生成式人工智能在医疗保健领域的崛起

虽然仅靠人工智能，已经开始通过快速、先进的医学影像分析及其他技术来改善疾病诊断，, 生成式人工智能 有望彻底改变临床工作流程以及医生的工作方式。.

预计医疗保健领域的人工智能市场规模将从2023年的$14.6亿增长至2032年的$102.7亿，复合年增长率（CAGR）为47.6%。（MarketsandMarkets）

在过去三年里，风险投资公司已在生成式人工智能解决方案领域投资超过$1.7亿，其中基于人工智能的药物研发和人工智能软件编码获得了最多的资金。（Gartner）

据预测，到2025年，将有50%个药物发现与开发项目采用生成式人工智能。（Gartner）

“在医疗保健领域，与其他行业一样，生成式人工智能具有变革性的潜力，能够让人类摆脱重复性工作，从而将精力集中在更高价值的活动中，并腾出时间来应对更复杂的需求。”
保罗-德-巴林库尔, 医疗保健 Data 与人工智能转型总监 在 Artefact

医疗保健领域生成式人工智能报告
为患者、医疗从业者和制药企业释放生成式人工智能的潜力  

下载报告​​​

使用一个 以生态系统为导向的方法，始终以患者为中心, ，该报告将生成式人工智能（GenAI）在医疗健康领域的格局划分为面向患者的参与者和使能者，并探讨了 各领域的生成式人工智能（GenAI）应用场景.



以下是生成式人工智能为医疗保健利益相关者带来的诸多益处中的几个方面：

制药公司 能够为临床试验合成患者特异性data突变体，实现生物分子的从头合成，并优化销售代表的客户互动辅助工具。.

护理人员 利用图像增强和分析技术，以改善诊断和治疗方案的制定，并快速汇总海量的医疗信息。.

研究人员 能够扫描大量健康和医疗记录，从而优化招募流程，并更好地筛选出适合参与临床试验的候选人。.

公共卫生机构 能够分析海量的data人群数据，以检测疫情爆发的早期迹象，监测和预测病原体的传播，并确定感染源。​

生成式人工智能的具体应用场景：
医疗保健领域的应用与优势 

生成式人工智能的应用场景正呈现出几个突出的类别，从data增强、洞察生成和生物分子开发，到内容个性化、生产力提升和自动化。.


用例 #1：生成虚拟患者 data 以加速临床试验

目标： 临床试验研究者。.

加快患者招募，以缩短进入III期临床试验所需的时间。.

针对患者data的临床特征、基因组学、治疗及预后情况，利用合成data数据对其进行虚拟增强；通过验证评估其保真度及隐私保护能力。.

“生成式人工智能能够借助‘增强队列’（即由人工智能生成的虚拟患者）缩短临床试验第三阶段所需的时间，尽管该过程的每个阶段都需要医生的验证。”

斯特凡妮·阿拉松尼埃，教授兼副校长（负责成果转化与产业合作） 在巴黎城市大学

用例 #2：医疗保健专业人员（HCP）的行政助理​​​

目标： 医疗、牙科、药学或护理团队的成员。.

让来自多种来源（研究、临床指南、科研论文等）的内容更易于记忆、使用，并与其他医疗保健专业人员分享。.

将内容集中管理，以便生成式人工智能（GenAI）模型能够对其进行检索；训练合适的大语言模型（LLM）以支持已确定的提示（例如：摘要生成、来源识别、医学问题等）；进行验证以评估响应准确性、推荐相关性等。.

“2020年，仅关于一种病症——新冠肺炎（COVID）的论文发表量就超过了10万篇。生成式人工智能有望通过为医疗专业人员提供由系统生成的文献摘要，帮助他们缓解因时间有限而难以跟上日益膨胀的科学文献量的压力。”

格雷戈尔·皮涅 首席执行官、肿瘤科医生兼放射治疗师 在 PulseLife

医疗保健生态系统：
积极准备，释放生成式人工智能的潜力

​我们可以将该生态系统划分为四大主要参与者群体：

超标量器 推动生成式人工智能的普及，并已开始开发医疗健康领域的专用模型和服务。. 谷歌的Med-Palm2、微软的BioGPT、AWS的HealthScribe, 和 NVIDIA BioNeMo 这只是其中的一部分。.

