人工智能正在通过 3 种方式彻底改变医疗组织为患者服务的方式。像 ChatGPT 这样的法学硕士可以提供帮助吗？
机器学习和人工智能正在改变涉及功能、诊断等方面的医疗。与此同时，大型语言模型（例如 ChatGPT）仍处于早期阶段。
医疗保健的数字化已经进行了很长时间，出于显而易见的原因，治疗实践与古老的、经过仔细审查的做事方式联系在一起。
但各种形式的人工智能正逐渐进入临床。应用包括预测分析、智能假肢、移动诊断和大脑植入。此外，随着像 ChatGPT 这样的大型语言模型 (LLM) 的出现，我们探索该技术是否可以为当今的医疗保健提供帮助。
虽然大部分工作都是试点研究的形式，但很明显人工智能将在未来几十年塑造医疗保健的提供方式方面发挥重要作用。
人工智能研究和教育初创公司 Fast 的联合创始人杰里米·霍华德 (Jeremy Howard) 表示：“经过多年的努力，深度学习人工智能终于完成了技术基础设施到位、数据可用于训练的过程。” .ai，第一家将深度学习应用于医学的公司 Enlitic 的创始人。
霍华德在接受 ZDNET 采访时表示，经过所有这些努力，“未来几年你应该会看到更多这样的事情”，也就是说，人工智能在医学中的应用。
目前，将人工智能应用于医学的最先进技术包括小规模研究，这些研究采用了各种非常成熟的机器学习形式的人工智能。这些计划几十年来已经证明了它们的价值。它们最终被带入诊所并应用于各种数据，从实时大脑活动读数到电子健康记录。
对于新型机器学习人工智能（例如 OpenAI 的 ChatGPT）来说，它还有很长的路要走。这项技术受到了所有人的关注，但它太新了，在诊所的敏感领域并不可靠。
机器学习的使用已经为参与的患者带来了变革。 40 岁的自行车事故受害者 Gert-Jan Oskam 获得了一种新颖的脑机接口，使他能够重新站立和行走。他告诉著名的《自然》杂志，该设备“改变了生活”。
“上周，有一些东西需要画，但没有人帮助我，”奥斯卡姆说。 “所以，我拿着助行器和油漆，站着的时候自己做了。”
1.用AI恢复功能
人工智能在医疗保健领域最引人注目的早期胜利之一是通过各种假肢为严重受伤的人恢复功能的成功，但数量仍然很少。
埃隆·马斯克，让开吧：斯坦福大学团队已经实现了传说中的“脑机接口”（BCI），马斯克表示他将投入临床试验，这是使用精心开发的人工智能机器学习形式的一个令人惊叹的例子。
埃隆·马斯克所吹捧的传说中的“脑机接口”已经成为现实。瑞士的研究人员在大脑的运动区域和脊柱的“腰骶”区域之间建立了一座“数字桥梁”，将意图转化为对肌肉的刺激，使腿部自然移动。
斯坦福大学机械工程系的研究人员开发的“数字桥”利用传感器和无线技术在脊柱损伤周围传送大脑信号。该设备使奥斯卡姆恢复了行走能力，十年前，他因自行车事故造成脊髓损伤，几乎无法行走。
研究人员 Henri Lorach 和团队在五月份的《自然》杂志上描述了他们如何在 Oskam 中植入“脑-脊髓接口”。在接受了为期五个月的脊髓硬膜外电刺激计划后，他限制了双腿的使用，从而能够在助行器的帮助下采取一些步骤。
Lorach 和团队在大脑两侧已知控制运动的部分植入了两个装置，每个装置由 64 个电极组成。这些传感器收集的信号被称为皮层电图（ECoG），与移动意图相关。 ECoG 信号通过患者佩戴的 3D 打印耳机无线接收，该耳机通过 USB 电缆连接到背包中佩戴的“基站”计算机。
