文|動脈網

NFT、Web3.0后，硅谷最近搶起了生成式AI。

當大語言模型（LLM）掀起的浪潮波及世界的每一個角落，越來越多的人相信，生成式AI賦予我們的不僅僅是單純的交互——它能夠作為一種新式的生產力，逐步顛覆我們的工作與生活。

最先嗅到變革趨勢的是專注前沿科技的投資者們。硅谷Fusion Fund的創始合伙人張璐已經好久沒有看到如此狂熱的景象。作為最早投資AI在醫療領域應用的硅谷投資機構，Fusion Fund過去幾年一直對生成式AI的醫療應用領域有所布局，投資組合中包括Huma.AI、深透醫療等優質醫療AI企業，有的被投企業早在兩年前就已經與OpenAI有了諸多合作。

“生成式AI的垂直領域應用，需要該行業擁有海量的高質量數據，才能最大化地體現它地技術實力。而醫療領域恰恰擁有海量的高質量數據，人類社會中大約30%的數據與醫療相關，是最大的品類，在此基礎上生成式AI為醫療領域帶來了巨大的機會?！睆堣凑f。

與諸多熱門賽道不同，醫療領域表面上沉寂著數以億計的大數據，但若落足于具體的臨床場景，開發者時常會為數據的數量、質量與數據的獲取成本發愁，尤其是在應用級臨床AI的研發方向上，限制其發展的，正是醫療數據的稀缺性。

這一次，熟稔于繪圖作詞的文藝AI們，能否入駐醫學專業，為臨床AI的發展再注活力？

生成式AI賦能臨床的兩條路徑

AI的發展趨勢大致可歸納為兩個方向，一是單任務辨別式AI模型，單病種AI輔助診療、分類、檢測等均是這類AI應用的典型例子；二是生成式AI應用，局域數據生成更高維度的信息，例如預測醫學圖像數據、生成健康報告等。

兩個方向均依賴于臨床數據進行模型訓練，亦受限于臨床數據的缺失。張璐表示：“早在2018年前后，研發人員便嘗試采用小樣本學習、生成對抗網絡（GAN）等方式彌補訓練樣本量不足的問題，也是從那時開始，生成式AI便已應用于醫療之中，只是如今它的定義更明確，強調在深度學習之上搭建Transformer Model。”

以Fusion Fund投下的深透醫療為例，該公司的核心業務為利用AI加速MRI、PET成像速度，并提升成像質量，這個過程本身就是利用生成式AI處理原始數據獲取合成數據，再根據合成數據重構MRI、PET影像。

“MR臨床掃描中的部分序列常常出現信噪比偏低、偽影明顯等情況，影響最終影像的生成。發布于IEEE的研究“One Model to Synthesize Them All: Multi-contrast Multi-scale Transformer for Missing Data Imputation”結果顯示：在AI的支持下，通過T1、T2等現有圖像間接生成新的圖像（例如更高分辨率圖像、其他對比度、模擬打造影劑的圖像等），其效果甚至可以優于直接成像。目前，我們能將MRI、PET的成像過程提速4-10倍，并減少10倍造影劑的使用，基于更新生成式AI的模型也將不斷提升產品性能”深透醫療CEO宮恩浩告訴動脈網。

“此外，我們也在通過做一些image degrader 的工作，把一些金標準高質量的圖像變至更接近實際掃描獲取的低質量圖像，進而訓練出新的模型。這種融合了多重數據的diffusion model（擴散模型），它的效果要明顯優于通過傳統手段訓練的模型?！?/p>

國內AI企業數坤科技則是將生成式AI用在了冠脈CTA的圖像增強上。在與上海市第一人民醫院的合作中，雙方將GAN用于冠脈CTA圖像后處理中，成功修復運動偽影，最終提高冠脈CTA的成像質量，使其診斷準確性達到冠脈造影的“金標準”水平。

