自2009年我國大力推行醫(yī)院信息化開始，電子病歷逐漸成為了信息化的主要抓手。電子病歷的應(yīng)用對于規(guī)范醫(yī)療行為、記錄診療數(shù)據(jù)等方面發(fā)揮了重要的作用。與此同時也增加了醫(yī)生的工作負(fù)擔(dān)，醫(yī)生每天面對屏幕的時間越來越長。
《美國急診醫(yī)學(xué)雜志》（American Journal of Emergency Medicine）發(fā)布的一篇調(diào)研報告表明，醫(yī)生信息錄入任務(wù)占用了其工作時間的43%，而與病人交流的時間只剩28%。這種現(xiàn)象，一方面導(dǎo)致了醫(yī)生工作的焦慮，同時還讓患者感到被冷落。
大模型能為此做什么呢？
大模型能否代替醫(yī)生書寫病歷？
四川大學(xué)華西醫(yī)院信息中心劉加林教授團(tuán)隊于2023年6月在Journal of Medical Internet Research（JCI）發(fā)表文章“Utility of ChatGPT in Clinical Practice”
文章根據(jù)實(shí)驗結(jié)果得出了以下數(shù)據(jù)：在臨床決策支持方面，ChatGPT的應(yīng)用已經(jīng)取得了一些成果。研究表明，在診斷方面，ChatGPT在常見病的正確診斷率高達(dá)93.3%。在臨床決策方面，36個已發(fā)表的臨床案例輸入ChatGPT，并根據(jù)患者年齡、性別和案例的敏感性比較了鑒別診斷、診斷測試、最終診斷和處理的準(zhǔn)確性。在所有36個臨床病例中，ChatGPT的總體準(zhǔn)確率達(dá)到了71.7%（95% CI，69.3%~74.1%）。看到這些數(shù)據(jù)，醫(yī)生恐怕已經(jīng)開始懷疑自己離失業(yè)不遠(yuǎn)了。所謂“外行看熱鬧內(nèi)行看門道”，當(dāng)科研成果回歸現(xiàn)實(shí)場景，是不是依舊“抗打”呢？醫(yī)院臨床與信息科是大模型在醫(yī)院落地的“買單方”，為了得到真實(shí)反饋，我們對臨床與信息專家分別做了調(diào)研。華山醫(yī)院的資深住院醫(yī)師張醫(yī)生參與了本次調(diào)研，張醫(yī)生告訴我們，她平時會用GPT幫忙翻譯醫(yī)學(xué)文獻(xiàn)、查詢一些科研學(xué)術(shù)問題。張醫(yī)生給出的回復(fù)比較中肯，她認(rèn)為用GPT做病歷輔助書寫有一定的可能性，但對于輔助診斷、開醫(yī)囑等場景還是抱有一些懷疑。大模型在臨床應(yīng)用可能存在的風(fēng)險和挑戰(zhàn)提示，其中的核心問題便是算法的透明性和可解釋性以及數(shù)據(jù)偏見問題。
沒有完美的技術(shù)
只有適合技術(shù)的應(yīng)用場景
OpenAI 的網(wǎng)站上寫道：“GPT-4仍然存在許多我們正在努力解決的已知局限性，例如社會偏見、幻覺和對抗性提示?！?/span>
本屆大模型的優(yōu)越性使其相較以往表現(xiàn)的更像“人”，這和多項技術(shù)的突破有關(guān)，關(guān)鍵之一便是大型深度神經(jīng)網(wǎng)絡(luò)架構(gòu)（Transformer）的應(yīng)用。這項技術(shù)的優(yōu)勢很明顯，比如強(qiáng)大的學(xué)習(xí)能力能捕捉復(fù)雜的事物特征及特點(diǎn)。這里舉個“栗子”便于理解，識別貓狗圖像，傳統(tǒng)機(jī)器學(xué)習(xí)方法為了讓計算機(jī)識別圖像中的貓和狗，通常需要手動提取圖像的各種特征，如邊緣、紋理、顏色等。這些特征最后會被傳遞給分類器來做出決策。整個過程需要人工設(shè)計和選擇特征，工程量巨大。