大規(guī)模生成式語(yǔ)言模型在醫(yī)療領(lǐng)域的應(yīng)用：機(jī)遇與挑戰(zhàn)

肖仰華 徐一丹

(1上海市數(shù)據(jù)科學(xué)重點(diǎn)實(shí)驗(yàn)室 復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院 上海200438 2復(fù)旦大學(xué)生物醫(yī)學(xué)研究院 上海200032)

1 引言

自2022年12月ChatGPT發(fā)布以來(lái)，大規(guī)模生成式語(yǔ)言模型(generative language model，GLM)(以下簡(jiǎn)稱大語(yǔ)言模型或大模型)在學(xué)術(shù)界與工業(yè)界引起強(qiáng)烈關(guān)注，帶動(dòng)了一系列通用人工智能技術(shù)(artificial general intelligence，AGI)的快速發(fā)展，包括圖文生成模型、具身多模態(tài)語(yǔ)言模型等。作為對(duì)話式大型語(yǔ)言模型，ChatGPT提供開放式人機(jī)對(duì)話能力，具備文本理解能力，能理解用戶的問題，提供比較精準(zhǔn)的問答服務(wù)，同時(shí)還具有較強(qiáng)的文本生成能力，短期內(nèi)吸引了海量用戶。

ChatGPT在開放問答場(chǎng)景的優(yōu)異能力能否遷移到垂直領(lǐng)域，特別是醫(yī)療領(lǐng)域，是當(dāng)下醫(yī)療行業(yè)十分關(guān)心的問題。一些研究開始嘗試將其應(yīng)用于美國(guó)執(zhí)業(yè)醫(yī)師資格考試(United States Medical Licensing Examination，USMLE)[1]，以及心血管疾病[2]、阿爾茨海默病等疾病診療[3]，近期更有報(bào)道稱ChatGPT確診了多名醫(yī)生無(wú)法診斷的罕見病[4]。本文針對(duì)以ChatGPT為代表的生成式語(yǔ)言模型在醫(yī)療應(yīng)用中的機(jī)遇與挑戰(zhàn)、智能醫(yī)療新范式和醫(yī)學(xué)大模型如何進(jìn)一步發(fā)展展開分析，并給出相應(yīng)觀點(diǎn)與判斷。

大模型在很多場(chǎng)合被視作一類基礎(chǔ)模型，即在大規(guī)模數(shù)據(jù)上訓(xùn)練且可適配(如微調(diào))廣泛下游任務(wù)的模型。泛化能力比較好的基礎(chǔ)模型通常需要海量參數(shù)，比如百億甚至是千億的參數(shù)規(guī)模，因而常被稱作大模型。大模型通常使用大型神經(jīng)網(wǎng)絡(luò)(如Transformer)，通過自監(jiān)督學(xué)習(xí)機(jī)制[5]，針對(duì)海量文本、圖像等數(shù)據(jù)進(jìn)行訓(xùn)練與建模。針對(duì)語(yǔ)言數(shù)據(jù)訓(xùn)練而得的模型就是語(yǔ)言模型。當(dāng)參數(shù)量超過一定規(guī)模時(shí)，語(yǔ)言模型的性能得到顯著提升，并且具備小規(guī)模語(yǔ)言模型所沒有的能力[6]，這一現(xiàn)象被稱作“涌現(xiàn)”。在通用領(lǐng)域中出現(xiàn)的大語(yǔ)言模型在遵循指令和產(chǎn)生類人回復(fù)方面表現(xiàn)優(yōu)異，但在特定的專業(yè)領(lǐng)域(如醫(yī)療領(lǐng)域)，其效果往往差強(qiáng)人意。將大模型應(yīng)用于醫(yī)學(xué)領(lǐng)域時(shí)，往往需要微調(diào)(如ChatDoctor)，才能具備專業(yè)領(lǐng)域的知識(shí)，勝任諸如臨床、科研、教育等應(yīng)用[7-8]。

2 大模型為我國(guó)醫(yī)療行業(yè)發(fā)展帶來(lái)的新機(jī)遇

2.1 補(bǔ)充人類認(rèn)知能力，應(yīng)對(duì)復(fù)雜醫(yī)學(xué)體系

近10年來(lái)受益于信息技術(shù)的發(fā)展與應(yīng)用，醫(yī)學(xué)技術(shù)迅猛發(fā)展并帶來(lái)新一輪醫(yī)療變革，為疾病診斷及治療、健康預(yù)防和管理帶來(lái)全新機(jī)遇[9]。隨著海量醫(yī)學(xué)文獻(xiàn)的指數(shù)級(jí)增長(zhǎng)，醫(yī)學(xué)從業(yè)人員已經(jīng)難以閱讀、學(xué)習(xí)、理解快速積累的醫(yī)學(xué)知識(shí)。醫(yī)療專業(yè)細(xì)分造成不同醫(yī)學(xué)學(xué)科之間的認(rèn)知壁壘。面對(duì)日益復(fù)雜的醫(yī)學(xué)體系，人類的認(rèn)知能力已經(jīng)難以應(yīng)對(duì)不斷出現(xiàn)的新病種(如環(huán)境病、勞動(dòng)病)與新病毒。以大模型為代表的機(jī)器認(rèn)知成為人類認(rèn)知能力的補(bǔ)充，發(fā)展基于大模型的醫(yī)學(xué)認(rèn)知智能，實(shí)現(xiàn)人機(jī)認(rèn)知協(xié)作，才能有效掌握日益復(fù)雜的醫(yī)學(xué)體系與醫(yī)療系統(tǒng)。

2.2 為醫(yī)療提質(zhì)增效，緩解專家資源稀缺問題

在醫(yī)療領(lǐng)域，以ChatGPT為代表的生成式語(yǔ)言模型可以較好地完成醫(yī)療助理類工作，如預(yù)約掛號(hào)、信息管理、健康咨詢等，提高醫(yī)療人員的工作效率與質(zhì)量，降低患者信息獲取門檻。大模型還能就病情給出診斷建議、治療方案、類案推薦，從而開拓醫(yī)生的診治思路、提示用藥風(fēng)險(xiǎn)與臨床指南，實(shí)現(xiàn)臨床輔助決策；同時(shí)幫助醫(yī)療專業(yè)人員閱讀大量文獻(xiàn)、提煉核心觀點(diǎn)與結(jié)論，便于其了解行業(yè)動(dòng)態(tài)，加速實(shí)驗(yàn)進(jìn)程等[10]。隨著知識(shí)體系的完善和認(rèn)知能力的增強(qiáng)，大模型可以借助問答交互形式完成常規(guī)疾病的診斷或醫(yī)療建議，對(duì)相似病例進(jìn)行搜索與推薦，從而勝任部分普通醫(yī)生的工作。隨著大模型在醫(yī)療行業(yè)應(yīng)用的深入，醫(yī)生的時(shí)間和精力有望得到進(jìn)一步解放，從而緩解醫(yī)學(xué)專家資源稀缺的問題。

