文|動脈網(wǎng)
NFT、Web3.0后，硅谷最近搶起了生成式AI。
當大語言模型（LLM）掀起的浪潮波及世界的每一個角落，越來越多的人相信，生成式AI賦予我們的不僅僅是單純的交互——它能夠作為一種新式的生產(chǎn)力，逐步顛覆我們的工作與生活。
最先嗅到變革趨勢的是專注前沿科技的投資者們。硅谷Fusion Fund的創(chuàng)始合伙人張璐已經(jīng)好久沒有看到如此狂熱的景象。作為最早投資AI在醫(yī)療領(lǐng)域應(yīng)用的硅谷投資機構(gòu)，F(xiàn)usion Fund過去幾年一直對生成式AI的醫(yī)療應(yīng)用領(lǐng)域有所布局，投資組合中包括Huma.AI、深透醫(yī)療等優(yōu)質(zhì)醫(yī)療AI企業(yè)，有的被投企業(yè)早在兩年前就已經(jīng)與OpenAI有了諸多合作。
“生成式AI的垂直領(lǐng)域應(yīng)用，需要該行業(yè)擁有海量的高質(zhì)量數(shù)據(jù)，才能最大化地體現(xiàn)它地技術(shù)實力。而醫(yī)療領(lǐng)域恰恰擁有海量的高質(zhì)量數(shù)據(jù)，人類社會中大約30%的數(shù)據(jù)與醫(yī)療相關(guān)，是最大的品類，在此基礎(chǔ)上生成式AI為醫(yī)療領(lǐng)域帶來了巨大的機會。”張璐說。
與諸多熱門賽道不同，醫(yī)療領(lǐng)域表面上沉寂著數(shù)以億計的大數(shù)據(jù)，但若落足于具體的臨床場景，開發(fā)者時常會為數(shù)據(jù)的數(shù)量、質(zhì)量與數(shù)據(jù)的獲取成本發(fā)愁，尤其是在應(yīng)用級臨床AI的研發(fā)方向上，限制其發(fā)展的，正是醫(yī)療數(shù)據(jù)的稀缺性。
這一次，熟稔于繪圖作詞的文藝AI們，能否入駐醫(yī)學專業(yè)，為臨床AI的發(fā)展再注活力？
生成式AI賦能臨床的兩條路徑
AI的發(fā)展趨勢大致可歸納為兩個方向，一是單任務(wù)辨別式AI模型，單病種AI輔助診療、分類、檢測等均是這類AI應(yīng)用的典型例子；二是生成式AI應(yīng)用，局域數(shù)據(jù)生成更高維度的信息，例如預(yù)測醫(yī)學圖像數(shù)據(jù)、生成健康報告等。
兩個方向均依賴于臨床數(shù)據(jù)進行模型訓(xùn)練，亦受限于臨床數(shù)據(jù)的缺失。張璐表示：“早在2018年前后，研發(fā)人員便嘗試采用小樣本學習、生成對抗網(wǎng)絡(luò)（GAN）等方式彌補訓(xùn)練樣本量不足的問題，也是從那時開始，生成式AI便已應(yīng)用于醫(yī)療之中，只是如今它的定義更明確，強調(diào)在深度學習之上搭建Transformer Model。”
以Fusion Fund投下的深透醫(yī)療為例，該公司的核心業(yè)務(wù)為利用AI加速MRI、PET成像速度，并提升成像質(zhì)量，這個過程本身就是利用生成式AI處理原始數(shù)據(jù)獲取合成數(shù)據(jù)，再根據(jù)合成數(shù)據(jù)重構(gòu)MRI、PET影像。
“MR臨床掃描中的部分序列常常出現(xiàn)信噪比偏低、偽影明顯等情況，影響最終影像的生成。發(fā)布于IEEE的研究“One Model to Synthesize Them All: Multi-contrast Multi-scale Transformer for Missing Data Imputation”結(jié)果顯示：在AI的支持下，通過T1、T2等現(xiàn)有圖像間接生成新的圖像（例如更高分辨率圖像、其他對比度、模擬打造影劑的圖像等），其效果甚至可以優(yōu)于直接成像。目前，我們能將MRI、PET的成像過程提速4-10倍，并減少10倍造影劑的使用，基于更新生成式AI的模型也將不斷提升產(chǎn)品性能”深透醫(yī)療CEO宮恩浩告訴動脈網(wǎng)。
