AI医疗02：万物皆可AI

大家好，欢迎来到远川投学苑，我是王佳悦，也是胖猫。

随着AI概念股的反复发酵，AIGC (AI-Generated Content)已经几乎无人不知。

AIGC+医疗场景

判别式和生成式技术

人工智能技术在医疗领域的应用，主要包括判别式AI和生成式AI两种不同类型的技术。

生成式AI在医疗保健和生命科学领域拥有广泛的应用前景。它可以在药物发现、疗效评估、模拟数据生成、自动化工作流程和提高效率等方面发挥重要作用。判别式AI可以在识别疾病、分析影像、预测疗效等方面实现更高的准确度和效率。与此同时，生成式AI则更多地关注于理解人类意图和复杂场景下的应用以及生成新的数据，这使它在医疗模拟对话以及个性化医疗方面具有不可替代的作用。

来源：探针资本

在实际应用场景中，不同的AI技术有其各自的特点和优势。举个例子，判别式AI算法通过学习输入和输出数据之间的映射关系来进行预测，因此对于图像识别和分类等问题有较好的应用效果，尤其是针对数据集较为单一的应用场景。

而对于生成式AI算法而言，其主要的特点是要生成全新、潜在的数据样本，并且其能力可以以各种方式扩展。在数据集丰富的应用场景和需要生成全新数据样本的应用场景中，生成式AI算法可以更好地应用。例如，在医疗图像诊断中，生成式AI可以用于合成结构和强化病变区域，例如3D医学影像重建、脑部疾病影像分析等。

因此，生成式AI对现有医疗领域是一种有益的补充。在可以预见的将来，AIGC的发展促进了判别式AI与生成式AI算法的结合，企业能够根据自身的需求将判别式AI算法与生成式AI算法相结合，以实现更复杂和精细的任务。

应用场景

基于目前判别式AI和生成式AI模型在医疗领域的应用情况，我们分别围绕研发生产制造和诊疗流程总结了当前生成式模型带来的影响和最新的相关案例，在后续的课程里面，我们也会做进一步的展开。需要说明的是，AIGC本身在一个高速迭代的过程当中，如果你发现某些观点已经落后于现实，也是极有可能的，一定不要刻舟求剑。对于一个资深的科幻迷来说，一觉醒来发现硅基生命上位，也并不是不能接受的。

在研发生产制造环节，目前AIGC相关的应用更多集中在药物发现环节以及CXO服务领域。例如，生物制药企业构建Transformer等生成式模型来预测结构、发现药物等；CRO企业在已有数据基础上训练生成式语言模型来更好地服务临床。

来源：探针资本

在诊疗环节中，AI技术的应用也带来了重大变革。通过工作流程改进、新数据集成和更加个性化的互动体验，AI为辅助问诊、健康管理等领域的发展注入了新的活力。此外，在心理健康等专病领域，AI也带来了创新应用。

来源：探针资本

总的来看，当前AIGC在医疗领域的应用还处于起步阶段，成规模的应用主要在聊天机器人领域。例如，谷歌推出专门用于回答医疗保健相关问题的大型医用语言模型Med-PaLM 2。下表根据文献资料整理了Chatbot在医疗领域的一般应用场景，以及使用过程中发现的优缺点。

来源：探针资本

而未来主要的改进方向在于加强用户隐私保护，确保ChatGPT不会泄漏用户的个人信息，同时需要引入专业医生进行ChatGPT的质量检查和监督，确保ChatGPT提供的建议和指导符合医学实践标准和规范和教育需要。

产业链梳理

产业链

AIGC产业由上游的基础设施、中游的算法模型和下游的应用拓展三部分构成。

基础设施主要由工具链和智算平台构成；

中间为模型层，其中有部分采用的是从自建模型到开发应用的端到端模式，指的是科技公司或创业企业针对一些特定的领域，自行完成基础模型的开发，再针对目标市场和应用，进行模型、知识和数据的特定优化，并开发出直接交付给用户的应用产品；

在模型层之上是应用层。这些应用往往依赖于模型层进行开发，通过接入API实现应用功能。

从成本效益的角度考虑，基础层、模型层的搭建适合有规模效应的大厂和平台来做；而创业公司在应用方面的探索和突破，很有可能会成为未来的主要趋势。但在应用层创新方面还有许多要解决的问题，这也造成了当下投资人“观望”的局面。

开放生态

近期，GPT-4插件发布并开放，被认为可能成为AI时代的核心入口。其中，ChatGPT插件既可接入应用、赋能应用，又可调用应用、操作应用，由于大模型能兼具“操作系统”角色，因此加速了海外生态中与其他应用层领域的精细化分工。生态开放后，通用大模型通过插件构建起了直接面向终端用户的细分场景，这将势必对一部分纯应用层创业企业造成挑战。

而垂类赛道下的专业化模型可能是解决方案之一，这也指向了Google教父Eric Schmidt提出的，从通用的人工智能模型开始，然后对其进行实质性的专业化以提高质量。当前，许多新型创业公司都是将内容生产方式与数字化程度高、内容需求丰富、不断升级的行业相结合，形成应用层公司，这也是大家正在关注的方向。其中大部分公司仍处于早期轮次，包括天使轮、Pre-A轮和A轮。

Eric Schmidt参与写的一篇Blog ”Does One Large Model Rule Them All”表达了这样的观点：定义明确的高价值工作流程将主要由专门的人工智能系统而不是通用的人工智能模型来解决。价值可以是收入潜力，也可以只是对用户的效用。Eric预测高价值工作流程将由专门的人工智能系统主导，当我们沿着蓝色曲线向下到低价值工作流程时，通用人工智能模型将取代作为主要方法。

医疗领域尤其需要高质量的专业化模型，其中高质量、用户反馈和专有数据集将会是专业化模型的关键：

高价值的工作流程需要奖励任何质量改进。如何从通用的人工智能模型开始，然后对其进行实质性的专业化以提高质量会成为下一个需要解决的问题。

与质量考虑密切相关的是用户反馈的作用。有明确的证据表明，仔细调整高质量的人类“使用”数据（例如偏好、指令、提示和响应等）是推动通用人工智能模型功能的核心。例如，谷歌推出大型医用语言模型Med-PaLM 2后，仍在不断推进专家与研究人员的合作，并表示考虑到医疗信息的敏感性，技术要普及到普通消费者手中还需要一段时间。

许多高价值、特定于域的工作流依赖于丰富的专有数据集。医疗领域是一个高度专业化的领域，容错率低，需要医疗专业人士的专业知识和经验才能正确理解和解释相关问题。在医疗领域的应用需要基于大量的可靠数据和高质量的临床实践基础，并严格遵守相关的法律法规和伦理规范，同时不断改进和优化模型，才能更好地为患者和医务人员提供服务。

好了，这一节课的内容就到这里，下节课我们再见。

敲黑板

人工智能技术在医疗领域的应用，主要包括判别式AI和生成式AI两种不同类型的技术。

在研发生产制造环节，目前AIGC相关的应用更多集中在药物发现环节以及CXO服务领域。

当前AIGC在医疗领域的应用还处于起步阶段，成规模的应用主要在聊天机器人领域。

AIGC产业由上游的基础设施、中游的算法模型和下游的应用拓展三部分构成。

定义明确的高价值工作流程将主要由专门的人工智能系统而不是通用的人工智能模型来解决。价值可以是收入潜力，也可以只是对用户的效用。

医疗领域尤其需要高质量的专业化模型，其中高质量、用户反馈和专有数据集将会是专业化模型的关键。