2.3 緩解醫(yī)學(xué)發(fā)展不平衡問題

大模型在醫(yī)學(xué)教育中應(yīng)用潛力較大。例如能生成課堂上使用的練習(xí)、測(cè)驗(yàn)和場(chǎng)景，幫助醫(yī)學(xué)生進(jìn)行練習(xí)和評(píng)估。基于大模型的醫(yī)學(xué)智能教育使欠發(fā)達(dá)地區(qū)的醫(yī)生和患者能夠及時(shí)獲取前沿、權(quán)威的醫(yī)學(xué)知識(shí)，有助于縮小城鄉(xiāng)醫(yī)療水平差距，提高醫(yī)療服務(wù)均等性[11]。

2.4 筑牢醫(yī)療安全底線

安全是醫(yī)療活動(dòng)的底線。臨床醫(yī)生在執(zhí)業(yè)過程中存在主觀上忽視的可能。醫(yī)療大模型可提供實(shí)時(shí)提醒和輔助，例如通過提醒、核對(duì)清單等方式幫助醫(yī)生遵循正確的用藥流程，減少疏忽和錯(cuò)誤；通過挖掘醫(yī)療記錄和數(shù)據(jù)，識(shí)別患者的用藥歷史、潛在藥物相互作用風(fēng)險(xiǎn)，提醒醫(yī)生用藥注意事項(xiàng)等。

2.5 加速醫(yī)學(xué)科研進(jìn)程

大模型在加快醫(yī)學(xué)研究、推動(dòng)新藥研制等方面具有巨大潛力[8]。大規(guī)模參數(shù)化的深度神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為蛋白質(zhì)、小分子化合物表示學(xué)習(xí)的重要手段，對(duì)藥物預(yù)測(cè)與發(fā)現(xiàn)具有積極意義，未來(lái)有望顯著加快醫(yī)學(xué)發(fā)現(xiàn)進(jìn)程。基于大模型的“預(yù)訓(xùn)練+微調(diào)”范式對(duì)于充分提煉海量醫(yī)學(xué)數(shù)據(jù)中的有效特征，并將其遷移應(yīng)用至新疾病、新藥物，已發(fā)揮巨大作用[12-14]。通過分析大量醫(yī)學(xué)數(shù)據(jù)，大規(guī)模預(yù)訓(xùn)練語(yǔ)言模型可以習(xí)得不同醫(yī)學(xué)學(xué)科專業(yè)知識(shí)，例如放射學(xué)、病理學(xué)和腫瘤學(xué)，為跨學(xué)科綜合性疾病、疑難雜癥的診治帶來(lái)機(jī)遇。

2.6 實(shí)現(xiàn)慢性病智能化管理與決策，應(yīng)對(duì)老齡化挑戰(zhàn)

隨著我國(guó)老齡化進(jìn)程的加速，慢性病(糖尿病、心臟病、癌癥等)健康咨詢與管理給社會(huì)化醫(yī)療帶來(lái)巨大成本。慢性病管理、健康咨詢、用藥咨詢等通常可以通過個(gè)人自助、聊天問答等形式實(shí)現(xiàn)。經(jīng)過慢性病與健康知識(shí)增強(qiáng)的ChatGPT類語(yǔ)言模型能夠較好地勝任此類場(chǎng)景。相對(duì)于醫(yī)學(xué)診治而言，慢性病與健康管理多屬于健康建議，對(duì)精確性要求相對(duì)較低，很多時(shí)候給出原則正確但相對(duì)模糊的答案是可以接受的(如患者咨詢?nèi)绾谓笛珻hatGPT通常會(huì)回答“飲食調(diào)節(jié)、運(yùn)動(dòng)鍛煉、戒煙限酒、控制體重”等)。如果將用戶個(gè)人信息與ChatGPT能力結(jié)合，有可能進(jìn)一步實(shí)現(xiàn)個(gè)性化健康管理，引導(dǎo)大模型產(chǎn)生與患者信息高度契合的健康建議。ChatGPT類大模型還可以與各類健康設(shè)備(如具有心率和血壓檢測(cè)功能的手表)協(xié)同，實(shí)現(xiàn)更加智能的實(shí)時(shí)健康監(jiān)測(cè)與提醒。

3 大模型驅(qū)動(dòng)成為智能醫(yī)療新范式

3.1 人工智能應(yīng)用的兩種典型技術(shù)范式

在人工智能與各行業(yè)應(yīng)用深度融合過程中，形成了數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)和知識(shí)驅(qū)動(dòng)的符號(hào)計(jì)算兩種典型的技術(shù)范式。數(shù)據(jù)驅(qū)動(dòng)范式主要通過樣本擬合習(xí)得統(tǒng)計(jì)模型以求解實(shí)際問題，是踐行人工智能聯(lián)結(jié)主義思想的主要形式之一。知識(shí)驅(qū)動(dòng)范式主要通過構(gòu)建符號(hào)表達(dá)的知識(shí)庫(kù)形成推理能力來(lái)解決問題，是踐行人工智能符號(hào)主義思想的主要形式之一。兩種范式各有優(yōu)缺點(diǎn)，數(shù)據(jù)驅(qū)動(dòng)范式能夠充分捕捉海量數(shù)據(jù)中所蘊(yùn)含的隱性特征，基于深度學(xué)習(xí)的端到端學(xué)習(xí)與自監(jiān)督學(xué)習(xí)進(jìn)一步降低專家特征工程與樣本標(biāo)注成本。知識(shí)驅(qū)動(dòng)的符號(hào)計(jì)算擅長(zhǎng)符號(hào)推理，過程可解釋、可干預(yù)，在環(huán)境封閉、規(guī)則明確的應(yīng)用場(chǎng)景取得較好效果。二者均對(duì)機(jī)器認(rèn)知智能的發(fā)展具有積極作用。

