以ChatGPT为代表的AIGC（生成式人工智能）风靡市场，掀起了生成式大语言模型的开发浪潮。 这股浪潮席卷医疗行业，行业内的“百款之争”正在迅速兴起。
医疗行业一直被认为是人工智能应用的最佳场景之一。 一方面，人工智能医疗的应用可以减轻医生的工作量，提高工作效率； 另一方面，也可以提高基层机构的诊疗水平，改变医疗资源分布不平衡的现象。
然而，上一波人工智能并没有很快在医院落地。 更多应用集中在成像领域，但也面临商业转化率低的挑战。 此次AIGC深入医院，情况能否有所改变？
AIGC技术在医疗行业落地
近日，在2023腾讯全球数字生态大会上，腾讯健康发布了大医疗模型，以及智能问答、家庭医生助手、数字智能医学影像平台等多场景AI产品矩阵。
腾讯杰出科学家、腾讯天眼实验室主任郑业峰介绍，大规模医疗模型的研发基于腾讯自研的全链路混合大规模模型。 该基础模型参数规模超千亿，预存超2万亿代币。 训练语料具有较强的汉语创造能力、复杂语境下的逻辑推理能力、可靠的任务执行能力。 除此之外，它还持续添加医疗数据，覆盖285万个医疗实体、1250万个医疗关系，覆盖98%的医学知识。 知识图谱和医学文献使得大模型能够进一步掌握专业的医学知识。
同样在近期，金宇医疗（603882.SH）打造的临床检测开放创新平台和病理诊断人工智能平台正式上线。 这是国内医学检验行业首个人工智能开放创新平台。 平台通过算力、算法、数据、模型的共享，为初创公司、医疗研究机构、个人开发者、行业专家等用户提供服务，满足开发者从数据训练的全流程开发需求到人工智能应用部署。 包括数据处理、开发训练、模型管理、在线部署等。开发者可以在平台上使用公共数据集进行模型训练，也可以以实惠的价格获得算力来支持数据处理和各种模型的开发。
当前，AIGC技术热浪席卷，医疗行业新产品不断涌现或酝酿。
8月17日，微脉全流程管理平台发布中国首个健康管理领域大语言模型应用CareGPT。 据介绍，与通用大语言模型产品不同，这款基于国内开源大语言模型自主研发的健康管理应用产品，主要致力于将健康管理价值发挥在真实的医疗服务场景中，实现预防、咨询、康复等功能。预约、康复全周期智能健康管理能力。
8月24日，在平安健康险中期业绩发布会上，平安健康险董事长兼首席执行官方伟豪向第一财经等媒体透露，公司去年就开始了利用生成式AI进行辅助治疗的内部研究和培训，目前已经已在儿科进行了实验，取得了满意的结果。 今年上半年，咨询、诊断、诊治、家庭医生、专科医生服务四大环节进一步细分为数十、数百个细分环节。 每个环节，医生、AI技术人员、算法专业人员等，一起在模拟场景中训练“平安GPT”。 “预计到年底，人工智能在我们的人力替代率、成本替代率、时间替代率等方面都会取得长足的进步。”
又会带来哪些新的突破？
在上一波人工智能浪潮中，成像是最热门的探索方向。
“我们面临着医学、教学、科研‘三座大山’，除了医学影像诊断工作，我们每天还有教学和科研任务。我们非常希望人工智能能够赋能我们提高工作效率。” 中山大学附属第一医院妇产科教授、主任医师谢红宁曾向第一财经记者表示。
据亿欧智库统计，2023年AI医学影像市场规模为24亿元。截至2023年7月5日，已有70款人工智能医学影像产品获得国家药监局批准的三类证书。 这些产品从诊疗流程上涵盖了辅助诊断和辅助治疗两大类。 获得III级证书意味着你有资格向患者收费，从而打开商业用途的大门。
但从行业角度来看，这样的市场规模并不值得行业一年的研发投入。
据亿欧智库2022年调查显示，45.9%的影像医生认为目前的AI医疗影像产品中，真正适用的产品很少，43.1%的影像医生认为目前的AI医疗影像产品无法应用。很好地集成到现有产品中。 医学影像诊断流程因此，AI医学影像产品在功能扩展和优化方面仍有很大的提升空间。
业内人士告诉第一财经记者，AI影像确实在辅助诊断方面发挥了一定的作用，但在综合诊断和病情预测方面还存在不足。 原因之一是收集的数据是单维的。 与多模式数据等无关。
AIGC技术具有问答能力、生成能力、归纳能力、对话能力。 它的出现，再次让医疗行业的智能化发展充满希望。
“原来的AI医疗产品，如果你训练它做一件事，它最终呈现的结果只能做那件事，无法与医生深入讨论。但大模型下，AI医疗不再只是做这件事。”提供简单的结果，也可以像专家一样与医生进行深入的讨论。” 金域医疗副总裁、信息管理中心总经理李英华告诉第一财经记者，很多医院实际上已经在使用人工智能来辅助大规模模型。 无障碍交互的出现带来了人机自然语言，可以调动多种能力解决多种场景下的问题。 预计未来一两年，基于大模型的AI医疗应用将会越来越多。 未来，不仅在医院，AI家庭医生还可以帮助你进行初步诊断、推荐专科医生、分析检测报告等，想象空间无限。
为了开发成熟的 AIGC 医疗产品还有哪些障碍需要克服？
业内人士表示，当前医疗人工智能发展仍面临数据、算法、算力三大挑战。 人工智能的发展需要大量的高质量数据，而国内大部分医疗数据都存储在各级医疗机构中。 业务系统相对独立，数据难以共享。 存在明显的“数据孤岛”现象。 真实场景数据集可用于训练。 有限的。 即使获得了大量的医疗数据，如何对离散的海量医疗专业数据进行处理、统计和分析并通过模型进行有效整合也成为另一个挑战。 医疗行业的严谨性要求模型精度更高，这对算法和计算能力提出了更高的要求。 最后，所开发的医疗人工智能成果在大规模落地方面存在困难。 数据和算法模型的产供销缺乏产业链资源的支撑。 这些都成为制约人工智能在医疗行业落地的重要因素。
即便如此，大模型下，AI医疗的商业化前景依然备受期待。
在李英华看来，大模型下，AI医疗能够真正促进医疗资源下沉，这也是AI医疗应用最有价值的方面。
“目前，无论是临床医生还是病理医生都比较稀缺，而且各地分布不均。要真正促进医疗资源下沉，实现90%的大病不出县，AIGC医疗可以发挥很大的作用，帮助培养更多的医生。”同时AIGC医疗可以覆盖更多的医疗场景，虽然训练大型医疗模型的成本较高，但应用的边际成本越来越低，这也有助于产品的进一步推广和发展。 来。” 李英华说道。
海量信息、精准解读，尽在新浪财经APP
搜虎网转载此文目的在于传递更多信息，不代表本网的观点和立场。文章内容仅供参考，不构成投资建议。投资者据此操作，风险自担。
Copyright © 2017-2018