近日，清華大學黃天蔭教授、馬維英教授、李京山教授等聯(lián)合國內外其他研究團隊在NEJM AI上發(fā)表研究文章，圍繞醫(yī)學人工智能模型的演進方向和關鍵技術展開討論，提出了通用醫(yī)學人工智能（UMAI）和通用健康人工智能（UHAI）的概念，并總結了其中的關鍵挑戰(zhàn)和技術路徑。

兩個新的醫(yī)學人工智能范式

醫(yī)學人工智能作為重要的交叉學科研究方向，在近年來受到了來自學術界和產業(yè)界的廣泛關注。隨著人工智能技術的快速發(fā)展，醫(yī)學人工智能模型也正從任務特定模型轉變?yōu)榫邆涓鼜娡ㄓ媚芰Φ亩嗄B(tài)模型（GMAI）。

然而，現有醫(yī)學人工智能技術仍面臨著三方面的挑戰(zhàn)，其一，當前模型未能學習整合基于臨床訓練積累的“人類智能”；其二，當前模型更關注疾病狀態(tài)的治療，但忽略了從健康到疾病的演變過程應用；其三，當前模型依賴從發(fā)達國家收集的數據，忽略了缺少數據的發(fā)展中國家的醫(yī)學問題。

鑒于上述挑戰(zhàn)，該研究提出了兩個新的醫(yī)學人工智能范式：通用醫(yī)學人工智能（UMAI）和通用健康人工智能（UHAI）。

UMAI和UHAI的主要特點有：第一，融合人類臨床經驗。UMAI模型關注如何將人類在于臨床實踐中積累的經驗和智慧結合到模型，特別是同理心和直覺，從而克服數據歸納、效率和價值觀對齊等方面的挑戰(zhàn)；第二，整合臨床外健康數據。UHAI在UMAI的基礎上進一步擴展了模型的應用場景，考慮了更多非傳統(tǒng)來源的臨床外的健康數據來全面理解個人的健康和行為，從而促進更積極、主動的個性化醫(yī)療保健。

關鍵技術解決醫(yī)學需求

文章還著重介紹了針對UMAI和UHAI實現方式開展了討論，其包含的關鍵技術內容包括以下方面。

健康數據整合與對齊：醫(yī)療數據和非臨床健康數據的融合理解對于提升醫(yī)學人工智能模型能力至關重要，因此需要探索合適的解決方法。這里既涉及如何對異質、多模態(tài)的健康數據進行融合，也涉及如何實現復雜數據的對齊。特別是在UMAI到UHAI的過程中，IoT設備、可穿戴智能設備等對于非臨床健康數據的采集同樣非常重要。

人類價值觀對齊：因為健康醫(yī)療場景本身的復雜性和特殊性，除了像通用人工智能技術的應用場景一樣需要開發(fā)模型與人類價值觀的對齊方式，醫(yī)學人工智能還依賴于醫(yī)學情境下的價值觀對齊和訓練。

醫(yī)療暗知識注入：UMAI模型需要學習人類的臨床經驗，特別是同理心和直覺判斷能力，以模仿學習為代表的強化學習技術能夠一定程度上模擬人類的決策過程，但是還需要進一步提升模型的推理和決策能力，大模型的思維鏈和思維樹技術將有助于這方面的能力改進。

醫(yī)療多智能體協(xié)作：會診是人類醫(yī)生在應對復雜醫(yī)學任務時會采用的解決方案，為了進一步提升對于患者/疾病的整體理解，醫(yī)學人工智能模型也應該具備類似的協(xié)作和集體決策能力，因此，構造合適的醫(yī)療多智能體協(xié)作策略將有效提升UHAI的各方面能力。

強有力的基礎模型：當前，以大語言模型為代表的基礎模型已成為處理不同任務的核心，正在取代傳統(tǒng)的架構。未來，針對醫(yī)學人工智能各方面需求而量身定制的基礎模型及架構將可能帶來快速的整體技術進步。

研究人員指出，盡管醫(yī)學人工智能在近些年來取得了很多進展，但是在轉化、應用等方面仍存在一系列的問題，該研究提出了UMAI和UHAI作為創(chuàng)新的模型范式來試圖彌補這些不足。它們將隱性知識和非臨床健康數據結合，有希望實現對健康的全面理解。通過學習醫(yī)療保健人員的臨床經驗，這些新范式有望構造更全面的醫(yī)學人工智能模型來應對醫(yī)療保健領域的眾多挑戰(zhàn)。

相關論文信息：https://doi.org/10.1056/Alp2400289

來源：中國科學報