3.2 大模型驅(qū)動(dòng)——智能醫(yī)療新范式

兩種典型技術(shù)范式在實(shí)際應(yīng)用中仍存在問題。以知識(shí)圖譜為代表的知識(shí)驅(qū)動(dòng)范式訴諸顯式的符號(hào)表示表達(dá)知識(shí)，難以表達(dá)專家經(jīng)驗(yàn)以及常識(shí)知識(shí)。傳統(tǒng)統(tǒng)計(jì)模型以小規(guī)模參數(shù)化模型為主，難以對(duì)復(fù)雜世界、復(fù)雜業(yè)務(wù)進(jìn)行完整、準(zhǔn)確建模。而大模型在一定程度上能夠緩解上述問題。大模型從海量語(yǔ)料中習(xí)得蘊(yùn)含于語(yǔ)料中的知識(shí)，包括常識(shí)知識(shí)、世界知識(shí)、專業(yè)知識(shí)等，從而完成對(duì)于復(fù)雜世界的完整建模。大模型本質(zhì)上是基于大規(guī)模深度神經(jīng)網(wǎng)絡(luò)(如Transformer架構(gòu))訓(xùn)練出的統(tǒng)計(jì)模型，能夠準(zhǔn)確反映建模符號(hào)之間的統(tǒng)計(jì)關(guān)聯(lián)，完整地表達(dá)蘊(yùn)含于文本中的隱性知識(shí)，對(duì)于再現(xiàn)領(lǐng)域?qū)＜业闹庇X推理能力具有重要意義。大模型有望成為傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)范式與知識(shí)驅(qū)動(dòng)范式發(fā)展的最后歸宿。具體到醫(yī)療領(lǐng)域，大模型將成為醫(yī)療認(rèn)知智能的重要基座。

4 大模型為醫(yī)療智能化帶來(lái)的新機(jī)遇

4.1 知識(shí)容器

4.1.1 大規(guī)模語(yǔ)言模型是巨大的參數(shù)化知識(shí)容器 語(yǔ)言模型從海量語(yǔ)料自監(jiān)督訓(xùn)練而來(lái)。從知識(shí)角度可以視作一個(gè)巨大的參數(shù)化知識(shí)容器，即以參數(shù)化形式編碼數(shù)據(jù)中蘊(yùn)含的知識(shí)容器。之所以將之視作知識(shí)容器而不是知識(shí)庫(kù)，是因?yàn)槠湓谥R(shí)存取方式上不如后者直觀。語(yǔ)言模型中的知識(shí)獲取必須經(jīng)歷特定的知識(shí)誘導(dǎo)，即構(gòu)造合理的問題作為提示，才能獲得所需結(jié)果。而傳統(tǒng)知識(shí)庫(kù)中的知識(shí)通常是符號(hào)表達(dá)，有著明確的語(yǔ)法與語(yǔ)義結(jié)構(gòu)，可以通過明確的查詢語(yǔ)言或者應(yīng)用程序接口(application programming interface，API)獲取，見圖1。

圖1 知識(shí)圖譜與語(yǔ)言模型知識(shí)獲取方式的差異

語(yǔ)言模型的參數(shù)化知識(shí)表達(dá)是造成上述差異的根本原因。當(dāng)前語(yǔ)言模型多是基于Transformer模型架構(gòu)進(jìn)行訓(xùn)練的，不同大模型架構(gòu)略有差異，其本質(zhì)均是多層深度神經(jīng)網(wǎng)絡(luò)，具有數(shù)億至千億規(guī)模參數(shù)。雖然研究者努力嘗試解釋其內(nèi)在結(jié)構(gòu)與運(yùn)行機(jī)理，但深度神經(jīng)網(wǎng)絡(luò)總體上仍是“黑盒”。這從根本上決定與傳統(tǒng)知識(shí)庫(kù)相比，作為知識(shí)容器的大模型在可理解、可解釋、可編輯等方面存在不足。此外，語(yǔ)言模型和傳統(tǒng)的知識(shí)容器(如數(shù)據(jù)庫(kù)、規(guī)則庫(kù)、知識(shí)庫(kù))在表達(dá)形式、知識(shí)內(nèi)容、知識(shí)特性等方面都存在本質(zhì)區(qū)別，見表1。例如，知識(shí)圖譜中的三元組使用符號(hào)表達(dá)，易于理解和編輯(增、刪、改、查)，因此具有較高可控性；而大模型中的參數(shù)化知識(shí)難于編輯，很難勝任可控性要求較高的應(yīng)用場(chǎng)合。又如知識(shí)圖譜推理主要使用符號(hào)推理，而大模型本質(zhì)上是一個(gè)統(tǒng)計(jì)生成模型，其推理本質(zhì)上是概率推斷。

表1 知識(shí)圖譜與語(yǔ)言模型對(duì)比

4.1.2 醫(yī)學(xué)知識(shí)表達(dá)需要知識(shí)圖譜與大模型相互補(bǔ)充 醫(yī)學(xué)領(lǐng)域知識(shí)密集且不斷發(fā)展，包括診斷、治療、藥物、疾病等方面的信息。大模型可以通過海量醫(yī)學(xué)文獻(xiàn)、專業(yè)書籍和其他來(lái)源的內(nèi)容，學(xué)習(xí)醫(yī)學(xué)領(lǐng)域內(nèi)各種概念和知識(shí)，從而具備回答醫(yī)學(xué)問題的能力。很顯然醫(yī)學(xué)領(lǐng)域應(yīng)用對(duì)于知識(shí)的可控與可編輯、可理解等具有較高要求，因此知識(shí)圖譜等傳統(tǒng)知識(shí)庫(kù)是不可或缺的。醫(yī)學(xué)大模型所編碼的隱性知識(shí)可以作為醫(yī)學(xué)常識(shí)的容器，對(duì)醫(yī)學(xué)知識(shí)圖譜具有顯著補(bǔ)充作用。總體而言，醫(yī)學(xué)領(lǐng)域知識(shí)仍要以醫(yī)學(xué)知識(shí)圖譜為主，以醫(yī)學(xué)大模型為輔，才能勝任嚴(yán)肅應(yīng)用的較高要求。

4.1.3 通用大模型的通識(shí)能力是實(shí)現(xiàn)醫(yī)療專業(yè)認(rèn)知能力的前提 通用大模型基于來(lái)源多樣的語(yǔ)料進(jìn)行訓(xùn)練，具備較強(qiáng)通識(shí)能力，可習(xí)得不同學(xué)科的知識(shí)。這種通識(shí)能力對(duì)于大模型理解開放世界的文本與數(shù)據(jù)至關(guān)重要，是各類垂直領(lǐng)域?qū)I(yè)認(rèn)知能力的前提。人類理解某個(gè)概念時(shí)，包括理解該概念范疇之外的內(nèi)涵與外延。例如在日常診療過程中，很多情況下醫(yī)生要排除疾病可能性。換句話說，要想理解疾病首先必須理解健康。因此這種“先通識(shí)、再專識(shí)”的智能實(shí)現(xiàn)路徑與人類的教育過程極為相似。醫(yī)療的垂域認(rèn)知必須建立在具備通識(shí)能力的大模型基礎(chǔ)之上。