背包式计算机将 ECoG 模式解码为命令，然后以无线方式发送到植入在脊柱“腰骶”区域顶部的第三个设备——想想你的下背部和尾骨。它被称为“脉冲发生器”，它将命令转化为电刺激，“刺激调节预期运动的肌肉”。
洛拉克和团队报告说，结果是患者能够“重新获得对腿部运动的直觉控制，使他能够站立、行走、爬楼梯，甚至穿越复杂的地形”。报告附带的视频显示，患者从坐姿站起来并行走，在这种情况下，基站计算机设置在助行器上，而不是放在背包中。
重要的是要认识到这不仅仅是大脑传感器植入的问题。 Lorach 和团队首创的机器学习算法是一个关键要素，用于解释运动意图的大脑信号。
使用一种称为“在线自适应监督学习算法”的方法，当患者反复尝试首先移动屏幕上化身的四肢，然后移动外骨骼时，程序就会进行调整。
该软件结合了机器学习科学的多个线索，包括“专家混合”，其中不同的命令控制不同的肢体，然后是所谓的“隐马尔可夫模型”，这是一种使用了数十年的算法。运动意图的计算都是随着患者的移动而实时完成的。有关该算法的更多详细信息，请参阅该团队 2022 年之前发表的论文。
科学家们正在寻找许多其他方法来收集大脑信号并通过机器学习对其进行解码以恢复功能。
上个月，加州大学旧金山分校神经外科系的研究人员肖恩·梅茨格 (Sean Metzger) 和团队在《自然》杂志上发表了一篇文章，介绍了一种语音解码器，该解码器可以为一位 47 岁的中风患者生成声音，该患者在近 20 年前就变得哑了。
所谓的多模态语音解码器还使用植入的 ECoG 探测器来解码来自大脑感觉运动皮层区域信号的“意图句子”。该区域负责“嘴唇、舌头和下巴的尝试运动”。这些信号被解码为研究人员所说的“声道表征”，然后可以转化为多种输出：屏幕上的文本、生成的口语音频以及化身说话的动作。
所谓的多模态语音解码器还使用植入的 ECoG 检测器来解码大脑感觉运动皮层区域信号中的“意图句子”，使用一种经过验证的机器学习算法，称为“双向循环神经网络”或“RNN”，一个长期用于对时间序列数据建模的程序。
同样，关键不仅仅是传感器，还有机器学习算法。来自声道尝试的 ECoG 的信号被输入另一种经过验证的机器学习算法，称为“双向循环神经网络”或“RNN”，这是一种长期用于对时间序列数据、数据进行建模的程序。在不同时间点测量相同变量以发现趋势。 RNN 首先被调整为预测患者试图说出的几个预设句子（这些句子在屏幕上向患者显示）——这是将大脑活动与一组定义的输出相关联的一种形式。
然而，经过两周的此类训练后，RNN 可以根据患者试图说出的自发句子生成自发的文本输出。该程序每分钟能够生成多达 78 个单词。这比患者使用现有辅助设备每分钟说出 14 个单词的速度快了好几倍，这是一种头部追踪设备，患者必须对屏幕上的单词点头，类似于已故物理学家史蒂文·霍金使用的设备。
同样，RNN 能够经过训练来解释 ECoG 以匹配波形，然后驱动声码器生成语音。 经过与患者一起调整系统两周后，他们开发的“语音神经假体系统”显示出了令人印象深刻的结果，“我们相信……这些结果已经超越了性能、普遍性和表达性的重要阈值，很快就会为语言障碍患者带来实际好处，”梅茨格和团队写道。
2.人工智能可以使医疗诊断变得便携
医疗诊断的主要障碍之一是，它要求患者前往医疗机构，在那里可以使用巨大的设备进行测试，并由训练有素的专家手动检查数据。但诊断方面的一些新尝试正在使用人工智能的机器学习形式来解决这个问题。
以睡眠研究为例，通常需要在设施中停留七个小时，连接上电极，并由工作人员进行整夜监测。可以在家里用一部手机和几个粘贴贴片来完成吗？
