以图中鉴别诊断结果为例,该名患者因呼吸困难入院,结合高血压、肾移植、糖尿病和冠脉支架植入术后病史,大模型给出了包括急性肺动脉栓塞、原发性高血压、高血压病3级(极高危)等初步诊断,以及急性心肌梗死、气胸、哮喘、肺炎等疾病的排除原因,并从患者信息中筛选出关键诊断依据。
能够实现【鉴别诊断】智能体,需要在大模型部署前期做好多项准备:
权威知识库:权威的知识库是大模型在学习、理解和推理过程中的重要依据和储备。只有知识库的医学文献、指南等足够权威、完整且持续更新,大模型才能调用相关信息,并生成最符合当下医学逻辑和技术的鉴别诊断。此外,权威知识库有效避免了“幻觉现象”的发生。
结构化病历:大模型在医学领域的应用需要大量结构化病历数据进行训练和学习,这决定了其是否能在临床应用。而持续提供结构化病历是大模型不断提升推理准确性的重要途径。
微调和优化:通过增强学习(RLHF)、检索增强生成(RAG)、监督微调(SFT)等技术对大模型进行微调和优化,是让大模型适应医疗场景的必经之路。恰当的微调能够让大模型的推理和生成过程更符合实际诊疗需求。
硬件支撑:对应不同参数、使用人数、成本预算等,医院在本地化部署时需要选择不同版本的服务器。通过高效的训练和微调,也能够有效降低大模型的算力需求,实现低成本高效率。(点击此处了解各大模型版本选择策略)
实际应用中,基于AI的临床决策支持系统(CDSS)与大模型技术相结合后,不仅解决了多源异构的医疗数据难以整合的弊端,还能够在临床不断生成结构化病历,为大模型的持续提升奠定了基础。在权威医学知识库的基础上,大模型通过CDSS的灵活交互窗口,可以在诊疗和管理各个关键环节提供决策支持。在医生需要鉴别诊断时,大模型可以帮助医生应对临床表现复杂多样、数据难以整合、检查手段和技术持续更新等现实情况,弥补医生的经验和知识局限性,辅助医生做出客观的医学判断。
提高鉴别诊断的准确性不仅是医生个人能力提升的关键,也是医疗机构整体医疗质量提升的重要一环。在人工智能快速发展的大环境下,利用大模型等技术提升医院整体医疗服务水平,将成为新一代智慧医院建设的重要阶段。
资料参考:
[1]杨秋玉,陆瑶,田晨,等.诊断试验准确性比较研究:研究设计[J].中国循证医学杂志,2022,22(06):739-744.
[2]刘芬.诊断试验研究在医学科研中的理论、设计和实践[J].北京医学,2020,42(11):1151-1155.DOI:10.15932/j.0253-9713.2020.11.027.
成为我们的
合作伙伴