4.2 能力引擎

大模型具備人類水平的認(rèn)知與思維能力。人類認(rèn)知是極為復(fù)雜的現(xiàn)象。從這個(gè)角度試圖對(duì)ChatGPT的認(rèn)知能力做詳盡分類與分析是極具挑戰(zhàn)性的。但就目前大量存在的評(píng)測(cè)而言，ChatGPT類大模型已經(jīng)具備了語(yǔ)言理解、邏輯推理、常識(shí)理解、概念理解、運(yùn)籌規(guī)劃、評(píng)估評(píng)測(cè)、組合泛化、價(jià)值判斷、自識(shí)反思、問題求解等一系列普通人的核心思維與認(rèn)知能力，在實(shí)際應(yīng)用中呈現(xiàn)出較為出色的開放世界理解能力、組合創(chuàng)新能力和評(píng)估能力。大模型具有出色的開放世界理解能力，如對(duì)于任一病種，其均能通過大量文獻(xiàn)習(xí)得相關(guān)基礎(chǔ)知識(shí)。大模型的組合創(chuàng)新能力即在經(jīng)過足量常見任務(wù)的指令學(xué)習(xí)后，能夠勝任新的組合任務(wù)。例如，大模型可同時(shí)學(xué)習(xí)放射報(bào)告和對(duì)應(yīng)的X-Ray圖片，從而根據(jù)醫(yī)學(xué)影像圖片自動(dòng)生成對(duì)應(yīng)的放射學(xué)報(bào)告，以減輕放射科醫(yī)生的工作壓力[15]。目前，這種組合創(chuàng)新能力已經(jīng)遠(yuǎn)超人類認(rèn)知水平，迫使人類重新思考創(chuàng)新的本質(zhì)。

4.3 自治智能體

語(yǔ)言模型將顯著提升自治智能體的認(rèn)知水平。真實(shí)醫(yī)療場(chǎng)景任務(wù)復(fù)雜，智能體需要多次交互才能夠給出醫(yī)學(xué)建議。基于大語(yǔ)言模型的自治智能體擁有海量參數(shù)化知識(shí)與認(rèn)知能力，與傳統(tǒng)智能體相比具有顯著優(yōu)勢(shì)，主要體現(xiàn)在以下幾方面。一是更強(qiáng)大的世界建模和感知能力。由于大模型擁有大量參數(shù)化知識(shí)，為基于大模型的智能體在理解世界及其復(fù)雜性方面提供強(qiáng)大基礎(chǔ)。二是處理復(fù)雜任務(wù)的能力。利用大模型的復(fù)雜規(guī)劃和決策能力，基于大模型的自治智能體能夠處理各種復(fù)雜任務(wù)，在各領(lǐng)域都表現(xiàn)出顯著的通用性。三是高級(jí)認(rèn)知和思考能力。大語(yǔ)言模型能展示出類人的理解能力，在處理抽象概念、進(jìn)行推理、理解復(fù)雜上下文等方面能力更強(qiáng)。四是更好的交互性。大模型賦予智能體更好的語(yǔ)言處理能力和更豐富的交互方式，從而實(shí)現(xiàn)更為流暢與自然的人機(jī)交流。從大模型向自治智能體發(fā)展有待進(jìn)一步增強(qiáng)規(guī)劃與決策、自我監(jiān)督學(xué)習(xí)、理解人類社會(huì)的復(fù)雜目標(biāo)與價(jià)值、安全與倫理管理、多模態(tài)人機(jī)交互與協(xié)作能力，見圖2。

圖2 語(yǔ)言模型驅(qū)動(dòng)的自治智能體

5 大模型在醫(yī)療應(yīng)用中的局限

5.1 難以僅從文字記載中習(xí)得專家經(jīng)驗(yàn)

醫(yī)療是一類典型的嚴(yán)肅、復(fù)雜應(yīng)用場(chǎng)景，對(duì)大模型的準(zhǔn)確性、精確性、安全性、可靠性、認(rèn)知能力均提出更高要求。所謂嚴(yán)肅，是指醫(yī)療領(lǐng)域的錯(cuò)誤容忍度非常低，對(duì)合規(guī)性要求非常高。同時(shí)醫(yī)療也是一類復(fù)雜應(yīng)用場(chǎng)景，例如醫(yī)生在對(duì)患者進(jìn)行診斷時(shí)，不僅要考慮過往病史，還要通過場(chǎng)景判斷患者所述是否屬實(shí)。醫(yī)療專家多憑借自身豐富經(jīng)驗(yàn)(通常屬于隱性知識(shí))解決問題。大模型難以僅從文字記載的數(shù)據(jù)中習(xí)得，因此與資深醫(yī)療專家水平仍有差距。同時(shí)，大模型為醫(yī)療領(lǐng)域帶來(lái)新機(jī)遇。首先，大模型對(duì)患者與病情的認(rèn)知在廣度上遠(yuǎn)超人類專家。醫(yī)療診斷過程中，醫(yī)生很難完整地對(duì)患者病史進(jìn)行全面詢問，往往在信息不完全前提下作出決策，而大模型能掌握相對(duì)完整的信息。其次，大模型對(duì)跨專科的病情認(rèn)知能力遠(yuǎn)超人類專家。在臨床實(shí)踐中，亞專科醫(yī)生往往過于專注于本領(lǐng)域的疾病譜，很難對(duì)其他亞專科疾病進(jìn)行判斷，可能產(chǎn)生漏診和誤診。而醫(yī)學(xué)大模型有望提示遺漏或者罕見病癥診斷。

5.2 無(wú)法輔助解決真實(shí)工作場(chǎng)景中的復(fù)雜決策任務(wù)

以大模型為核心的人工智能技術(shù)在醫(yī)學(xué)中的應(yīng)用定位仍是輔助決策。ChatGPT類大模型本質(zhì)上是在開放環(huán)境中實(shí)現(xiàn)人機(jī)對(duì)話，但是開放聊天無(wú)法輔助解決真實(shí)工作場(chǎng)景中的復(fù)雜決策任務(wù)。例如在疾病診斷方面，醫(yī)生會(huì)根據(jù)患者的收入和醫(yī)保情況制定個(gè)性化診療方案。要?jiǎng)偃未祟惞ぷ鳎悄軝C(jī)器仍需要豐富的專業(yè)知識(shí)、合理的角色定位、病情病勢(shì)研判能力、復(fù)雜約束取舍能力、不完全信息下的推斷能力等，大模型要從聊天能手變成醫(yī)學(xué)專業(yè)助手仍然要經(jīng)歷漫長(zhǎng)的優(yōu)化過程。