“此外，我們也在通過做一些image degrader 的工作，把一些金標準高質(zhì)量的圖像變至更接近實際掃描獲取的低質(zhì)量圖像，進而訓(xùn)練出新的模型。這種融合了多重數(shù)據(jù)的diffusion model（擴散模型），它的效果要明顯優(yōu)于通過傳統(tǒng)手段訓(xùn)練的模型?！?/p>
國內(nèi)AI企業(yè)數(shù)坤科技則是將生成式AI用在了冠脈CTA的圖像增強上。在與上海市第一人民醫(yī)院的合作中，雙方將GAN用于冠脈CTA圖像后處理中，成功修復(fù)運動偽影，最終提高冠脈CTA的成像質(zhì)量，使其診斷準確性達到冠脈造影的“金標準”水平。
定量分析結(jié)果顯示，使用GAN技術(shù)修復(fù)運動偽影后的冠脈CTA圖像質(zhì)量顯著高于修復(fù)前的冠脈CTA圖像
通常而言，需要64排及其以上排數(shù)CT才能完成心臟CTA掃描，而生成式AI可以讓32排甚至16排的CT執(zhí)行起CTA的掃描任務(wù)，取得滿足醫(yī)生診斷需求的影像。從理論上講，這一技術(shù)賦能可以有效提高基層醫(yī)療服務(wù)能力及服務(wù)質(zhì)量。
MR同理，通過AI賦能，更普遍的1.5T設(shè)備或者低場便攜設(shè)備大幅提升圖像質(zhì)量，實現(xiàn)3T等高端設(shè)備的診斷質(zhì)量與掃描效率。
總的來說，生成式AI在單任務(wù)辨別式AI應(yīng)用中的作用路徑，均是基于原始數(shù)據(jù)生成合成數(shù)據(jù)，并將其應(yīng)用于最終結(jié)果的生成，實現(xiàn)影像增強。同時，整個模型訓(xùn)練過程中，生成式模型可以同來進行數(shù)據(jù)擴充（Data Augmentation)，從而基于較小數(shù)據(jù)量以更快速度獲取更為優(yōu)質(zhì)的圖像，有利于研發(fā)人員開拓更多數(shù)據(jù)量相對缺失的場景。
相較于主攻分析能力提升的單任務(wù)辨別式AI，生成式AI應(yīng)用的能力則有一些超脫于當下醫(yī)療需求之前。舉一個不那么恰當?shù)睦樱罕鎰e式AI應(yīng)用可以評估患者當下的健康狀態(tài)，而生成式AI應(yīng)用意在預(yù)測每一人身體的未來。
目前國內(nèi)嘗試生成式AI應(yīng)用探索的項目非常有限。一個典型的例子是鷹瞳Airdoc與北京大學臨床研究所、愛康集團開展的視網(wǎng)膜研究。通過觀察40萬人的視網(wǎng)膜血管和神經(jīng)的發(fā)展變化，研究人員讓生成式AI自學，去判斷受檢者接下來的發(fā)展變化，評估未來心腦血管病風險有多高。目前相關(guān)研究已發(fā)表在國際知名期刊《Science Bulletin》之中。
據(jù)鷹瞳科技表示，以生成式AI為基礎(chǔ)的阿爾茨海默病風險預(yù)測、近視進展預(yù)測、帕金森風險預(yù)測同樣處于研發(fā)之中。如果上述疾病能通過AI實現(xiàn)預(yù)測或早發(fā)現(xiàn)，及時的防治措施能夠幫助大量患者規(guī)避疾病風險，避免后續(xù)漫長且不可控的治療。
生成式AI能夠生成臨床數(shù)據(jù)嗎？
既然單任務(wù)辨別式AI應(yīng)用與生成式AI應(yīng)用都在運算的過程之中使用了生成數(shù)據(jù)，那么我們是否也能像AIGC在金融、藝術(shù)中的應(yīng)用中那樣，直接生成醫(yī)療數(shù)據(jù)呢？
美國圣路易斯華盛頓大學醫(yī)學院信息學研究所去年開啟了一項基于生成式AI生成患者合成數(shù)據(jù)集的研究，意在為廣大科技醫(yī)療研究人員提供更為豐富的數(shù)據(jù)，為各類醫(yī)療AI的研發(fā)提速。
