医疗保健因其高昂的成本和各种挑战而备受关注。然而，问题远不止于此，包括频繁的诊断误报和手术失误，这些都导致了结果的不确定性。随着大型语言模型 (LLM) 的兴起，人们可能会思考它们如何改善医疗保健。如今，凭借 LLM，医疗保健不仅变得更加经济实惠，而且更加可靠。本文重点介绍人工智能在医疗保健领域的进展，以及以前所未有的规模和精度解决问题的最新突破。
医疗保健现状
全球医疗保健均等化
世界各地的医疗费用高昂，且不均衡。由于成本和公平性，良好的医疗保健在一些国家是一种奢侈，而在其他国家，由于质量和可及性不足，良好的医疗保健却是一个问题。全球约有一半人缺乏基本医疗保险，超过十亿人因医疗费用而面临严重的经济困难。人均支出差异巨大！一项调查预测，到 2024 年，美国的人均医疗费用将达到 12,703 美元，而巴基斯坦仅为 37 美元，这反映出医疗支出的巨大不平等。自付费用在较贫穷地区仍然是一个沉重的负担。在非洲，世界卫生组织估计，超过 1.5 亿人因医疗费用而陷入贫困。此外，全球一半的医疗费用贫困发生在非洲。这些数字强调，在某些地方，医疗保健等基本设施实际上可能是一种奢侈品。
美国和巴基斯坦医疗支出差距
为人工智能奠定基础
与人工智能最初进入并落地的技术领域不同，人工智能在医疗保健领域的发展历程漫长而曲折。该领域尚未成熟到可以完全融入，但随着一些发展，这一阶段已经做好准备。
远程医疗与数字化转型
自新冠疫情爆发以来，远程医疗咨询和远程监控已变得普遍，并且远高于2020年前的水平。到2021年中期，远程医疗在所有门诊就诊中的占比稳定在13-17%左右。这种持续的使用反映了患者和医疗服务提供者的需求。德勤的一项调查发现，约80%的消费者打算在疫情后再次进行线上就诊。分析师估计，如果广泛采用，高达20%的美国医疗保健支出（约2500亿美元）有可能实现线上化。换句话说，远程医疗可以将大量的医疗服务转移到线上，从而在不牺牲医疗服务可及性的情况下降低成本。
AI在医疗保健领域的崛起
人工智能已逐渐成为现代医疗保健的基础组成部分。从辅助医学影像到自动化诊断，人工智能已被证明在减少人为错误和提高效率方面具有重要价值。它还使以前无法获得人工智能服务的领域得以应用。早期的人工智能工具专注于一些较为狭窄的任务，例如标记X光片中的异常以进行诊断，或预测医院的再入院率以保障保险。但最近的进展使人工智能系统能够推理和解读复杂的医疗数据。这一演变的核心是大型语言模型，它代表了医疗保健领域的新前沿。该技术提供的模型超越了任务自动化，提供了能够分析、解读甚至模拟真实场景的工具。
医学LLM的最新进展
微软和谷歌在医疗保健领域的最新进展，即谷歌的 MedGemma 和微软的 MAI-DxO，都深深植根于 LLM。它们利用 LLM 进行临床推理、生成医疗报告，并增强临床医生的决策能力。
MedGemma
谷歌发布了两款面向医疗 AI 的全新开放模型：MedGemma 27B Multimodal 和 MedSigLIP。此举旨在扩展其在健康 AI 开发者基金会 (HAI-DEF) 倡议下的 MedGemma 模型库。
- MedGemma 27B Multimodal 可以同时处理文本和图像，非常适合生成医疗报告。它在 MedQA 基准测试中的得分高达 87.7%，足以媲美大型模型，但成本却低得多。
- MedSigLIP 是一个拥有 4 亿参数的图像文本编码器，基于医学图像（例如胸部 X 光片和病理切片）进行训练。它非常适合分类、图像搜索和零样本任务，并且在处理一般图像时也表现出色。
这两个模型均为开源模型，可在单个 GPU 上运行，并可针对特定用例进行微调。MedGemma 4B 和 MedSigLIP 等小型模型甚至可以在移动设备上运行。
Source: Google
开发者已将这些 LLM 应用于实际任务：X 光分诊、临床记录汇总，甚至多语言医疗问答。谷歌还提供了 Hugging Face 和 Vertex AI 的示例代码、部署指南和演示。
MAI-DxO