5.3 幻覺問題

醫(yī)療關(guān)系到公眾生命健康，對(duì)錯(cuò)誤零容忍。任何人工智能技術(shù)都要有系統(tǒng)性的解決方案才能達(dá)到醫(yī)學(xué)嚴(yán)苛的準(zhǔn)確性與精度要求。當(dāng)前生成式大模型是生成式人工智能(AI-generated content，AIGC)領(lǐng)域的主流，而生成式大模型本質(zhì)上是概率模型，仍有產(chǎn)生錯(cuò)誤的可能。例如，胃復(fù)安的主要成分是甲氧氯普胺，而不是ChatGPT回答的天然氣孔草酮，見圖3。大模型看似嚴(yán)謹(jǐn)?shù)幕卮鹂赡艽嬖诨臼聦?shí)錯(cuò)誤，在應(yīng)用時(shí)仍然要付諸極大的代價(jià)判斷信息真?zhèn)危黾恿藨?yīng)用成本。幻覺問題是大模型落地垂域應(yīng)用不可避免的問題。

圖3 ChatGPT的幻覺問題

造成大模型幻覺問題的原因主要有3方面。首先，大模型先天能力不足，即訓(xùn)練不充分。大模型訓(xùn)練語(yǔ)料、輪次有限都會(huì)導(dǎo)致學(xué)習(xí)不充分、知識(shí)有限、推理受限等問題。其次，實(shí)際任務(wù)往往形態(tài)復(fù)雜，表達(dá)成復(fù)雜指令，大模型對(duì)復(fù)雜指令理解能力有限，進(jìn)而產(chǎn)生幻覺。再次，大模型對(duì)于特定領(lǐng)域的知識(shí)理解能力有限。由于專業(yè)領(lǐng)域知識(shí)相對(duì)薄弱、難獲取，大模型對(duì)于某些專業(yè)知識(shí)的掌握能力有限，造成相應(yīng)幻覺。

6 醫(yī)學(xué)大模型發(fā)展建議

6.1 豐富通用大模型的醫(yī)學(xué)專業(yè)知識(shí)

大模型的醫(yī)學(xué)領(lǐng)域知識(shí)仍然相對(duì)匱乏。通用大模型具備寬廣的知識(shí)底座，但深度不足。例如，由于缺乏心梗相關(guān)知識(shí)，大模型無(wú)法勝任診療任務(wù)，只能給出相對(duì)宏觀的建議(如飲食和體重控制)，見圖4。總體而言，通用大模型所訓(xùn)練的語(yǔ)料對(duì)醫(yī)學(xué)知識(shí)的涵蓋仍然相對(duì)有限。目前公開可以獲取的醫(yī)學(xué)語(yǔ)料主要包括醫(yī)學(xué)書籍、文獻(xiàn)。但是大量醫(yī)學(xué)臨床數(shù)據(jù)，如電子病歷、醫(yī)學(xué)檢驗(yàn)檢查等，由于具有較高的私密性而相對(duì)難以獲取。要解決該問題，一方面要針對(duì)隱私敏感數(shù)據(jù)，私有化訓(xùn)練與部署醫(yī)學(xué)大模型。同時(shí)進(jìn)一步提升醫(yī)學(xué)語(yǔ)料的體量與質(zhì)量，尤其要注重醫(yī)學(xué)隱私數(shù)據(jù)的清除、電子病歷與醫(yī)學(xué)檢查單據(jù)的語(yǔ)料化等。另一方面，要注重醫(yī)學(xué)領(lǐng)域結(jié)構(gòu)化知識(shí)的利用。醫(yī)療領(lǐng)域已經(jīng)建成很多大規(guī)模醫(yī)療、疾病、醫(yī)藥與健康知識(shí)庫(kù)。應(yīng)積極探索、有效利用結(jié)構(gòu)化醫(yī)學(xué)知識(shí)進(jìn)行通用大模型向醫(yī)學(xué)專業(yè)大模型的訓(xùn)練。本質(zhì)上大模型所習(xí)得的也是一種知識(shí)，如果能充分利用知識(shí)庫(kù)已經(jīng)富含的知識(shí)，就可以降低大模型習(xí)得這些知識(shí)的門檻與成本，降低專業(yè)大模型對(duì)大規(guī)模高質(zhì)量語(yǔ)料的需求。目前，通過設(shè)計(jì)領(lǐng)域知識(shí)特異的自監(jiān)督任務(wù)、增強(qiáng)預(yù)訓(xùn)練過程，以引導(dǎo)大模型習(xí)得專業(yè)性較強(qiáng)的領(lǐng)域知識(shí)已取得一定研究進(jìn)展，值得醫(yī)學(xué)領(lǐng)域借鑒。

圖4 缺乏醫(yī)學(xué)專業(yè)知識(shí)的ChatGPT難以給出具有專業(yè)深度的答復(fù)

6.2 提升大模型對(duì)醫(yī)學(xué)復(fù)雜數(shù)據(jù)的理解水平

目前大模型在自然語(yǔ)言處理與理解等任務(wù)方面取得較好效果。能夠處理多模態(tài)數(shù)據(jù)的大模型近期也得到較快發(fā)展，但是其在理解專業(yè)圖像、表格、復(fù)雜文檔結(jié)構(gòu)等方面仍然存在局限，如在處理基因/蛋白質(zhì)序列、小分子結(jié)構(gòu)、化學(xué)公式、病理圖片、分析報(bào)告等專業(yè)數(shù)據(jù)方面能力有限。醫(yī)學(xué)領(lǐng)域存在大量復(fù)雜診斷單據(jù)、醫(yī)學(xué)影像、醫(yī)學(xué)病歷，呈現(xiàn)出多模態(tài)融合、布局復(fù)雜多樣、手寫體與印刷體混雜、富含數(shù)值表達(dá)、嵌套結(jié)構(gòu)等特點(diǎn)。醫(yī)學(xué)數(shù)據(jù)是一類極為復(fù)雜的數(shù)據(jù)，要在大模型訓(xùn)練和應(yīng)用兩個(gè)階段應(yīng)對(duì)醫(yī)學(xué)數(shù)據(jù)的高度復(fù)雜性。這首先需要面向復(fù)雜醫(yī)學(xué)數(shù)據(jù)的預(yù)訓(xùn)練機(jī)制開展相關(guān)研究，特別是結(jié)合醫(yī)學(xué)數(shù)據(jù)特點(diǎn)設(shè)計(jì)相應(yīng)的自監(jiān)督學(xué)習(xí)機(jī)制，如在蛋白質(zhì)與小分子結(jié)構(gòu)預(yù)訓(xùn)練中應(yīng)體現(xiàn)其化學(xué)、生物特性。其次，要在文本之外設(shè)計(jì)針對(duì)文檔布局、多模態(tài)、數(shù)值表達(dá)的學(xué)習(xí)機(jī)制，以引導(dǎo)大模型習(xí)得文本之外的復(fù)雜數(shù)據(jù)語(yǔ)義。在這一過程中，不同模態(tài)數(shù)據(jù)之間的對(duì)齊尤為關(guān)鍵。

