笔记记录、患者注册和总结大量医疗数据。这将有助于简化行政工作，提高护理质量，并使医疗专业人员能够更多地关注患者护理。更广泛地集成到工作流程中将是临床实践的变革者。
问：您认为AI已经帮助解决了哪些挑战，技术还存在哪些不足？
AI已经在诊断、工作流程优化和预测分析等领域取得了显著进展。它帮助解决了一些关键挑战，如分析大型数据集以识别人类难以发现的模式，以及简化诸如调度或账单等行政流程。然而，最大的挑战之一仍然是获得正确的数据集——那些高质量、精心策划且足够多样化以适当训练和评估算法的数据集。由于机器学习模型严重依赖于训练数据，数据的质量直接影响其性能。没有标准化的全面数据集，AI技术可能在偏见或不准确性等问题上挣扎，限制其有效性。因此，尽管AI已经帮助解决了许多挑战，但对更好数据的需求仍然是更广泛采用和改善成果的关键障碍。
问：您最期待哪些AI技术的创新？
AI与物联网（IoT）的集成是医疗领域的游戏规则改变者。配备AI传感器的可穿戴设备可以连续监测患者的生理指标，并实时向医疗提供者发送数据。这种持续监测可以早期发现异常，减少住院需求，改善整体患者预后。例如，AI驱动的可穿戴设备正在用于监测心血管健康，及时提醒患者和医生潜在的风险，防止其演变为严重状况。
另一个令人兴奋的创新是生成式AI模型在医学成像中的应用。生成式AI可以增强图像，提供更高的清晰度，从而实现更准确的诊断。这项技术在放射学领域尤其有益，因为详细的影像对于检测癌症等疾病至关重要。
问：医疗组织应采取哪些措施以在AI革命中保持领先？
为了保持领先，医疗组织应关注互操作性，确保AI系统与现有技术无缝集成。数据安全和强大的治理也是保护患者隐私和满足监管标准的关键。此外，与科技公司和学术机构建立合作伙伴关系可以通过合作加速AI创新。最后，投资持续教育和培训对于准备医疗专业人员与AI协同工作至关重要，确保他们具备最大化AI在医疗领域潜力的技能。
问：您认为未来5-10年内哪些AI进展将对患者预后产生最大影响，是否有任何新兴技术可能进一步改变医疗保健？
在不久的将来，AI将显著提升个性化医疗和诊断水平，实现更早的疾病检测。量子计算技术可以通过加速药物发现的数据处理进一步改变医疗保健，而联邦学习将通过允许模型从多个医疗系统的分散数据中学习来扩大AI的应用范围，同时保持患者隐私。
(全文结束)