微软的 AI Diagnostic Orchestrator (MAI-DxO) 是一个旨在应对医学领域最棘手诊断挑战的全新系统。该模型在准确性和成本效益方面均优于医生。在《新英格兰医学杂志》的 304 个真实临床病例上进行测试，MAI-DxO 的诊断准确率高达 85.5%，比经验丰富的医生（平均 20%）高出 4 倍以上。它的工作原理是模拟临床医生逐步收集和评估信息的方式，而不是依赖于多项选择题。每个诊断操作都通过虚拟成本进行跟踪，这表明 MAI-DxO 比传统方法更智能、更高效。
Source: Microsoft
这项工作以微软更广泛的医疗 AI 工作为基础，包括面向临床医生的 Dragon Copilot 和面向放射科的 RAD-DINO。其中一项关键创新是协调器能够协调多个 LLM，就像一个虚拟医生小组，共同协作以达成诊断。微软研究团队认为，这是迈向医疗保健领域负责任、值得信赖的 AI 的重要一步，尤其是在复杂病例的治疗方面。
人工智能应用带来的影响
包括 LLM 在内的人工智能正在提高多种工作流程的效率。最近的一项估计表明，更广泛地采用 AI 可以将美国的医疗支出减少 5-10%，每年约 2000-3600 亿美元。AI 工具可以自动执行临床文档、诊断和行政协助等任务。然而，专家强调，这些优势取决于合适的基础设施和成本。在实践中，医疗系统需要权衡定制的 AI 解决方案和工具，这些工具的选择范围从开发新模型到使用外部服务。最终决策取决于系统需求和成本考虑。总体而言，虽然 LLM 可以通过提高效率来降低医疗保健成本，但它们需要在技术方面进行大量的初始投资。
混合信号和剩余挑战
总体而言，尽管存在这些趋势，但医疗可负担性的改善并不均衡。以下是医疗可负担性和医疗保健系统面临的一些挑战：
- 改善不均衡：虽然存在积极的趋势，但医疗保健可负担性的改善在不同国家或不同人群之间并不一致（从非洲的例子可以看出）。
- 有前景的工具存在，但成本仍在上升：政府的政策变化以及远程医疗和人工智能等解决方案显示出希望，但许多地区的医疗保健成本仍在上升。
- 灾难性的医疗费用仍然很常见：据世界银行专家称，许多人仍然面临灾难性的医疗支出，医疗费用使他们陷入贫困。
- 自2015年以来，医疗保险的进展停滞不前：全球医疗保险的进展基本停滞，近年来几乎没有取得任何进展。
- 大多数国家缺乏全面保障：根据世界卫生组织的数据，许多地区的自付费用仍然很高，只有30%的国家同时改善了医疗保险覆盖率和财务保障。
小结
技术和政策正通过 LLM 和人工智能 (AI) 推动医疗服务更加平价，但差距依然存在。数十亿人仍然无法获得平价医疗服务。要在全球范围内实现平价医疗，需要数字化应用、智能融资和持续创新——一些高收入国家正在快速推进这些努力，但较贫穷的国家尚未启动。随着这些庞大的医疗 LLM 项目的推出，这些不同地区之间的差距正在缩小。前景充满希望，但并不完整：我们拥有降低医疗成本的工具，但这些工具的全球实施和接受还远未实现。
常见问题
问题 1：我们真的在朝着全球更便宜的医疗服务迈进吗？
答：答案喜忧参半。全球医疗可负担性的改善并不均衡。人工智能、远程医疗和仿制药具有节省成本的潜力，但不断上涨的成本和数十亿人面临的经济困境意味着实施工作尚未完成。
问题 2：大型语言模型 (LLM) 和人工智能如何让医疗服务更平价？
A. LLM 和人工智能 (AI) 可以改善诊断，自动化管理任务，并提高临床效率，从而可能节省数十亿美元。其效益取决于基础设施和训练有素的员工。
Q3. 自新冠疫情 (COVID-19) 以来，远程医疗对医疗成本有何影响？
A. 新冠疫情后，远程医疗的使用率有所上升，稳定在 13-17% 的就诊率，80% 的患者有重复使用意愿。它可以降低成本，并将 2500 亿美元的美国医疗服务转移到线上。
Q4. 仿制药和定价政策如何促进医疗可负担性？
A. 仿制药和定价政策可以降低成本。到 2028 年，仿制药市场将增长 50%。美国医疗保险 (Medicare) 通过谈判在 2023 年节省了 60 亿美元的药品价格。
Q5. 阻碍全民医疗可负担性的主要挑战是什么？
A. 挑战包括全球不平等、灾难性的成本、覆盖进展停滞以及对基础设施的需求。只有30%的国家同时提高覆盖率和财务保障。
评论留言