6.3 提升大模型對(duì)外部醫(yī)學(xué)工具的規(guī)劃與使用能力

僅憑大模型難以解決現(xiàn)實(shí)問題，仍需大模型之外的各類信息系統(tǒng)(如醫(yī)學(xué)數(shù)據(jù)庫(kù)、知識(shí)庫(kù)、文獻(xiàn)庫(kù)等)、專業(yè)醫(yī)療系統(tǒng)(如醫(yī)學(xué)影像系統(tǒng)、醫(yī)學(xué)檢測(cè)系統(tǒng))和醫(yī)療設(shè)備(如手術(shù)機(jī)械臂)等工具協(xié)同。不同外部工具功能不同，API也不同。為此，首先要進(jìn)一步提升大模型的API理解與規(guī)劃能力，將復(fù)雜任務(wù)拆解成原子步驟，并調(diào)用相應(yīng)專業(yè)API完成執(zhí)行的能力。當(dāng)前AgentGPT、MetaGPT等開源項(xiàng)目均在推動(dòng)大模型作為智能體調(diào)用多種API的能力。其次，需要提升大小模型協(xié)同、通用與專業(yè)模型協(xié)同水平。很多專業(yè)任務(wù)的醫(yī)學(xué)系統(tǒng)是專業(yè)小模型，如醫(yī)學(xué)影像檢測(cè)模型可能是百萬(wàn)參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型。可以將復(fù)雜任務(wù)分解為一系列細(xì)分任務(wù)，應(yīng)用通用大模型完成通識(shí)類語(yǔ)言理解任務(wù)，應(yīng)用專業(yè)小模型完成專業(yè)醫(yī)學(xué)任務(wù)，最后再組合形成最終方案。發(fā)揮大小模型各自優(yōu)勢(shì)是未來(lái)以大模型為核心的智能化解決方案的基本思路。

6.4 提升大模型同理心與共情能力

醫(yī)生與醫(yī)療機(jī)器人之間最大的區(qū)別在于醫(yī)生不僅具備醫(yī)學(xué)知識(shí)和專業(yè)技能，還具有作為社會(huì)人的同理心和情感。醫(yī)患溝通不同于旨在傳遞信息的溝通。患者就診時(shí)特別渴望醫(yī)護(hù)人員的關(guān)愛和體貼，因而對(duì)其語(yǔ)言、表情、動(dòng)作姿態(tài)、行為方式更加關(guān)注、敏感。例如患者家屬傷心時(shí)，如果機(jī)器人詢問是否要聽一個(gè)笑話，將引起極大反感。再如在向患者傳達(dá)信息時(shí)，“30% 的改善機(jī)會(huì)”可能比“70% 的失敗機(jī)會(huì)”更易被接受。醫(yī)生的同理心是醫(yī)患溝通、傳遞治療決策和取得患者及其家屬配合的重要前提。作為智能體，大模型不僅需要專業(yè)知識(shí)和能力，更需要理解人類通過語(yǔ)言所傳達(dá)的情感和心理狀態(tài)，并作出合理、富有同理心的答復(fù)，才能勝任醫(yī)療應(yīng)用。當(dāng)前在生成內(nèi)容時(shí)，需要對(duì)大模型適度提示，才能生成看似共情的回復(fù)。但是總體而言，大模型在穩(wěn)定、更加人性化地進(jìn)行共情對(duì)話，兼顧醫(yī)療答復(fù)的精準(zhǔn)性與安慰性方面仍然有待進(jìn)一步研究。

6.5 提升大模型解釋能力

主流大模型是基于Transformer架構(gòu)的深度神經(jīng)網(wǎng)絡(luò)。而深度模型的不透明、難理解、難解釋是限制其應(yīng)用的主要問題之一。醫(yī)療系統(tǒng)面向患者或醫(yī)生，對(duì)可解釋性有較高要求。患者需要關(guān)于醫(yī)療方案的更多解釋，而非僅有結(jié)果。醫(yī)學(xué)理論家一直嘗試揭示疾病機(jī)理、藥理，建立醫(yī)學(xué)診治理論體系，其本質(zhì)上都是對(duì)可解釋性的追求。醫(yī)療應(yīng)用對(duì)大模型的可解釋性要求較高，生成的解釋必須合理合規(guī)(正確且完整)、有理有據(jù)(援引適當(dāng)?shù)膶I(yè)權(quán)威指南、手冊(cè))、淺顯易懂(以普通患者通俗易懂的方式)、邏輯清晰(前后一致，與患者個(gè)體信息相吻合)、層次分明(詳略得當(dāng)、條分縷析)。大模型的可解釋性不僅在人機(jī)交互中具有重要作用，對(duì)大模型的安全性、可控性等問題也有決定性影響。某種程度上，正是大模型的“黑盒”特性導(dǎo)致其安全可控的困難。大模型的可解釋性內(nèi)涵十分豐富，需要從生成結(jié)果、生成過程、模型機(jī)理、訓(xùn)練過程、數(shù)據(jù)特性、參數(shù)影響等多個(gè)維度提升。

6.6 提升大模型可控編輯能力

醫(yī)生和患者都希望尋求確定性結(jié)論，這對(duì)智能系統(tǒng)的可控性和可編輯性提出較高要求。大模型本質(zhì)上是統(tǒng)計(jì)模型，其一旦習(xí)得某個(gè)事實(shí)便較難對(duì)其修改(更新)、刪除，無(wú)法從根本上實(shí)現(xiàn)知識(shí)的可控編輯。但是在醫(yī)學(xué)場(chǎng)景1%錯(cuò)誤可能性都是難以接受的。與此高度相關(guān)的另一個(gè)問題是大模型的信念修正。目前大模型在信念方面會(huì)犯兩種典型錯(cuò)誤，一是隨著用戶不同的反饋而產(chǎn)生信念搖擺，二是雖然用戶反饋了錯(cuò)誤仍堅(jiān)持其錯(cuò)誤。這兩種錯(cuò)誤都關(guān)乎大模型的信念修正或者信念編輯問題，既要改變其錯(cuò)誤信念，也要堅(jiān)定其正確信念。為此要深入研究大模型和知識(shí)圖譜深度結(jié)合的方案，利用知識(shí)圖譜的可控、可編輯優(yōu)點(diǎn)彌補(bǔ)大模型這方面能力的不足。

