國內(nèi)首個腦血管專病大模型亮相 對話參與醫(yī)生：被AI“上了一課”

作為國內(nèi)四大慢病之一，腦血管病的首次發(fā)病者約有三分之二是60歲以上的老年人，其具有“高發(fā)病率、高患病率、高死亡率、高復(fù)發(fā)率”的特點。而截至2021年，我國65歲及以上的老年人口已經(jīng)超過2億人，腦血管病醫(yī)生短缺、水平參差不齊的問題尤為突出。

“基層醫(yī)院不缺全科醫(yī)生，但缺?？茖＜一?qū)２＜?，這就是大模型要解決的問題。”邳靖陶介紹，腦血管病專病大模型是醫(yī)療機構(gòu)與科技企業(yè)的合作產(chǎn)物。具體來說，新華三集團提供技術(shù)人員、AI算法和算力，北京清華長庚醫(yī)院和清華大學提供大數(shù)據(jù)和臨床需求，共同打造一款面向臨床醫(yī)生的輔助診斷工具。

武劍教授曾表示，醫(yī)學人工智能在緩解醫(yī)療資源緊張和提升醫(yī)療服務(wù)水平方面，具有巨大的潛力和優(yōu)勢。其核心在于對海量健康數(shù)據(jù)的深度挖掘和智能分析，這能夠大幅提升臨床診斷和治療的準確性與效率。

目前，這個大模型的核心功能是分析和提取病歷中的關(guān)鍵信息，并與臨床知識庫相匹配，最終提供符合臨床指南的標準化治療建議。

一方面，臨床醫(yī)生可以輸入脫敏（不包括患者個人信息）的臨床病程信息，由大模型生成最終的治療方案。其間，如果大模型察覺到病程信息存在疏漏，會提醒醫(yī)生及時補充，保證病歷記錄的標準化。

另一方面，臨床醫(yī)生也可以輸入患者主訴（如主要癥狀和持續(xù)時間等信息）等簡單信息，大模型將通過選擇性交互引導(dǎo)問診方向，根據(jù)醫(yī)生點擊的選項，逐步完善臨床診療過程，提升醫(yī)生的循證能力。

專業(yè)性體現(xiàn)在兩方面

在邳靖陶看來，與ChatGPT等通用大模型相比，專病大模型的專業(yè)性體現(xiàn)在思維鏈和知識庫兩方面。以腦血管病專病大模型為例，其數(shù)據(jù)來源包括兩大部分：一部分是經(jīng)過脫敏處理的臨床資料，涉及疾病的特定特征，發(fā)病情況以及診療過程等綜合信息。另一部分是公開獲取的臨床指南、大量神經(jīng)病學和神經(jīng)科學的教科書和參考書籍，這些構(gòu)成了數(shù)據(jù)庫的核心內(nèi)容。值得注意的是，大模型并不能直接接收這些知識，而是需要經(jīng)臨床醫(yī)生和工科團隊之手，將臨床指南的框架和重點內(nèi)容重新整理，轉(zhuǎn)化為計算機能夠理解的語言和流程后，再輸給大模型。

“如果不加限制地直接投喂，大模型會發(fā)散到其他方面，生成一些新的理解。但臨床指南已經(jīng)是最高級別的標準化診療推薦，在此基礎(chǔ)上的任何修改都是錯誤的，也不是我們想要的。”邳靖陶告訴記者，想讓大模型“聽話”，除了要投喂計算機能“聽懂”的知識，更關(guān)鍵的是教給它一套臨床醫(yī)生的“思維鏈”，并依托這一能力對不同患者的臨床資料進行推理。

例如，一位腦血管病醫(yī)生的診療流程大致包括詢問病史，進行體格檢查，考慮輔助檢查，綜合分析后給出準確診斷等環(huán)節(jié)?；谠\斷結(jié)果，醫(yī)生會考慮患者的具體病因和其他基礎(chǔ)疾病情況，結(jié)合標準化的診療建議，制定規(guī)范化的治療方案。

在這個過程中，不同的患者主訴指向不同的詢問方向。但問題是，大模型的思維雖然“發(fā)散”，但不具備自主搭建思維鏈的能力，所以需要工科團隊深刻理解臨床診療場景，將醫(yī)生的臨床思維轉(zhuǎn)換為機器可以理解的思維。而這個過程讓臨床醫(yī)生和技術(shù)團隊，都經(jīng)歷了交叉學習的歷練。

“Gap（差距）主要是語言交流上的障礙，比如我們不理解思維鏈，他們不理解不同疾病間的關(guān)系。但這不會對我們的研究造成實質(zhì)性影響，只要了解對方領(lǐng)域的基礎(chǔ)知識，就能掃清困難。”邳靖陶說。

負責的仍是臨床醫(yī)生

邳靖陶透露，目前腦血管病專病大模型正在北京清華長庚醫(yī)院神經(jīng)中心進行臨床驗證。此前，他和同事們使用真實病例或模擬復(fù)雜臨床場景，對大模型進行過內(nèi)部測試。這項測試建立在前期簡單測試的基礎(chǔ)之上，旨在評估大模型對不同復(fù)雜程度、不同語言風格和不同級別醫(yī)生的病歷的理解能力。