而Transformer則可以自動學(xué)習(xí)這些特征。模型內(nèi)每個神經(jīng)元層自動提取和組合，最終構(gòu)建出對貓狗的高級抽象表示。這意味著神經(jīng)網(wǎng)絡(luò)可以從數(shù)據(jù)中自動捕捉和學(xué)習(xí)圖像的各種特征，不需要手動特征工程。協(xié)和醫(yī)院的朱醫(yī)生也參與了本次調(diào)研，作為一名醫(yī)生，她對于大模型卻頗有研究，朱醫(yī)生告訴我們：“現(xiàn)代醫(yī)學(xué)之所以被稱為'循證醫(yī)學(xué)'，其核心思想便是根據(jù)可靠的臨床研究及數(shù)據(jù)來制定治療方案，以支持和確保醫(yī)療決策是基于科學(xué)證據(jù)而不是一堆非線性數(shù)據(jù)的推理?！?/span>隨著調(diào)研的深入，大模型在醫(yī)療場景的應(yīng)用愈發(fā)“撲朔迷離”，“大模型+醫(yī)療”該何去何從？上海理工大學(xué)醫(yī)學(xué)信息工程專業(yè)孔祥勇老師對此有不同的看法。他認(rèn)為，“第一、盡管大模型內(nèi)部被稱為'黑盒'，不能單獨(dú)用于診斷，但可以給到參考建議；第二、我們討論新技術(shù)應(yīng)用的時候，不能只考慮優(yōu)勢，同時也要斟酌技術(shù)本身的特性及局限，這樣才能更客觀的評價它到底能夠解決什么類型的問題。”
大語言模型推動人工智能代理發(fā)展
根據(jù)2022年9月份 Gartner 發(fā)布的新興技術(shù)成熟度曲線解釋，從技術(shù)周期上看，LLMs遠(yuǎn)沒有到比較成熟的生態(tài)繁榮期，現(xiàn)在底層模型技術(shù)還在瘋狂演進(jìn)，投資與研發(fā)都集中在模型層和中間層，應(yīng)用層普遍被認(rèn)為還比較早，大模型的應(yīng)用遠(yuǎn)遠(yuǎn)沒有迎來爆發(fā)期。
當(dāng)行業(yè)已然陷入「千模大戰(zhàn)」時，前特斯拉總監(jiān)、 OpenAI科學(xué)家Karpathy公開表示：“如今AI智能體才是未來最前沿的方向”“相比大模型訓(xùn)練，OpenAI內(nèi)部目前更關(guān)注Agent領(lǐng)域”。大語言模型的浪潮推動了人工智能代理相關(guān)研究快速發(fā)展，成為當(dāng)前通往AGI的主要探索路線。隨著人工智能的發(fā)展，AI Agent（人工智能代理）成為了AI研究中的重要概念，Agent具有智能體的特質(zhì)，程序員們戲稱它為「AI工具人」。
它的能力可以定義為，以大模型為基座，同時具備「記憶+主動規(guī)劃+工具調(diào)用 」能力的智能體，它由三個部分組成，分別是大腦、感知、行動。控制端（大腦）：是Agent的核心，承擔(dān)了信息處理、決策、推理和規(guī)劃等重要任務(wù)，Agent的核心規(guī)劃能力便出自于此模塊。感知端：用于理解和分析用戶的需求，包括聲音、視覺、觸覺、嗅覺等多種感知模式。行動端：主要承擔(dān)解決方案的執(zhí)行與輸出，輸出形式包括文本、實(shí)體行動、使用工具等。
小結(jié)
在AI與醫(yī)療產(chǎn)業(yè)加速融合的大趨勢下，AI推動數(shù)字健康持續(xù)發(fā)展，促進(jìn)智慧醫(yī)療加速落地，已成為包括醫(yī)療領(lǐng)域?qū)＜覍W(xué)者、衛(wèi)健委等業(yè)界人士的共識。但如何與醫(yī)療場景結(jié)合、實(shí)現(xiàn)應(yīng)用落地，成為政府、醫(yī)院、藥企以及醫(yī)療科技企業(yè)等產(chǎn)業(yè)各方共同關(guān)注的話題，考量著產(chǎn)業(yè)各方的實(shí)踐智慧和協(xié)作能力。
