螺旋上升的成本、时常瘫痪的设施、无法确定的产能、身心俱疲的员工、难以补充的劳动力,再加上杂乱无序的业务体系——听起来如此病态的种种元素,共同构成了人类社会的核心根基之一,医疗保健行业。人工智能的兴起能否帮助医院和医疗保健服务商解决现实难题?很有可能,虽然速度还不够快,但进展确已出现。
虽然人们对医疗保健AI抱有浓厚兴趣,但凯捷在最近的调查报告中指出,“高管团队的文化适应水平还比较落后,因此最需要AI加持的制药、医疗技术和医院等组织反而行动较慢。”报告作者还提到,最大的问题就出在数据身上。研究团队在调查中发现,“各类医疗保健组织仍将加强患者护理途径、改善护理成效作为首要任务。”但在调查到的各医疗保健组织内,只有约三分之一会优先考虑患者信息是否可用。“这一比例与上年(2021年,即上份报告的调查年份)相比并无重大进展。”
好消息是,不少医疗保健服务商正在加强自身AI探索工作。Baptist Health South Florida首席信息官Tony Ambrozie表示,“医疗保健行业如今开始以规模更大、复杂度更高的方式推行AI与机器学习解决方案。AI与机器学习将增强行业对大量可用数据的理解能力。”
Ambrozie继续补充道,行业内的探索机会并不稀缺。“使用AI和机器学习来改善患者获取医疗服务体验的空间很大,包括改善护理效果、整理出有意义且能够指导具体操作的健康数据等。对消费记录和过往病历的消耗数据做分析还能实现智能情境路由,帮助消费者和患者更好地管理自身健康,这也是接下来值得探索的重要方向,而且相关尝试已经得到其他行业的反复证实。”
当然,医疗保健行业是个庞大的整体,其中包含种种各有特点的活动元素,所以实际情况当然更为复杂。但颠覆之期已然临近,AI与自动化完全有机会承担起那些之前需要从业者死记硬背、或者投入大量时间精力重复操作的繁琐任务。Qventus公司CEO Mudit Garg表示,“医疗保健是个极其复杂的行业,也往往是各国监管力度最大的行业。从业者需要接受严格审计、专注于处理对病患而言生死攸关的工作,而AI有望简化其中的许多流程。”
那么,AI要如何持续发展以满足患者需求?Ambrozie认为,“首先就是在了解短期护理需求之外,真正把握患者的长期健康需求,而这必然要求分析难以想象的庞大数据——包括基因组、人口统计数据、病史、环境因素、症状等。实际上,供应商不可能手动完成如此规模的数据分析。AI和机器学习正不断发展,为超大规模健康数据的处理和分析提供自动化解决方案,最终帮助医师为每位患者找到安全且个性化的治疗途径。”
但推进AI发展时面对的挑战和变革,远远不止于技术范畴。研究团队发现,“随着数据和AI逐步进入医疗保健领域,一场深刻的文化变革也就此拉开序幕。当然,这样的变革不可能一蹴而就。不少组织正在制定自己的文化适应计划,希望用有吸引力的形式储备资源数据、建立AI素养。总之,AI的问题已经不仅仅是个技术问题。”
人们总是担心AI元素过多可能导致医疗保健中的个性化元素缺失,但只要经过认真考量与缜密规划,AI的介入反而有望增强人文关怀。Garg解释道,“包括供应商在内,很多人都觉得AI缺乏人情味、不会替患者着想。实际上,由AI驱动的医疗保健自动化运营能够将临床医师等从业者从繁琐的手动任务中解放出来,帮助他们真正将全部注意力集中在患者护理之上。现在已经有一部分基于AI的产品能够预测事件,其中最具影响力的成果将被纳入工作流程,帮助解决问题并指导现场用户采取行动。”
在AI的推动下,医疗保健系统迎来了以下几种重要新动态:
• 更强调以患者为中心:凯捷研究团队表示,“各利益相关方现在不仅能更好地了解患者的真实需求,同时也更有信心能够满足他们提出的需求。”
• 以更智能的方式利用资源:“供应商和医院的资源有限,随着全球人口老龄化加剧,对护理容量的需求将给各方带来越来越大的压力。因此,必须最大限度优化资源(包括医护服务、手术室等设施)利用率。而使用AI和机器学习,无疑是预测需求并优化资源利用率的绝佳手段。更多、更快、更好的护理服务必然能够挽救无数宝贵的生命。”
• 扩大收入空间。Garg认为,“AI驱动的护理自动化能够改善调度能力,最大限度提高手术室利用率,从而帮助医疗保健机构增加运营收入。通过自动化办理出院流程的方式,AI技术还能缩短患者的平均在院时间。与此同时,医院正在努力应对由新冠疫情爆发而加剧的劳动力短缺问题。有限的人手不能再浪费在程序性任务上,他们应当腾出时间去做更重要的工作。而AI驱动的护理自动化将把这一切变为可能。”
• 更富成效的研究产出:凯捷研究团队观察到,“初创企业、大型制药公司和研究机构也在利用AI技术重塑研发格局。我们看到各方在用更多新方法选取最有前途的候选药物,甚至包括量子计算。更多围绕流程重塑、新数据源吸纳、患者/从业者痛点应对等展开的增值用例,共同掀起了一轮令人兴奋的药物开发效率竞赛。”
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。