据著名的《科学》杂志最近报道，位于佐治亚州亚特兰大市的佐治亚理工学院的一个团队开发出了一种由硅胶制成、嵌入柔性电路的无线睡眠贴片。这些贴片利用机器学习来测量睡眠数据，而不是让现场技术人员整夜监测患者。
患者可以在家将贴片贴在脸上，一张贴在额头上，一张贴在下巴上。他们收集脑电图（EEG）和眼电图（EOG）的数据，这两种测量用于检测睡眠呼吸暂停。与睡眠诊所使用的凝胶电极不同，这些贴片一次可以使用数天。
这些贴片通过蓝牙将脑电图和眼电图数据传输到床边的移动设备，该移动设备使用所谓的“卷积神经网络”或“CNN”，这是机器学习的主力。通过 CNN，可以分析以活动频谱表示的数据来检测睡眠呼吸暂停。
用于家庭睡眠研究的硅胶面罩含有柔性电路，因此可以在睡眠时佩戴。它们无线连接到移动设备以进行数据收集和分析。
主要作者 Shinjae Kwon 和团队在对 8 名受试者进行的试验中发现，在检测阻塞性睡眠呼吸暂停方面，“系统的性能显示出 88.52% 的高精度”。此外，家庭贴片和 CNN 的检测结果与基于临床的黄金标准睡眠研究（称为“多导睡眠图”）得出的 82.4% 的检测结果“高度一致”。
Kwon 和团队希望对该系统进行大规模研究，他们正在扩展传感器的功能，以检测睡眠呼吸暂停的其他指标，包括血氧饱和度、二氧化碳和运动。
鉴于移动设备正在对 CNN 数据进行排序和筛选，Kwok 和团队的努力指出了一个更大的趋势：在移动设备上使用人工智能收集和分析现场数据。通过将通常由熟练技术人员手动进行的测量自动化，一些诊断可以扩展到诊所之外。
Chayakrit Krittanawong 领导的斯坦福大学团队在 2021 年进行的一项研究，除了 Apple Watch 的心电图监测之外，还列出了十多个消费级可穿戴健康心脏监测的示例。其中包括以色列 OrCam Technologies 的眼镜和 MEGAComfort 的鞋垫。
这些可穿戴设备会产生“生物信号”，该团队将其定义为“可以连续测量和监控的生理信号，以提供有关电气、化学和机械活动的信息”。机器学习是聚合、分析和解释所有数据的良好选择。
Krittanawong 和团队对 100 名受试者进行了小规模研究，这些研究使用可穿戴贴片，并将一次性传感器佩戴在受试者的胸部。该传感器由一次性电池供电，可检测受试者皮肤的多项数据，包括心电图波形、皮肤温度和受试者的姿势。所有这些数据都通过蓝牙无线连续传输到手机，然后上传到云端以使用机器学习进行分析。
这些贴片被用作植入式心脏监测设备的替代品，以预测因心力衰竭住院的风险。通过云分析，贴片和移动设备的灵敏度和特异性可与传统医疗级植入式监视器相匹配。
3.更好的患者安全预测分析
迄今为止，人工智能在实际临床环境中最广泛部署的用途之一是预测算法的使用，该程序可以执行诸如预测患者重新入院机会等操作。他们经常使用电子健康记录 (EHR) 中的数据，因为此类记录可以随时存储大量数据。
主要作者 David Classen 和团队表示，犹他大学医学院今年的一项研究发现，基于 EHR 数据，“人工智能在当前的临床操作中得到了广泛采用”。
然而，这些预测工具的准确性值得怀疑。密歇根大学医学院 2021 年对 Epic 脓毒症软件进行的一项研究发现，该工具预测脓毒症的准确率极低，引发了对其在实践中实用性的质疑。
这表明研究人员需要更好的方法来推断电子病历通过所有这些数据告诉他们什么。