其中，最困擾邳靖陶的一個問題是，如果大模型出現(xiàn)了錯誤，怎么保證臨床醫(yī)生不受干擾呢？換言之，臨床醫(yī)生應(yīng)該怎么處理和大模型之間的關(guān)系？

這一矛盾在首次內(nèi)部測試時就出現(xiàn)了。當時，邳靖陶模擬了一個復(fù)雜的臨床場景，大模型給出的治療方案和預(yù)想的“標準答案”有所出入。隨后，技術(shù)人員介入并回溯了大模型的推理過程，試圖找出可能的錯誤，卻無功而返。而當邳靖陶用“標準答案”去匹配臨床指南時，讓他印象深刻的結(jié)果出現(xiàn)了：是自己的診療思路存在盲區(qū)。

“一開始這個模型設(shè)計出來，到底能不能用于臨床，能不能起到提升和改善（診療效率）的作用，其實我心里也沒有底。但是這件事之后，給了我特別大的底氣。”邳靖陶總結(jié)這次經(jīng)歷，發(fā)現(xiàn)患者的臨床癥狀是一個綜合結(jié)果。例如，患者可能因為神經(jīng)系統(tǒng)問題住院，但心血管、腎臟、肝臟狀況也在發(fā)生變化。盡管醫(yī)生接受過規(guī)范化的專科培訓(xùn)，但診療思維仍可能存在盲點，無法保證每次都能提供全面的診療方案。

另外，臨床指南是不斷更新的，并非所有醫(yī)生都能及時更新知識。當醫(yī)生的知識更新滯后時，大模型可以幫助彌補這些紕漏。

不過，閱讀指南并作出判斷，仍是臨床醫(yī)生不能丟棄的基本功。邳靖陶表示，如果醫(yī)生發(fā)現(xiàn)大模型提供的診療方案與自身判斷不符，不應(yīng)簡單地接受或拒絕，而應(yīng)深入探究原因。這一思考過程有助于醫(yī)生提高臨床診療能力，是大模型作為臨床輔助診斷工具的終極愿景。畢竟，雖然大模型可以提供結(jié)論，但對診療過程負責的仍是臨床醫(yī)生本人。

呼吁更多人加入

2023年7月，谷歌Research和DeepMind共同打造的全球首個全科醫(yī)療大模型Med-PaLM M正式發(fā)布。資料顯示，這個大模型具備臨床語言、影像和基因組學的理解能力，用于臨床指日可待。

而根據(jù)《2023醫(yī)療健康A(chǔ)I大模型行業(yè)研究報告》，截至2023年10月，國內(nèi)累計公開的大模型數(shù)量達到238個，其中，醫(yī)療大模型近50個，涉及患者問診、醫(yī)生助手、藥物研發(fā)、健康科普等多個領(lǐng)域。據(jù)邳靖陶觀察，許多醫(yī)療大模型的開發(fā)從“全科”出發(fā)，試圖直接構(gòu)建一個涵蓋所有?？频拇笮腿颇Ｐ?，供用戶咨詢各種疾病。

但在參與構(gòu)建腦血管病專病大模型后，武劍教授團隊對這一模式表示懷疑。他們發(fā)現(xiàn)，把一種疾病的臨床指南梳理清楚頗具難度，打造對應(yīng)的思維鏈也耗時耗力，短期內(nèi)很難用同樣的方法訓(xùn)練出全科模型。換言之，目前的全科大模型能夠做到醫(yī)學科普，但很難在特定?？祁I(lǐng)域提供有效的臨床指導(dǎo)。因此，武劍教授團隊的研發(fā)思路是以專病為起點，再走向全科。

“如果針對腦血管病的專病大模型走通了，我們可以把成功經(jīng)驗復(fù)制到其他神經(jīng)系統(tǒng)疾病上；如果神經(jīng)系統(tǒng)疾病覆蓋全面了，就成了專科大模型；神經(jīng)科的經(jīng)驗再復(fù)制到其他科，就會形成一個真正的全科醫(yī)療大模型。”邳靖陶表示，在武劍教授看來，國內(nèi)發(fā)病人數(shù)越多、疾病負擔越大的疾病，其專病大模型的臨床需求和研發(fā)空間就會越大，例如我國發(fā)病率最高的四大慢病——高血壓、糖尿病、冠心病、腦血管病都有非常廣闊的大模型開發(fā)空間。

而在腦血管病專病大模型的發(fā)布會上，武劍教授已經(jīng)通過招募令的形式，呼吁全國神經(jīng)系統(tǒng)疾病領(lǐng)域的專家，以及人工智能領(lǐng)域的專業(yè)人士攜手把握創(chuàng)新技術(shù)的改革可能，改善臨床診療現(xiàn)狀。他表示，如果能打破學術(shù)壁壘，醫(yī)療大模型的重復(fù)性工作是完全可以避免的。

“這不是我們一個人能做的事情。”邳靖陶說。

封面圖片來源：受訪者供圖