初创企业 例如 纳布拉, Memora Health 和 希波克拉底人工智能 通过创新解决方案，与超大规模云服务商形成互补，以解决更具体的问题。.

制药公司 利用生成式人工智能协助开发概念验证（POC），并加速药物研发。值得关注的合作包括： 赛诺菲+Insilico Medicine, 辉瑞+Iktos, Servier+Aqemia 和 阿斯利康+博爱.

公有领域 利益相关方，包括医院和研究机构。. Docaposte, 一家专注于“理性计算”的法国公司，近日宣布推出其首款面向医疗健康应用场景的主权大型语言模型（LLM）服务。.

投资者也正加入生成式人工智能（GenAI）革命的行列，为具有重大影响力的项目提供资金：

“挑战在于将生成式人工智能整合到那些已经能够获得高质量医疗保健资源的成熟企业中，而不是投资于新的初创公司。”
安妮-索菲·圣马丁，合伙人 在 Newfund Capital

“尽管目前大多数项目仍处于研发初期阶段，但在药物研发领域将生成式人工智能与量子计算相结合，不仅有望催生新的治疗方法，还能带来连大自然本身目前都无法提供的新突破。”
弗洛里安·德尼，投资总监 在埃拉亚

生成式人工智能在医疗保健领域的局限性、挑战与机遇

尽管生成式人工智能（GenAI）有望彻底改变医疗保健行业，但也带来了重大风险和挑战。我们将重点探讨其中最突出的问题，并研究可能的缓解策略。.

例如，为了保护患者data，同时避免进行匿名化处理，法国初创公司Sarus确保在微调的大语言模型中不嵌入任何个人信息。.

“大型语言模型（LLM）往往会‘产生幻觉’而给出错误的回答。缓解这一现象的一种方法是，自动检索知识库中那些最有可能包含答案要素的文档，并将它们添加到提示词中，从而使大型语言模型拥有更丰富的上下文信息，进而给出正确的答案。’
尼古拉·格里斯兰，联合创始人兼首席科学官 在萨鲁斯

Data的可及性在为生成式人工智能模型提供必要输入方面也发挥着关键作用；同样，data的文化适应和培训对于让医疗保健专业人员熟悉该技术的使用及其潜在风险而言也是不可或缺的。.

“必须为生成式人工智能模型的使用制定使用规范，并确保对医疗专业人员进行深入培训，使其充分了解该模型固有的局限性和脆弱性。”
让-马克·贝雷德，人工智能应用专家兼前部门负责人 在尼斯大学医院

信任与控制，在确保人工智能负责任且值得信赖方面发挥着关键作用

许多参与者在推进相关工作时，对可实现的绩效、可能达到的工业化水平以及尚未明确的监管限制存在高度不确定性。. 

为克服这些挑战：

人类必须始终处于决策过程的核心，以便行使控制权并做出明智的决策。.

在医疗保健和患者管理领域，人类必须始终是生成式人工智能（GenAI）应用所带来生产力提升的主要受益者。.

此外，人类监督必须确保充分利用人工智能的能力，以保障…….

“从长远来看，人类有过度依赖生成文档的风险，这可能会导致理解能力与技术技能的丧失。必须保持人类的决策能力，以防止由大型语言模型（LLMs）引发的异化。”
文森特·维布莱特，大学教授兼医院临床医生 – 兰斯大学（CHU Reims），URCA；兰斯-香槟-阿登医疗人工智能研究所（I2AS）所长

数据咨询 | 数据与数字营销 | 数字商务