在预测分析前沿的一个例子中，斯坦福大学医学院的科学家收集了 22,104 对母亲及其新生儿的 EHR，将记录关联起来，并提出了他们所说的预测早产死亡率的更强能力。 ，5岁以下儿童死亡的主要原因。
Davide de Francesco 及其团队的研究成果发表于二月份的《科学转化医学》杂志上，利用母亲健康记录中包含的特征来预测新生儿的结局。主要目标是比通常使用的少数特征（出生/分娩时的“外观、脉搏、鬼脸、活动和呼吸”或阿普加评分）更准确地了解婴儿死亡率。
相反，研究人员将母亲在分娩前多次探访的多个数据点输入另一种经过时间考验的机器学习算法，称为“长期短期记忆”或“LSTM”，与 RNN 一样，用于拼凑时间序列数据放在一起。 LSTM 经过训练，可将产妇手术、药物和分娩观察等代码与婴儿新生儿病历中的情况（如低血压或败血症）关联起来。
作者发现，与传统的风险评估相比，预测婴儿报告结果的能力显着提高。
具体来说，LSTM 程序可以概括某些孕产妇状况带来的更高风险。 “这些与新生儿结局密切相关的代码包括[……]阿片类药物依赖缓解、胎儿-母体出血、各种先天性心脏病，”他们说。
更重要的是，他们还可以断言一些可以在出生后数周和数月内保护早产儿的事情。
他们写道：“值得注意的实验室测量结果表明，血清白蛋白、血清蛋白、血小板、嗜碱性粒细胞、淋巴细胞和嗜酸性粒细胞对新生儿结局具有保护作用。” “这些数据表明，分娩前一周的母体免疫系统与胎儿的相对健康状况之间存在相互作用，这种健康状况会延续到新生儿期及以后。”
斯坦福大学的研究表明，随着更复杂的深度学习模型取代相对原始的预测系统，有更多的信息坐在那里等待解密。
医疗保健领域的大型语言模型（LLM）？
上面讨论的机器学习人工智能方法——RNN、CNN、LSTM 和隐马尔可夫模型——都是相当成熟的人工智能方法，已经存在了几十年。新颖之处在于，它们现在正在以新的、更复杂的水平和新数据进行部署。
但是深度学习中真正的新算法，即风靡一时的“生成式人工智能”，比如 OpenAI 的 ChatGPT 呢？
医学和医疗保健领域的生成式人工智能还处于非常非常早期的阶段。大型语言模型形式的人工智能只是逐渐进入试点研究领域，但由于对语言模型“幻觉”（即它们倾向于断言虚假信息的倾向）等问题的担忧而受到阻碍。
事实上，威尔康奈尔医学院八月份的一项研究报告称，“法学硕士可能容易生成与事实不一致的摘要，并做出过于令人信服或不确定的陈述，从而因错误信息而导致潜在的伤害。”
ChatGPT 的创建者 OpenAI 事实上告诉《自然医学》杂志，“其模型不应用于医疗诊断、分类或管理危及生命的问题。”
生成式人工智能的风险和道德问题意味着未来将面临许多监管障碍。
7 月，匈牙利医学未来研究所的科学家 Bertalan Meskó 和斯克里普斯研究转化研究所的 Eric Topol 撰写了一篇概述论文，其中他们指出“法学硕士为医疗保健的未来提供了巨大的希望，但它们的使用也带来了风险和风险”。道德挑战。”
Meskó 和 Topol 预测，监管机构将“为法学硕士创建一个新的监管类别，因为它们与已经经过监管的基于人工智能的医疗技术截然不同。”
“它看起来确实非常有用，”生成人工智能的杰里米·霍华德说，“但很难以符合美国医疗系统当前限制和流程的严格方式进行部署。”
霍华德预测，尽管存在缺陷，生成式人工智能在填补医疗技能缺口方面可能具有价值。
“世界上大多数人都无法获得足够的医生服务，”他说。 “这可能会归结为，你想要一个社区卫生工作者接受六个月的有效利用这个人工智能系统的培训，还是什么都不接受？”