近日，清华大学黄天荫教授等在新英格兰医学子刊《NEJM AI》发文，阐述未来医疗 AI 模式的演变——从特定任务、以疾病为中心到全民健康。

image.png

文章指出，现有医学人工智能技术至少面临三方面挑战：一是当前模型未能学习整合基于临床训练积累的“人类智能”；二是当前模型更关注疾病状态的治疗，但忽略了从健康到疾病的演变过程应用；三是当前模型依赖从发达国家收集的数据，忽略了缺少数据的发展中国家的医学问题。

鉴于上述挑战，作者提出了两个新的医学人工智能范式：通用医学人工智能（UMAI）和通用健康人工智能（UHAI）。UMAI和UHAI的主要特点包括：一是融合人类临床经验。UMAI模型关注如何将人类在临床实践中积累的经验和智慧结合到模型，特别是同理心和直觉，从而克服数据归纳、效率和价值观对齐等方面的挑战；二是整合临床外健康数据。UHAI在UMAI的基础上进一步扩展了模型的应用场景，考虑了更多非传统来源的临床外的健康数据来全面理解个人的健康和行为，从而促进更积极、主动的个性化医疗保健。

文章作者认为，实现UMAI和UHAI的关键技术内容包括五项。一是健康数据整合与对齐。医疗数据和非临床健康数据的融合理解对于提升医学人工智能模型能力至关重要，因此需要探索合适的解决方法。这里既涉及如何对异质、多模态的健康数据进行融合，也涉及如何实现复杂数据的对齐。特别是在UMAI到UHAI的过程中，物联网设备、可穿戴智能设备等对于非临床健康数据的采集同样非常重要，特别是在数据缺少的发展中国家。

二是人类价值观对齐。因为健康医疗场景本身的复杂性和特殊性，除了像通用人工智能技术的应用场景一样需要开发模型与人类价值观的对齐方式，医学人工智能还依赖于医学情境下的价值观对齐和训练。

三是医疗暗知识注入。UMAI模型需要学习人类的临床经验，特别是同理心和直觉判断能力，以模仿学习为代表的强化学习技术能够一定程度上模拟人类的决策过程，但是还需要进一步提升模型的推理和决策能力，大模型的思维链和思维树技术将有助于这方面的能力改进。

四是医疗多智能体协作。会诊是人类医生在应对复杂医学任务时采用的解决方案，为了进一步提升对于患者/疾病的整体理解，医学人工智能模型也应该具备类似的协作和集体决策能力。因此，构建合适的医疗多智能体协作策略将有效提升UHAI的各方面能力。

五是强有力的基础模型。当前，以大语言模型为代表的基础模型已成为处理不同任务的核心，正在取代传统的架构。未来，针对医学人工智能各方面需求而量身定制的基础模型及架构将可能带来快速的整体技术进步。

原文：Evolution of Future Medical AI Models — From Task-Specific, Disease-Centric to Universal Health