該研究使用了以色列公司MDClone研發(fā)的生成式AI模型。MDClone的系統(tǒng)與醫(yī)院的EHR直連，可以抽取患者數(shù)據(jù)進行脫敏，把數(shù)據(jù)按照特定維度打散，再利用其自研的生成式AI模型進行重新組合。通過這一路徑，MDClone可以根據(jù)基于少量電子健康記錄中真實的患者數(shù)據(jù)準確地生成大量合成數(shù)據(jù)，重建真實患者的特征。
在后續(xù)的研究中，相關(guān)人員將合成數(shù)據(jù)集與真實數(shù)據(jù)集置于三個特定任務(wù)下進行對比，分別為分析兒科創(chuàng)傷患者的死亡風險；預(yù)測哪些住院患者最有可能發(fā)生敗血癥；制作圣路易斯地區(qū)一年內(nèi)按郵政編碼劃分的衣原體感染率地圖。
該對比研究結(jié)果顯示，合成數(shù)據(jù)分析的結(jié)果在統(tǒng)計上與真實數(shù)據(jù)的分析相似，各項數(shù)據(jù)集都得出了相同的結(jié)論。在絕大多數(shù)情況下，統(tǒng)計結(jié)果是相同的，只有在極少數(shù)情況下，真實數(shù)據(jù)集和合成數(shù)據(jù)集之間存在差異。
這一研究結(jié)果與深透醫(yī)療在影像加速中的研究結(jié)果方向一致。這也意味著，過去準備訓(xùn)練數(shù)據(jù)往往需要耗去研究人員數(shù)個月的時間，而在生成式AI模型的賦能下，研究人員可以在數(shù)小時至數(shù)日內(nèi)建立、查詢并下載自己的合成數(shù)據(jù)集。
此外，這一生成合成數(shù)據(jù)的方法還創(chuàng)造了一種嚴格的患者隱私保密方式。由于合成數(shù)據(jù)無法與真實的人和身份聯(lián)系起來，醫(yī)院或能借助這一技術(shù)將數(shù)據(jù)變?yōu)橐环N特定的資產(chǎn)，在不侵害患者隱私的前提下，最大化相關(guān)臨床研究。
同樣的邏輯亦可用于影像數(shù)據(jù)中。
在訓(xùn)練輔助診斷類人工智能的過程中，患者影像數(shù)據(jù)的不均勻分布常常會影響最終模型在實際應(yīng)用中的效果。
以皮膚病AI為例，該AI在處理影像時需要同時計算多種皮膚病的概率，但由于人的皮膚膚質(zhì)及患病類型并非均勻分布，僅考慮患病種類一個維度，濕疹、毛囊炎的數(shù)據(jù)頻率偏高，銀屑病的數(shù)據(jù)頻率則會相對偏低。
常規(guī)算法可以雖然可以實現(xiàn)影像數(shù)據(jù)的合成，但其合成數(shù)據(jù)質(zhì)量與真實數(shù)據(jù)質(zhì)量存在差異，不能完全替代真實數(shù)據(jù)的價值。生成式AI的出現(xiàn)則補全了生成邏輯方面的缺陷，讓生成數(shù)據(jù)不僅保有質(zhì)量，還能加快生成過程，擴大生成數(shù)據(jù)的量級。
英偉達在影像類合成數(shù)據(jù)中早有布局。2022年，英偉達與倫敦國王學院使用Cambridge-1超級計算機創(chuàng)建一套包含10萬份大腦合成圖像的數(shù)據(jù)集，借此訓(xùn)練AI應(yīng)用以加快對于癡呆癥、帕金森病及其他腦部疾病的理解。其生成邏輯與文本有相似之處，便是將真實數(shù)據(jù)拆分為素材，再通過特定邏輯的AI進行組合，進而解決數(shù)據(jù)量稀缺的問題。
合成數(shù)據(jù)的另一個潛在應(yīng)用場景在于多病種判別式AI的審評審批。
多病種AI的臨床試驗設(shè)計是一個復(fù)雜的過程。譬如，多病種AI（以N=2為例）在進行數(shù)據(jù)集構(gòu)建與算法驗證時，不僅需要構(gòu)建病種A數(shù)據(jù)庫與病種B數(shù)據(jù)庫，還需要構(gòu)建A∩B數(shù)據(jù)庫，并需在模型之中添加醫(yī)學知識，使其能基于醫(yī)學原理解釋交集數(shù)據(jù)的概率得出過程。