6.7 實(shí)現(xiàn)醫(yī)學(xué)大模型持續(xù)更新與自我提升

醫(yī)學(xué)領(lǐng)域的基本事實(shí)不斷發(fā)展，對(duì)醫(yī)學(xué)大模型的及時(shí)更新提出較高要求。新的醫(yī)學(xué)進(jìn)展(如新藥、新治療方案)及時(shí)融入大模型中，才能提醒醫(yī)生采取更優(yōu)的治療方案。除了基于外部文獻(xiàn)的更新之外，大模型能否根據(jù)專家反饋進(jìn)行自我提升與迭代優(yōu)化也十分重要。醫(yī)學(xué)專家擁有豐富的專業(yè)知識(shí)和臨床經(jīng)驗(yàn)，其反饋信息對(duì)于提高醫(yī)學(xué)模型的性能至關(guān)重要：一是可以幫助其修正錯(cuò)誤，提高診斷和決策的準(zhǔn)確性；二是可以幫助模型跟蹤最新進(jìn)展，持續(xù)進(jìn)行優(yōu)化和更新；三是可以識(shí)別模型在臨床中可能出現(xiàn)的錯(cuò)誤，幫助消除不確定性。

6.8 建立面向醫(yī)療應(yīng)用的大模型評(píng)測(cè)體系

大模型經(jīng)過客觀評(píng)測(cè)才能付諸醫(yī)學(xué)應(yīng)用，應(yīng)建立面向醫(yī)療應(yīng)用的大模型評(píng)測(cè)數(shù)據(jù)集、指標(biāo)體系和方法，以下3個(gè)問題值得特別關(guān)注。一是除了大模型應(yīng)用評(píng)測(cè)之外，面向大模型訓(xùn)練過程的評(píng)測(cè)同樣重要。醫(yī)學(xué)大模型訓(xùn)練過程涉及眾多因素，如自監(jiān)督學(xué)習(xí)任務(wù)設(shè)計(jì)、不同類型數(shù)據(jù)配比、關(guān)鍵訓(xùn)練參數(shù)設(shè)定、醫(yī)學(xué)大模型應(yīng)用效果與其“煉制”工藝中的關(guān)鍵參數(shù)關(guān)系等，均需要合理評(píng)測(cè)。二是訓(xùn)練數(shù)據(jù)集本身的評(píng)估評(píng)測(cè)。尤其要注重從用戶隱私、政治偏見、性別/人種/地域歧視等方面建立數(shù)據(jù)集的安全性與合規(guī)性評(píng)價(jià)體系，從源頭上確保大模型合規(guī)、安全。三是兼顧知識(shí)評(píng)測(cè)與能力評(píng)測(cè)。目前大模型評(píng)測(cè)多針對(duì)其掌握知識(shí)的程度。但醫(yī)學(xué)大模型要在實(shí)際應(yīng)中發(fā)揮價(jià)值必須能夠勝任真實(shí)醫(yī)療場(chǎng)景的復(fù)雜任務(wù)，如讀取病理片、分析檢查報(bào)告、書寫病歷等，因此其評(píng)測(cè)要兼顧知識(shí)和能力兩方面。

6.9 實(shí)現(xiàn)醫(yī)學(xué)大模型持續(xù)演進(jìn)

作為自治智能體的大模型，必須具備持續(xù)學(xué)習(xí)、進(jìn)化演進(jìn)能力。人類醫(yī)生經(jīng)過豐富的臨床實(shí)踐才能勝任工作，基于大模型的智能體也要通過虛擬環(huán)境成長(zhǎng)、與物理環(huán)境交互模擬人類實(shí)踐。在醫(yī)學(xué)元宇宙等技術(shù)推動(dòng)下，醫(yī)學(xué)智能體虛擬成長(zhǎng)環(huán)境得到完善。可以預(yù)見，大模型驅(qū)動(dòng)下的智能體將在醫(yī)學(xué)元宇宙等虛擬環(huán)境中快速進(jìn)化。在這一過程中，要注重虛擬與現(xiàn)實(shí)環(huán)境的同步。目前通用的具身多模態(tài)大模型已經(jīng)在日常生活場(chǎng)景中取得一定效果，利用大規(guī)模語(yǔ)言模型的規(guī)劃和思考能力使其能夠較好地操控機(jī)械身體完成日常工作，如沖調(diào)咖啡、清洗餐具等。未來(lái)，大模型能否操控專業(yè)的手術(shù)機(jī)器人也將成為重要研究課題。“身心一體”(具身化的大模型)的醫(yī)學(xué)智能體一定程度上可以被視作完整的醫(yī)生，具備在現(xiàn)實(shí)世界演進(jìn)的可能性。當(dāng)然，將虛擬環(huán)境和現(xiàn)實(shí)世界的反饋內(nèi)化為驅(qū)動(dòng)大模型演進(jìn)的動(dòng)力相關(guān)研究仍然面臨挑戰(zhàn)，大模型仍須經(jīng)歷持續(xù)演進(jìn)才能接近醫(yī)學(xué)專家水平，見圖5。

圖5 醫(yī)學(xué)大模型的持續(xù)演進(jìn)

6.10 提升大模型醫(yī)學(xué)推理能力

大模型進(jìn)一步提升醫(yī)學(xué)推理能力才能實(shí)現(xiàn)更好的醫(yī)療決策。醫(yī)學(xué)專家的疾病診斷過程有一套嚴(yán)密的診斷邏輯、排查過程、治療策略、偏好習(xí)慣。這種專業(yè)推理能力是當(dāng)前通用大模型所不具備的。除了專業(yè)推理，日常推理也是大模型需要進(jìn)一步完善的。有研究表明，GPT4在偵探類推理任務(wù)中的表現(xiàn)遠(yuǎn)遜于人類。疾病診斷中的推理本質(zhì)是按照癥狀、檢測(cè)指標(biāo)等線索推斷病因，與偵探類推理任務(wù)類似。專業(yè)醫(yī)生在診治過程中的推理過程往往融合直覺性質(zhì)的日常推理與傳統(tǒng)的形式推理，醫(yī)生能夠根據(jù)患者具體情況完成不同形式的推理過程。此外，還須要注意日常健康咨詢與疾病診治等方面中西醫(yī)思維方式與推理方式的差異。

6.11 提升大模型安全性

相較于通用大模型，醫(yī)學(xué)大模型對(duì)輸出的安全性有更高要求，醫(yī)學(xué)領(lǐng)域的規(guī)章制度、醫(yī)學(xué)倫理合規(guī)、用藥安全、計(jì)量準(zhǔn)確等不同方面都對(duì)輸出的要求極為苛刻。提升大模型的決策合規(guī)性尚待深入研究。總體而言大規(guī)模生成式語(yǔ)言模型的生成內(nèi)容精準(zhǔn)度與邏輯合理性等仍與人類專家存在顯著差距。除此之外，醫(yī)療決策反射出不同社會(huì)文化與倫理，大模型要對(duì)普世價(jià)值、道德規(guī)范等有一定理解，才能輔助醫(yī)生決策。

