导语：作为2024年服贸会重要组成部分之一，国家卫生健康委员会百姓健康频道（CHTV）定于9月13日在京举办“2024首都国际医学大会的平行论坛——数智医疗与医学人工智能创新论坛”，CHTV&医学论坛网将为您带来AI赋能医疗的系列报道，今天我们就来聊一聊大型语言模型的临床应用现状与不足。
01医疗AI的现实挑战：从潜力到实践的无尽探索
在医疗领域，人工智能（AI）的引入被看作是提升医疗服务质量的关键。然而，尽管大型语言模型（LLM）在临床实践中的应用前景广阔，它们在实际应用中的表现却并非总能达到预期。2024年5月，斯坦福大学的Jenelle Jindal博士、Nigam Shah博士和同事们在一篇题为“Large Language Models in Healthcare: Are We There Yet? （医疗保健领域的大型语言模型:我们做到了吗?）”的文章中深入探讨了这一问题，指出了医疗AI在实现其临床价值方面存在的显著差距，并提出了对现有研究方法的深刻反思。
尽管LLM在理论上具有巨大的潜力，但在实际应用中，它们在回答患者问题时可能会出现错误或幻觉。例如， LLMs在一项研究中回答患者问题时出现了明显错误，这些错误在某些情况下甚至可能危及患者生命。这不仅暴露了医疗AI在安全性方面的不足，也强调了对这些模型进行严格评估的必要性。目前的研究往往依赖于精心设计的数据集，而不是基于真实的患者护理数据，这限制了我们对LLM在实际医疗环境中表现的全面理解。
此外，作者们强调了医疗AI与传统AI在部署上的本质区别。传统AI模型的更新迭代是有序的，而GenAI的快速发展和不断涌现的新能力，打破了这一有序的更新模式。这种快速的技术进步，虽然带来了新的可能性，但也带来了评估和实施上的挑战。为了实现GenAI在医疗领域的潜力，需要建立一套系统的评估框架。这一框架不仅需要涵盖技术层面的评估，还应包括对模型输出的伦理、法律和社会影响的考量。作者认为，借鉴计算机科学领域对基础模型的标准，可以为医疗AI的评估提供更为坚实的基础。
02精准评估，解锁医疗AI潜力：精准导航临床应用之路
作者指出，在医疗AI领域， LLM的临床应用潜力正受到前所未有的关注。然而，现有研究多基于人工策划的数据集，如医学考试问题和案例摘要，而非真实患者护理数据。这种偏差限制了我们对LLM在实际医疗环境中性能的理解。例如，MedAlign研究中，医生对LLM生成的响应进行了评估，这些响应针对的是特定电子健康记录（EHR）中的临床指令。尽管这一过程耗时且评估医生间的一致性存在挑战，但它凸显了在真实患者数据上测试LLM的重要性。
在医疗任务的评估中，作者发现研究集中在特定领域，如通过美国医学执照考试（USMLE）等医学考试来增强医学知识，而对诊断和治疗建议的关注较少。这种集中趋势可能导致对非临床和行政任务的忽视，而这些任务在减轻医生工作负担方面具有潜在的更大影响。例如，LLM在加快临床试验患者招募方面的应用，可显著提升招募速度并降低成本，这一点在社区医院尤为关键，因为那里的资源较少，难以有效筛选适合参与试验的患者。
在评估维度的选择和优先级方面，作者指出除了准确性之外，还需要考虑公平性、偏见、有害性、稳定性以及部署时的考量等其他重要维度。LLM可能会在其输出中反映训练数据中的偏见，这在医疗领域尤其需要警惕。例如，一个LLM评估代理在评估1 300个响应时，展示了自动评估代理在检测可能延续种族刻板印象内容方面的潜力（表1、2）。这种评估工具的开发，如斯坦福大学的全面语言模型评估（HELM），为标准化评估提供了新的方向，确保了在医疗领域中对所有重要评估维度的全面考虑。
表1 评估维度定义精确度
表2 其他评估维度
在亚专业测试方面，作者指出，不同亚专业之间LLM评估的不平衡现象。核医学、物理医学和医学遗传学等专业在LLM相关任务的研究中尤为不足。这种不平衡可能会影响LLM在特定医疗领域的有效性和适用性。因此，作者呼吁对不同亚专业中的临床任务进行全面测试，以确保LLM能够满足不同医疗领域的特定需求。
03总结
本文强调了对LLM进行系统性评估的重要性，以及在真实世界数据上测试的必要性。作者呼吁建立一个持续的评估循环，其中模型被构建、实施，然后通过用户反馈不断评估。这对于改善医生的工作量和患者结果至关重要。通过这种方式，我们可以实现LLM在医疗领域的潜力，为临床实践带来真正的变革。
参考文献
JENELLE JINDAL , SUHANA BEDI, AKSHAY SWAMINATHAN, et al. Large Language Models in Healthcare: Are We There Yet?[Z/OL]. Stanford University Human-Centered Artificial Intelligence. [2024-5-8]. https://hai.stanford.edu/news/large-language-models-healthcare-are-we-there-yet.
编辑：梨九
二审：且行
三审：清扬
排版：半夏