定量分析結果顯示，使用GAN技術修復運動偽影后的冠脈CTA圖像質量顯著高于修復前的冠脈CTA圖像

通常而言，需要64排及其以上排數CT才能完成心臟CTA掃描，而生成式AI可以讓32排甚至16排的CT執行起CTA的掃描任務，取得滿足醫生診斷需求的影像。從理論上講，這一技術賦能可以有效提高基層醫療服務能力及服務質量。

MR同理，通過AI賦能，更普遍的1.5T設備或者低場便攜設備大幅提升圖像質量，實現3T等高端設備的診斷質量與掃描效率。

總的來說，生成式AI在單任務辨別式AI應用中的作用路徑，均是基于原始數據生成合成數據，并將其應用于最終結果的生成，實現影像增強。同時，整個模型訓練過程中，生成式模型可以同來進行數據擴充（Data Augmentation)，從而基于較小數據量以更快速度獲取更為優質的圖像，有利于研發人員開拓更多數據量相對缺失的場景。

相較于主攻分析能力提升的單任務辨別式AI，生成式AI應用的能力則有一些超脫于當下醫療需求之前。舉一個不那么恰當的例子：辨別式AI應用可以評估患者當下的健康狀態，而生成式AI應用意在預測每一人身體的未來。

目前國內嘗試生成式AI應用探索的項目非常有限。一個典型的例子是鷹瞳Airdoc與北京大學臨床研究所、愛康集團開展的視網膜研究。通過觀察40萬人的視網膜血管和神經的發展變化，研究人員讓生成式AI自學，去判斷受檢者接下來的發展變化，評估未來心腦血管病風險有多高。目前相關研究已發表在國際知名期刊《Science Bulletin》之中。

據鷹瞳科技表示，以生成式AI為基礎的阿爾茨海默病風險預測、近視進展預測、帕金森風險預測同樣處于研發之中。如果上述疾病能通過AI實現預測或早發現，及時的防治措施能夠幫助大量患者規避疾病風險，避免后續漫長且不可控的治療。

生成式AI能夠生成臨床數據嗎？

既然單任務辨別式AI應用與生成式AI應用都在運算的過程之中使用了生成數據，那么我們是否也能像AIGC在金融、藝術中的應用中那樣，直接生成醫療數據呢？

美國圣路易斯華盛頓大學醫學院信息學研究所去年開啟了一項基于生成式AI生成患者合成數據集的研究，意在為廣大科技醫療研究人員提供更為豐富的數據，為各類醫療AI的研發提速。

該研究使用了以色列公司MDClone研發的生成式AI模型。MDClone的系統與醫院的EHR直連，可以抽取患者數據進行脫敏，把數據按照特定維度打散，再利用其自研的生成式AI模型進行重新組合。通過這一路徑，MDClone可以根據基于少量電子健康記錄中真實的患者數據準確地生成大量合成數據，重建真實患者的特征。

在后續的研究中，相關人員將合成數據集與真實數據集置于三個特定任務下進行對比，分別為分析兒科創傷患者的死亡風險；預測哪些住院患者最有可能發生敗血癥；制作圣路易斯地區一年內按郵政編碼劃分的衣原體感染率地圖。

該對比研究結果顯示，合成數據分析的結果在統計上與真實數據的分析相似，各項數據集都得出了相同的結論。在絕大多數情況下，統計結果是相同的，只有在極少數情況下，真實數據集和合成數據集之間存在差異。

這一研究結果與深透醫療在影像加速中的研究結果方向一致。這也意味著，過去準備訓練數據往往需要耗去研究人員數個月的時間，而在生成式AI模型的賦能下，研究人員可以在數小時至數日內建立、查詢并下載自己的合成數據集。

此外，這一生成合成數據的方法還創造了一種嚴格的患者隱私保密方式。由于合成數據無法與真實的人和身份聯系起來，醫院或能借助這一技術將數據變為一種特定的資產，在不侵害患者隱私的前提下，最大化相關臨床研究。

同樣的邏輯亦可用于影像數據中。

在訓練輔助診斷類人工智能的過程中，患者影像數據的不均勻分布常常會影響最終模型在實際應用中的效果。

以皮膚病AI為例，該AI在處理影像時需要同時計算多種皮膚病的概率，但由于人的皮膚膚質及患病類型并非均勻分布，僅考慮患病種類一個維度，濕疹、毛囊炎的數據頻率偏高，銀屑病的數據頻率則會相對偏低。

