2023-11-19-中国信通院-人工智能大模型赋能医疗健康产业白皮书_88页_23mb

人工智能大模型赋能医疗健康产业白皮书总结

核心内容

本白皮书由人工智能医疗器械创新合作平台与中国信息通信研究院云计算与大数据研究所联合编制，旨在探讨人工智能大模型在医疗健康领域的应用现状、技术体系、发展挑战及未来建议。白皮书重点分析了大模型在生命科学、医药研发、医疗器械、医疗服务和健康管理等领域的潜力与实践，并提出了促进大模型在医疗健康领域负责任创新发展的建议。

主要观点

1. 医疗健康大模型的概念与优势

• 医疗健康大模型是“大数据+大算力+强算法”结合的深度神经网络模型，具有大数据、大算力、大参数等特征，具备涌现能力和良好的泛化性、通用性。
• 相比传统医疗AI模型，医疗健康大模型具有以下优势：
  • 可应用于多个下游任务，无需特定任务的训练和标注数据；
  • 突破数据标注的困境，支持自监督学习和强化学习；
  • 更加用户友好，支持自然语言输入输出；
  • 支持多模态交互，可融合文本、图像、语音、视频等数据；
  • 具备更深入理解医学知识的潜力，结合知识图谱和检索方法，可推理未见过的任务。

2. 医疗健康大模型的生态架构

• 医疗健康大模型的生态架构分为上游基础层、中游模型层、下游应用层三部分。
• 基础层提供算力和数据支撑，包括通用计算芯片、AI加速芯片、云服务等。
• 模型层形成研发、管理和运维体系，涵盖语言模型、视觉模型、图模型、多模态模型等。
• 应用层实现药、械、医、健多场景触达用户，如智能问诊、辅助诊疗、医学信息提取与生成、个人健康管理等。

3. 医疗健康大模型的技术体系及演进趋势

• 大模型通过预训练+微调模式，结合多模态架构和自监督学习技术，实现对生物医学数据的深入理解和高效处理。
• Transformer架构成为主流，具有并行性、灵活性和可拓展性，如BERT、GPT、ViT等。
• 多类型基础模型为医疗健康大模型提供源动力，包括：
  • 大型语言模型：如BioBERT、MedGPT、ChatDoctor；
  • 视觉大模型：如ViT、LLaVA-Med；
  • 图学习大模型：如GraphTransformer、MHTAN-DTI；
  • 语言条件多智能体大模型：如Socratic model、SayCan system；
  • 多模态大模型：如Med-PaLM、ClinicalGPT、商量大医。

4. 医疗健康大模型的四种技术范式

• 从头开始预训练：直接在生物医学数据库上进行预训练，如GatorTron；
• 继续训练通用大模型：基于通用大模型（如BERT、GPT）进行微调，如BioBERT、ChatDoctor；
• 指令/任务微调：通过指令对模型进行优化，如Med-PaLM2；
• 提示工程：通过设计输入提示来控制模型输出，如Med-PaLM2的集成精炼策略。

5. 模型发展趋势

• 家族化、多模态、融合化、协同化是当前大模型发展的主要趋势。
• 多模态大模型能够融合文本、图像、音频、视频等多种医学数据，提升诊断准确性。
• 知识融合推动大模型在跨领域、跨任务、跨模态上的能力提升。
• 大小模型协同进化，实现性能与成本的平衡。

关键信息

应用场景

• 生命科学研究：大模型可辅助蛋白质结构预测、DNA/RNA分析、基因组学计算等，如AlphaFold2、ProGen、Geneformer、scGPT等。
• 药械研发：大模型在药物发现、靶点预测、临床试验设计、患者招募、质量控制等方面发挥重要作用，如GROVER、MolGPT、CTmatch、TrialGPT等。
• 医疗服务：大模型支持智能问诊、医学影像分析、病历生成、医学报告撰写、辅助决策等，如ClinicalGPT、商量大医、灵医大模型等。
• 健康管理：支持个性化健康咨询、疾病风险预测、健康教育、远程监测等，如灵医大模型、EyeGPT等。

发展挑战

• 技术风险：大模型在医疗场景中精度不足、安全性和可靠性尚未完全满足；
• 落地挑战：面临数据隐私、成本、权责分配等问题；
• 数据安全和隐私：存在个人数据滥用、隐私泄露和网络攻击风险；
• 伦理问题：可能加剧医疗偏见、传播有害或虚假信息。

评价与监管

• 标准和指南：基础信息安全标准初步建立，但领域平台规范指南仍需完善；
• 评价和验证：需要建立针对新能力、新特性和真实表现的动态评估方法；
• 政策与监管：在促发展与防风险之间寻求平衡，为大模型的监管治理奠定良好基础。

发展建议

• 建议加强跨领域知识融合，提升模型对生物医学数据的理解能力；
• 推动多模态模型统一架构，实现更高效的数据处理与分析；
• 建立统一的评估与验证体系，确保模型在医疗场景中的可靠性与安全性；
• 完善数据安全和隐私保护机制，确保医疗数据的合规使用；
• 加强监管政策与行业标准建设，推动医疗健康大模型的规范化发展。

参与机构与专家

• 牵头单位：人工智能医疗器械创新合作平台、中国信息通信研究院；
• 参编单位：包括北京邮电大学、北京大学、阿里云、腾讯医疗等；
• 编写顾问：瞿佳、宋纯理、王振常、刘广东、王光宇；
• 编写专家：高越、李曼、闵栋、程祎雯、逄淑宁、仇尚航等。

图表与案例

• 图1：人工智能大模型+医疗健康生态架构；
• 图2：人工智能发展历程；
• 图3：医疗健康大模型的类别和实例；
• 图4-10：具体模型的预训练、微调和应用场景；
• 典型案例：
  • LLaVA-Med：微软开发的视觉-语言大模型，支持医学图像问答；
  • Med-PaLM2：谷歌开发的多模态模型，表现接近专家水平；
  • ClinicalGPT：北京邮电大学研发，支持多模态医疗数据处理；
  • 商量大医：商汤科技开发，覆盖13个医疗健康场景；
  • 灵医大模型：百度开发，提供多种服务模式；
  • EyeGPT：温州眼视光国际创新中心开发，专注眼科领域。

总结

医疗健康大模型正在成为推动生命科学与医疗行业数字化转型的重要工具，其在科研、药械研发、医疗服务、健康管理等方面展现出巨大潜力。随着技术不断演进，医疗大模型将逐步实现家族化、多模态、融合化、协同化，但也面临技术、数据、伦理、监管等多重挑战。未来，应加强模型与场景的匹配、数据与算力的保障、知识与伦理的融合，推动医疗健康大模型的安全、可靠、高效发展，实现绿色、智能、可持续的医疗健康生态。