6.12 提升大模型可靠性

大模型本質(zhì)上是一種統(tǒng)計(jì)模型，難以避免會(huì)產(chǎn)生事實(shí)錯(cuò)誤、邏輯錯(cuò)誤等問題，存在安全隱患，如較難針對(duì)藥物劑量安排給出精準(zhǔn)答案等，其可靠性有待進(jìn)一步提升。但在醫(yī)療領(lǐng)域?qū)﹀e(cuò)誤零容忍。因此須要發(fā)展大模型的兜底方案，特別是人機(jī)結(jié)合的綜合方案，由人類專家對(duì)大模型的錯(cuò)誤進(jìn)行審核與糾正。

6.13 提升大模型魯棒性

大模型輸出受到輸入指令影響。這一問題在多模態(tài)輸入時(shí)可能更為嚴(yán)重，如患者的醫(yī)學(xué)影像在不同色差下可能影響大模型產(chǎn)生不同決策結(jié)果。這種對(duì)輸入擾動(dòng)、輸入噪音的敏感，是大模型待解決的問題。在疾病診斷過程中，患者可能使用模糊甚至錯(cuò)誤的醫(yī)學(xué)詞匯描述病情，這就要求模型對(duì)非專業(yè)描述的輸入具備一定理解能力，防止判斷偏差和方差過大造成錯(cuò)誤診斷。同時(shí)大模型還應(yīng)該具備抗攻擊能力，即模型在接受惡意注入的一些特殊提示詞匯時(shí)，仍然能夠進(jìn)行正常的醫(yī)學(xué)應(yīng)用，給出符合事實(shí)的答案，這也是醫(yī)學(xué)大模型的魯棒性要關(guān)注的問題。

6.14 提升大模型公平性

大模型的公平性問題包含多個(gè)方面。訓(xùn)練數(shù)據(jù)分布不均所帶來(lái)的大模型偏見是首要問題。大模型的學(xué)習(xí)語(yǔ)料往往存在較嚴(yán)重的分布偏差。醫(yī)療數(shù)據(jù)本身可能分布不平衡，例如地方病在不同地區(qū)語(yǔ)料中表達(dá)豐富性不同，欠發(fā)達(dá)地區(qū)醫(yī)療數(shù)據(jù)可能相對(duì)稀缺。這些都會(huì)造成大模型呈現(xiàn)出不公平特性。在我國(guó)醫(yī)療數(shù)字化發(fā)展基礎(chǔ)較好，但是也要充分關(guān)注各地區(qū)間醫(yī)療數(shù)字化發(fā)展不平衡問題。

6.15 加強(qiáng)數(shù)據(jù)與用戶隱私保護(hù)

ChatGPT從海量數(shù)據(jù)中進(jìn)行學(xué)習(xí)，其生成內(nèi)容可能包含個(gè)人隱私信息，在生成問題答案過程中存在個(gè)人隱私泄露風(fēng)險(xiǎn)。大模型使用過程中用戶提交的問題也可能涉及隱私。為此一方面應(yīng)該在數(shù)據(jù)源頭加強(qiáng)治理，確保患者隱私數(shù)據(jù)不參與訓(xùn)練。另一方面，在大模型使用過程中，模型服務(wù)方應(yīng)在患者明確授權(quán)的前提下采集用戶數(shù)據(jù)。大模型的隱私防護(hù)困難從根本上來(lái)講與大模型內(nèi)在機(jī)理的不透明高度相關(guān)。須要進(jìn)一步加強(qiáng)大模型的內(nèi)在機(jī)理與可解釋研究以提升隱私安全防護(hù)水平。

6.16 提升大模型的人類價(jià)值對(duì)齊能力

在醫(yī)學(xué)和倫理問題上專家之間可能存在不同觀點(diǎn)。大模型面臨的難題是如何在不同專家觀點(diǎn)之間保持客觀性，同時(shí)提供有用信息，幫助用戶理解不同觀點(diǎn)并作出判斷。某些醫(yī)學(xué)倫理問題存在“邊緣地帶”，例如安樂死、基因編輯等。這些問題可能涉及道德、法律、文化和宗教等多個(gè)維度，不同社會(huì)和文化背景下的人可能對(duì)這些問題有不同的看法。大模型需要避免傾向性，同時(shí)提供關(guān)于不同價(jià)值觀和觀點(diǎn)的信息，以幫助用戶形成全面理解。一個(gè)具備共情能力的醫(yī)學(xué)模型能夠更好地理解患者的情感、痛苦以及需求，從而提供更貼近個(gè)體化的醫(yī)療建議和支持。醫(yī)學(xué)模型應(yīng)該能夠從患者的言語(yǔ)、語(yǔ)氣和表情中識(shí)別和理解情感狀態(tài)，從而更好地回應(yīng)患者的情感需求，對(duì)此大模型須要準(zhǔn)確對(duì)齊醫(yī)患偏好、價(jià)值觀、道德傾向與情感訴求。

7 結(jié)語(yǔ)

以大規(guī)模生成式語(yǔ)言模型為代表的通用人工智能技術(shù)浪潮席卷全球，對(duì)各行業(yè)的高質(zhì)量發(fā)展帶來(lái)深遠(yuǎn)影響。醫(yī)療行業(yè)的智能化發(fā)展走上大模型驅(qū)動(dòng)的技術(shù)路線勢(shì)在必行。大模型為醫(yī)療智能化帶來(lái)強(qiáng)大的通識(shí)知識(shí)基礎(chǔ)、高級(jí)認(rèn)知能力，是實(shí)現(xiàn)醫(yī)療認(rèn)知智能的基礎(chǔ)設(shè)施。然而大模型仍然存在幻覺等問題，難以直接勝任醫(yī)學(xué)的復(fù)雜決策應(yīng)用，需要多方面優(yōu)化才能成為醫(yī)療行業(yè)高質(zhì)量發(fā)展的先進(jìn)生產(chǎn)力。未來(lái)應(yīng)進(jìn)一步發(fā)展以大模型為核心的數(shù)據(jù)驅(qū)動(dòng)與以知識(shí)圖譜為代表的知識(shí)驅(qū)動(dòng)深度融合的雙系統(tǒng)認(rèn)知范式，進(jìn)一步加強(qiáng)與重視醫(yī)療大模型的數(shù)據(jù)治理與認(rèn)知評(píng)測(cè)[16]。