當病種數(shù)量較少時，構(gòu)建融合數(shù)據(jù)庫的難度尚且可控。而在當前審評審批邏輯下，病種數(shù)量一旦增多，各病種組合的樣式及需要的數(shù)據(jù)集豐富程度則會呈指數(shù)趨勢上升，數(shù)據(jù)不均勻分布導(dǎo)致的障礙也會進一步凸顯。
譬如，糖網(wǎng)病變的0期、6期患者數(shù)據(jù)天然較少，企業(yè)很難在真實世界中找到足量滿足驗證數(shù)據(jù)集要求的數(shù)據(jù)量。若將病種的組合考慮在內(nèi)，相關(guān)數(shù)據(jù)收集復(fù)雜程度將急速擴增，最終變成一個現(xiàn)實之中無法解決的難題。顯然，應(yīng)用生成式AI對部分稀缺維度進行數(shù)據(jù)擴增有希望解決這一問題。
深透醫(yī)療已拿到FDA、CE、NMPA等各地認證，宮恩浩在采訪中告訴動脈網(wǎng)：“合成數(shù)據(jù)的應(yīng)用貫穿AI應(yīng)用全流程，F(xiàn)DA有明確要求申報公司闡述清楚訓(xùn)練和測試用到的真實臨床數(shù)據(jù)的數(shù)量和細節(jié)，但FDA沒有對合成數(shù)據(jù)的使用量及使用環(huán)節(jié)進行明確規(guī)定。另一方面，影像增強過程中產(chǎn)生合成數(shù)據(jù)并以此重建影像與直接構(gòu)建合成數(shù)據(jù)集進行AI訓(xùn)練兩種方式存在差異，后一種方式仍然存在探索空間。”
中國人工智能醫(yī)療器械標準化技術(shù)單位及NMPA對于數(shù)據(jù)質(zhì)控的標注制定及討論同樣走在全球前列，目標是針對訓(xùn)練數(shù)據(jù)、預(yù)訓(xùn)練、遷移學習等方面的建立完善的標準。如今生成式AI的進一步拓寬，或能加速相關(guān)法律法規(guī)及審評審批條款的制定，使多病種AI的審評審批獲得理論與經(jīng)濟上的雙重可能。
距離硅谷，我們還有多遠？
近日，國家互聯(lián)網(wǎng)信息辦公室發(fā)布了一則關(guān)于《生成式人工智能服務(wù)管理辦法（征求意見稿）》公開征求意見的通知，有意將生成式AI盡快納入監(jiān)管范圍。
對于這項仍處于野蠻生長中的技術(shù)，有效的監(jiān)管將為其帶來更為良性的發(fā)展空間，也利于企業(yè)及早規(guī)避可能的政策風險。不過，要在國內(nèi)全面推動生成式AI的發(fā)展，需要依靠不能只是監(jiān)管。
“任何技術(shù)創(chuàng)新都是由基礎(chǔ)技術(shù)創(chuàng)新，到技術(shù)應(yīng)用創(chuàng)新，最后帶來商業(yè)模式的創(chuàng)新。目前國內(nèi)的生成式AI發(fā)展與硅谷存在一定差距，既存在于模型方面，又存在于數(shù)據(jù)方面。在美國，以O(shè)penAI為代表的科技公司已經(jīng)完成了GPT模型、大語言模型（LLM）等基礎(chǔ)設(shè)施的搭建，這意味著，美國已經(jīng)進入到了創(chuàng)新的第二階段——技術(shù)應(yīng)用創(chuàng)新。”張璐表示。
要追趕硅谷并不簡單，一方面需要有科技公司完成基礎(chǔ)模型的突破，讓后進的創(chuàng)業(yè)公司們能夠通過API去調(diào)用先進的模型；另一方面需要加速多模態(tài)數(shù)據(jù)的治理，為模型的?？苹囵B(yǎng)提供數(shù)據(jù)支撐。
回到國內(nèi)，哪些企業(yè)能夠承擔風險扛起AI跨時代發(fā)展的責任？還需時間給出答案。