大模型“抗癌”，AI技术能续命？

由于医疗资源在全球范围内都是稀缺资源，人工智能在医疗方面的应用需求不仅十分广泛，而且十分迫切。尤其是大型语言模型的应用与发展，为交互式医学系统带来了质的提升。

如今，医疗产业利用大语言模型和其他人工智能技术，实现了更加智能化、人性化的医学服务。如IBM Watson大语言模型已经被广泛应用于医学领域，包括临床诊断、药物研发、基因研究等方面。

在迈入大模型的时代，多模态AI通用化注定将成为未来趋势。使用大语言模型在医疗系统中，医生完成一份病例报告的时间可以缩短30%以上，而在手术室内，使用大语言模型辅助的医生可以减少约50%的操作时间。

因此，大语言模型在医疗研究领域的应用，可以帮助医生和研究人员更好地理解和掌握疾病的本质和发展机制，提高医疗研究的科学性和工作效率。尤其是在肿瘤研究领域，帮助研究人员更好地理解和掌握肿瘤的本质和发展机制，成为了大预言模型的首要职责。

在如今“谈癌色变”的时代，全球每年因肿瘤死亡的人数超过900万人，而大语言模型的介入，是否能为人类在漫长的抗癌之路上增添一丝希望，也成为眼下社会所关注的话题。

该文章认为，AI在辅助肿瘤细胞水平诊断上具有较高的准确率，利用决策支持系统从血液显微图像中诊断急性白血病，最终准确率在细胞水平上达98.1%。此外，图像智能识别技术可较大幅度提高肿瘤影像诊断准确性，有效降低医生主观错误。与此同时，利用AI算法提取乳腺Ｘ线摄影的关键特征并与乳腺癌亚型进行相关性分析，诊断准确率高达99％。

从上述论证中可以看出，早在数年前，传统的计算机辅助诊断网络模型，在基于各种计算机视觉的先进算法在大量数据上进行训练，使得人工智能系统能够学习并识别特定医学领域的视觉信息，并在医学领域的多个应用领域获得成效。

就目前情况来看，基于人工智能技术演化而来的大语言模型，也已在医疗，尤其是肿瘤治疗领域持续深入。例如应用深度学习技术，将医学影像数据进行自动分析和诊断。如使用卷积神经网络(CNN)对乳腺X线照片进行分类，以区分良性和恶性肿瘤，并且还可以用于检测肺结节、肝脏病变等。

此外，基于计算机视觉和大语言模型结合，医生可以根据患者的病历信息和影像学检查结果，自动生成可能的治疗方案，并为医生提供参考意见。如近期国内发布的首款医疗大语言模型MedGPT，其诊断结果与患者原有线下门诊的诊断吻合率超过97.5%，充分证明了AI医生在医疗领域的价值和潜力。

但是，在大语言模型开始风靡多个产业赛道的同时，其自身也存在着一些局限性。微软全球资深副总裁、微软研究院负责人Peter Lee 就曾对人工智能在医疗领域的应用，公开“浇了一盆冷水”。他表示，“因为我们曾经也对计算机技术帮助医疗健康领域或促进医学进步持乐观态度，但却一次次失望。这些挑战可能源于过度乐观。”

同时，这一观点也得到了其他AIGC参与者的认同。长城证券认为，当前大预言模型技术已经大量应用于医疗影像、临床决策系统等方向，但在智慧病案、新药研发、辅助诊疗等方面仍处于相对早期阶段。

因此，眼下无论是人工智能技术还是细化的大语言模型技术，在肿瘤治疗领域的应用还处于初期起步阶段，尤其是在以抑制或杀死肿瘤细胞的靶向药的研发领域，大预言模型的作用仍然有限。原因在于药物研发数据的获取和处理是一项非常重要的工作。由于肿瘤治疗的复杂性，相关研究需要大量的临床试验数据，这些数据通常非常敏感且难以获得。

例如临床试验数据、基因组学数据、蛋白质数据等，这些数据往往受到保密性和法律限制，不容易获取。大语言模型对于数据的依赖程度较高，缺乏足够的相关数据会限制其在肿瘤靶向药领域的应用。

此外，在肿瘤靶向药的研发中，需要了解特定基因变异与药物敏感性之间的关系，以便为患者提供个体化的治疗方案。但是，肿瘤靶向药领域需要深入的生物医学知识和专业技能。大语言模型虽然可以通过学习文献。和数据来获取一定的知识，但缺乏领域专家的指导和解释，其输出结果可能受到限制。

因此，即使使用最先进的技术对这些数据进行分析，也很难得到足够的训练数据以支持大语言模型的开发和应用。此外，肿瘤靶向药领域的知识非常复杂，需要专业知识和经验才能理解和应用。而这也意味着，在未来的发展中，大语言模型在肿瘤靶向药研发领域短期并无太大助力，反而在初期的影像监测与筛查更有前景。

