新加坡研究人员表明，先进的人工智能（AI）技术可以显著改善资源有限国家的临床诊断，而无需依赖庞大的本地数据集。新加坡杜克-国大医学院（Duke-NUS Medical School）的一个团队已成功应用迁移学习——一种将为一项任务开发的模型重新用作另一项任务起点的方法——来预测心脏骤停后的患者预后。
这项发表在《npj Digital Medicine》期刊上的研究，针对的是中低收入国家在采用AI时面临的常见挑战，即缺乏从头开始训练算法模型所需的大量高质量数据。
为了测试迁移学习的有效性，研究人员使用了一个最初在日本建立的脑部恢复预测模型，该模型使用了46,918名院外心脏骤停患者的数据。他们将此模型调整后用于越南，在243名患者的小群体上进行了测试。
结果显示诊断准确率有了巨大提升。当直接将原始日本模型应用于越南情境时，它区分高风险和低风险患者的准确率仅为46%。然而，经过调整的迁移学习模型达到了约80%的准确率。
"研究表明，AI模型不需要为每个新环境从头开始重建，"新加坡杜克-国大生物医学数据科学中心（Duke-NUS's Centre for Biomedical Data Science）副教授刘楠（Liu Nan）表示，"通过安全有效地调整现有工具，迁移学习可以降低成本、缩短开发时间，并帮助将AI的益处扩展到资源较少的医疗系统。"
尽管AI在医疗保健领域的潜力日益增长，但该技术的采用在全球范围内仍然不均衡。在《自然健康》（Nature Health）上发表的另一项研究中，新加坡杜克-国大研究人员与伦敦大学学院（University College London, UCL）等合作者指出，尽管63%的受访医疗服务提供者使用AI工具，但采用情况在高收入和中高收入国家更为普遍。
该研究强调了大型语言模型（LLMs）在改善低收入和中等收入国家医疗保健获取、诊断和临床决策方面的潜力，这些国家仍面临基础设施和专业知识有限等采用障碍。
例如，在塞拉利昂，社区医疗工作者使用智能手机应用程序从血涂片样本中检测疟疾感染，这是一种比传统显微镜系统更具成本效益的方法。在南非，聊天机器人则为孕妇提供产前建议。
"大型语言模型在专科医生最稀缺的地方有最大的机会改变医疗保健，但全球医疗健康界需要以一定的紧迫性共同努力，确保在采用最具挑战性的地区实施LLMs得到支持，"伦敦大学学院眼科研究所（UCL Institute of Ophthalmology）和莫菲尔德眼科医院国民保健服务基金会（Moorfields Eye Hospital NHS Foundation Trust）的Siegfried Wagner表示。
新加坡杜克-国大生物医学数据科学中心（Centre for Biomedical Data Science at Duke-NUS）高级研究员宁一霖（Ning Yilin）补充说，在将LLMs整合到医疗保健中时，赋权于人应该是优先事项。
"加强数字素养并建立使用这些工具的信心将确保AI支持而非扰乱劳动力。量身定制的技能发展路径可以帮助资源不足的工作者适应并茁壮成长，让AI提升临床和行政角色的价值，"她说。
呼吁建立国际治理机制
虽然AI工具有潜力改善医疗保健服务，但治理框架对于该技术的安全和道德实施至关重要。如今，医疗技术的法规通常不涉及AI特定风险，例如隐私问题、模型幻觉、安全性以及对新工具进行监督的必要性。
为解决这些问题，由新加坡杜克-国大领导的研究人员提议成立一个名为"医学中智能系统-生成模型的监督、领导和问责伙伴关系"（Partnership for Oversight, Leadership, and Accountability in Regulating Intelligent Systems-Generative Models in Medicine，简称Polaris-GM）的国际联盟。
该联盟旨在为监管新工具、监测其影响、建立安全防护措施以及为资源有限的环境调整这些工具提供指导。Polaris-GM将汇集全球医疗保健领导者、监管机构、伦理学家和患者群体，在努力就医疗保健中AI治理达成全球共识之前，将审查现有研究。
新加坡杜克-国大AI和医学科学计划（AI and medical sciences initiative）成员、新加坡综合医院（Singapore General Hospital）首席临床药师翁静（Jasmine Ong）表示："通过明确的监督和明确定义的指导方针，医疗系统可以自信地利用AI的众多优势来改善健康结果，同时避免潜在的陷阱。从政策制定者到患者群体，所有利益相关者在实现这一目标方面都发挥着至关重要的作用。"
【全文结束】