常規算法可以雖然可以實現影像數據的合成，但其合成數據質量與真實數據質量存在差異，不能完全替代真實數據的價值。生成式AI的出現則補全了生成邏輯方面的缺陷，讓生成數據不僅保有質量，還能加快生成過程，擴大生成數據的量級。

英偉達在影像類合成數據中早有布局。2022年，英偉達與倫敦國王學院使用Cambridge-1超級計算機創建一套包含10萬份大腦合成圖像的數據集，借此訓練AI應用以加快對于癡呆癥、帕金森病及其他腦部疾病的理解。其生成邏輯與文本有相似之處，便是將真實數據拆分為素材，再通過特定邏輯的AI進行組合，進而解決數據量稀缺的問題。

合成數據的另一個潛在應用場景在于多病種判別式AI的審評審批。

多病種AI的臨床試驗設計是一個復雜的過程。譬如，多病種AI（以N=2為例）在進行數據集構建與算法驗證時，不僅需要構建病種A數據庫與病種B數據庫，還需要構建A∩B數據庫，并需在模型之中添加醫學知識，使其能基于醫學原理解釋交集數據的概率得出過程。

當病種數量較少時，構建融合數據庫的難度尚且可控。而在當前審評審批邏輯下，病種數量一旦增多，各病種組合的樣式及需要的數據集豐富程度則會呈指數趨勢上升，數據不均勻分布導致的障礙也會進一步凸顯。

譬如，糖網病變的0期、6期患者數據天然較少，企業很難在真實世界中找到足量滿足驗證數據集要求的數據量。若將病種的組合考慮在內，相關數據收集復雜程度將急速擴增，最終變成一個現實之中無法解決的難題。顯然，應用生成式AI對部分稀缺維度進行數據擴增有希望解決這一問題。

深透醫療已拿到FDA、CE、NMPA等各地認證，宮恩浩在采訪中告訴動脈網：“合成數據的應用貫穿AI應用全流程，FDA有明確要求申報公司闡述清楚訓練和測試用到的真實臨床數據的數量和細節，但FDA沒有對合成數據的使用量及使用環節進行明確規定。另一方面，影像增強過程中產生合成數據并以此重建影像與直接構建合成數據集進行AI訓練兩種方式存在差異，后一種方式仍然存在探索空間?！?/p>

中國人工智能醫療器械標準化技術單位及NMPA對于數據質控的標注制定及討論同樣走在全球前列，目標是針對訓練數據、預訓練、遷移學習等方面的建立完善的標準。如今生成式AI的進一步拓寬，或能加速相關法律法規及審評審批條款的制定，使多病種AI的審評審批獲得理論與經濟上的雙重可能。

距離硅谷，我們還有多遠？

近日，國家互聯網信息辦公室發布了一則關于《生成式人工智能服務管理辦法（征求意見稿）》公開征求意見的通知，有意將生成式AI盡快納入監管范圍。

對于這項仍處于野蠻生長中的技術，有效的監管將為其帶來更為良性的發展空間，也利于企業及早規避可能的政策風險。不過，要在國內全面推動生成式AI的發展，需要依靠不能只是監管。

“任何技術創新都是由基礎技術創新，到技術應用創新，最后帶來商業模式的創新。目前國內的生成式AI發展與硅谷存在一定差距，既存在于模型方面，又存在于數據方面。在美國，以OpenAI為代表的科技公司已經完成了GPT模型、大語言模型（LLM）等基礎設施的搭建，這意味著，美國已經進入到了創新的第二階段——技術應用創新?！睆堣幢硎?。

要追趕硅谷并不簡單，一方面需要有科技公司完成基礎模型的突破，讓后進的創業公司們能夠通過API去調用先進的模型；另一方面需要加速多模態數據的治理，為模型的專科化培養提供數據支撐。

回到國內，哪些企業能夠承擔風險扛起AI跨時代發展的責任？還需時間給出答案。