技术赋能，效率提升300%

AI是一项不断发展且极具潜力的新技术，目前在肿瘤领域应用尚处于探索阶段。美国新闻网站Marktechpos分析员Aneesh Tickoo认为，尽管LLM（大语言模型）在包括计算机视觉、机器人和自然语言处理在内的几个学科中，已经证明了其在小样本学习方面的成熟度，但在生物、制药等更复杂领域中的应用，仍将面临诸多挑战。

但在另一方面，从国外的一系列研究中也可以发现，在肿瘤筛查方面，大语言模型的应用已经能够满足产业需求。

据欧洲新闻台（Euronews）报道，不久前美国马里兰大学医学院（UMSOM）的研究人员开始评估ChatGPT对乳腺癌症预防和筛查的价值，并向其提问了25个相关领域的常见问题。他们发现人工智能模型表现良好，有助于传播对乳腺癌症状的认识和筛查建议。

对此，该研究的通讯作者、诊断放射学和核医学助理教授Paul Yi博士公开表示“我们发现ChatGPT在88%的时间里正确回答了问题，这真是太神奇了，在肿瘤筛查领域，大预言模型应用的潜力是巨大的。”

不可否认，大语言模型的一大特点，便在于该技术可以处理和分析大量的病理学、临床和基因组学数据，从而提供更全面、准确的肿瘤筛查结果。这些模型可以从海量的文献和病例数据库中学习知识，并结合患者的个人信息和检测结果进行综合分析，为医生和研究人员提供决策支持。

此外，大语言模型整合了多种数据源，综合考虑患者的个体特征和风险因素。它能够提供个性化的肿瘤筛查方案，并根据最新的科学研究和医学进展不断更新和优化筛查流程，从而克服了传统方式的局限性和不全面性。

而这也意味着与传统肿瘤模式筛查相比，大语言模型技术的应用能够实现数据驱动与自动化，进而摆脱医生及研究者的主观性和依赖经验来判断患者病情。同时基于庞大的数据库，大语言模型在肿瘤筛查更具全面性与精准性，进而改进传统肿瘤筛查中难以根据个体风险因素和特定情况提供个性化的诊断。

对此，求臻医学医学信息总监徐全认为，大语言模型在肿瘤筛查领域的突出优势之一，便是可以作为一件“强力”辅助工具，为临床医生和研究人员提供建议，它可以回答有关肿瘤基因检测的问题，提供专业建议、解释结果、评估治疗选择和预测疾病风险等方面的帮助。

如果研究人员正在探索一种新型肿瘤标志物的基因表达模式与疾病进展的关联，研究者可以使用大语言模型搜索相关文献，了解肿瘤标志物的定义、检测方法、研究结果等。

同时，模型还可以回答关于标志物的特定问题，例如它在早期诊断中的准确性、与治疗反应的关系以及其在不同肿瘤类型中的应用等。这样，研究人员可以更全面地了解肿瘤基因检测领域的最新进展，并在设计研究和制定治疗方案时获得更深入的见解。

此外值得注意的是，大语言模型在肿瘤筛查领域的应用能显著提高其工作效率。徐全向亿欧透露，仅在检测结果解读及检测报告出具方面，在引入人工智能以及大语言模型之前，出具一份ChosenOne 1123肿瘤基因检测报告平均需要1小时40分钟左右。

而引入大语言模型之后，只需要对自动化报告的内容进行审核即可，平均用时缩短到了30分钟以内，平均效率提升300%以上。

结语

在医疗行业中，传统的研究和治疗模式已经无法满足现代医疗的需求。这时，新技术和新思路的应用变得尤为重要。大语言模型作为自然语言处理领域的一种新技术，它将对未来的发展产生深远的影响，尤其是在医疗信息化、互联网医疗、医卫和医保信息化等领域产生生产力变革性推动。

在细分领域，大语言模型技术在肿瘤治疗方面的发展前景非常广阔。通过结合大数据、深度学习和自然语言处理等技术，该技术有望改善肿瘤治疗的精确性、个体化水平和效率，为患者提供更好的医疗结果。

比尔·盖茨曾认为，以大语言模型为代表的AI产品，已经在提升疾病检测和诊断方面发挥了重要作用，未来将助力更多领域的研究突破，让那些无法获得医疗服务的人也能获得准确、可靠的医学建议。

因此，大语言模型在肿瘤筛查领域具有巨大的潜力。通过结合大数据、深度学习和自然语言处理等技术，它们有望改善肿瘤治疗的精确性、个体化水平和效率，为患者提供更好的医疗结果。

在未来，随着技术的进步及数据的完善。除了在肿瘤筛查领域外，在可预见的未来，大模型应用极有可能在个体化治疗决策、药物副作用预测和管理、病理图像分析和辅助诊断、临床试验优化和预测乃至靶向药物研制与设计等多个医学领域发挥更大的价值。