经过几十年的“医生说的准没错”之后,传统医患关系正处于重大转折的临界点。OpenAI的ChatGPT、谷歌的Bard以及微软的Bing等生成式AI工具,将赋予人们更多的决策权和控制权——这种权利不仅渗透进个人生活和日常工作,更将在医疗健康层面有所体现。
随着生成式AI工具变得更加智能、安全且可靠(预计在未来五年内,AI功能将增强32倍),普通美国民众将能够随时随地获取无与伦比的医疗专业知识,而且是以易于理解的形式呈现。
目前,谷歌的Med-PaLM 2模型已经在美国行医执照考试中获得与专家相当的86.5%得分,而其他AI工具在诊断复杂疾病方面的技能和准确性也已经与普通医生相当。
很快,AI工具将能够与健康监测器和电子病历相集成,为患者提供关于特定医疗问题的详细信息(甲骨文/Cerner和Epic已经在推进此类EHR电子健康信息项目)。假以时日,相信人们能够像如今的临床医生一样准确、有效地自我诊断并管理健康问题。
而这种新兴的专业知识来源,也将动摇传统临床实践的根基。
尽管公共卫生专家长期以来一直强调临床医生与患者共同努力、携手决策的理念,但在现实推进方面却一直举步维艰。生成式AI的发展普及有望改变这一现状。
要了解生成式AI将如何影响医学实践,我们最好先从当前的医患动态入手。
医患关系最早可以追溯至五千年前,而且长期处于不对等的对抗状态之下。患者别无选择,只能以几乎完全依赖医生的方式了解自身疾病、获取诊疗意见。
尽管患者现在已经可以访问互联网来查询潜在诊断与治疗方案,但专业医疗知识的缺少导致他们无从具体甄别。事实上,大量线上资源之间往往相互矛盾、模糊不清、严重过时甚至存在误导倾向——换言之,对信息的筛选提炼本身就极具难度。而且网络用户也无法配合自己的年龄、病史、基因构成、当前用药和化验结果等指标获取有针对性的可靠建议。
未来,生成式AI将创造出公平的竞争环境,进而颠覆传统医患关系。
消费级AI工具不仅能够为用户提供知识,更能给出专业性的指导意见。这类工具能够让普通人以前所未有的高复杂方式创作艺术杰作、编写热门歌曲和输出计算机代码。而下一代AI技术也将为患者提供类似的能力,包括那些不具备科学或医学背景的病患。
如同一位数字化助手,生成式AI将以搜索引擎无法企及的方式缩小医生和患者之间的知识差距。通过访问数百万份医学文本、同行评审期刊和科学文章,ChatGPT能够以通俗易懂的语言提供准确而公正的医学专业知识。而且与互联网资源不同,生成式AI工具不会内置广告宣传机制、或者其他可能歪曲分析结论的利益要素。
为了帮助患者和医生驾驭这个即将到来的生成式AI时代,我们也许可以从以下几种经过验证的未来医疗实践模式起步:
“翻转课堂”概念的历史可以追溯到近四十年前,并且自2000年初通过北加州的Khan Academy开始在全美掀起热潮。
学生们的学习过程是通过线上观看视频和使用互动工具开始的,这就与传统课堂形成了鲜明反差。这种课前准备(或者说预习)模式允许人们按照自己的节奏安排学习内容。此外,翻转课堂还强调课间商议,让教师和学生比以往更深入地讨论主题。事实上,学生应该把握宝贵的课堂时间利用知识和协作解决问题,而不仅仅是被动听讲和记笔记。
生成式AI的引入,也为医疗保健领域的其他应用打开了大门。下面来看这项技术在实践中的几种运作方式:
美国的医疗模式常常令患者感到沮丧、不知所措。与此同时,医生们则负担沉重,过高的工作强度经常导致仓促诊断甚至误诊,由此导致的死亡和致残问题估计每年高达80万例。
受Khan Academy的启发,新的“翻转”模式利用生成式AI帮助患者掌握专业知识。这种新模式将为临床医生节约下宝贵时间,充分运用每一次就诊机会。诚然,实现这一宏伟目标还需要AI技术的后续改进以及医疗文化的整体演变,但这至少开启了希望之门,让我们看到医患关系更加和谐、患者主动改善自身健康状况的可能性。
如果还抱有疑虑,大家可以跟Khan Academy的教育工作者们聊聊,他们会分享这种创新模式如何让学生们获得更好的教育体验,包括与传统教育系统内的师生相比、该学院中的师生满意度为何遥遥领先。教育如此,医疗也将如此。
好文章,需要你的鼓励
CIO们正面临众多复杂挑战,其多样性值得关注。除了企业安全和成本控制等传统问题,人工智能快速发展和地缘政治环境正在颠覆常规业务模式。主要挑战包括:AI技术快速演进、IT部门AI应用、AI网络攻击威胁、AIOps智能运维、快速实现价值、地缘政治影响、成本控制、人才短缺、安全风险管理以及未来准备等十个方面。
北航团队发布AnimaX技术,能够根据文字描述让静态3D模型自动生成动画。该系统支持人形角色、动物、家具等各类模型,仅需6分钟即可完成高质量动画生成,效率远超传统方法。通过多视角视频-姿态联合扩散模型,AnimaX有效结合了视频AI的运动理解能力与骨骼动画的精确控制,在16万动画序列数据集上训练后展现出卓越性能。
过去两年间,许多组织启动了大量AI概念验证项目,但失败率高且投资回报率令人失望。如今出现新趋势,组织开始重新评估AI实验的撒网策略。IT观察者发现,许多组织正在减少AI概念验证项目数量,IT领导转向商业AI工具,专注于有限的战略性目标用例。专家表示,组织正从大规模实验转向更专注、结果导向的AI部署,优先考虑能深度融入运营工作流程并产生可衡量结果的少数用例。
这项研究解决了AI图片描述中的两大难题:描述不平衡和内容虚构。通过创新的"侦探式追问"方法,让AI能生成更详细准确的图片描述,显著提升了多个AI系统的性能表现,为无障碍技术、教育、电商等领域带来实用价值。