跳到主要內容
maxstudioNews
研究Microsoft Research約 8 分鐘

AI 如何助攻醫療未來?微軟研究專家探討 AI 在健康領域的潛力與挑戰

微軟研究(Microsoft Research)的專家們與生物醫學領域的領袖齊聚一堂,探討人工智慧(AI)如何形塑未來的醫療健康。他們深入討論了 AI 在醫學診斷、影像分析、藥物發現以及全方位病患模型中的應用潛力,同時也檢視了將研究成果轉化為實際病患照護所面臨的挑戰,並強調了優化生物數據和真實世界驗證的重要性。

AI 如何助攻醫療未來?微軟研究專家探討 AI 在健康領域的潛力與挑戰
圖片來源:Microsoft Research

技術進步的速度如此之快,以至於我們很難定義正在努力實現的未來。在《The Shape of Things to Come》節目中,微軟研究的領導者 Doug Burger 與跨領域專家們,共同探討了當今技術人員、政策制定者、商業決策者及其他利害關係人所面臨最棘手的 AI 議題。

目標是增強共同理解,以建立一個 AI 轉型能帶來淨正面效益的未來。微軟首席研究經理 Ava Amini、微軟首席科學長 Eric Horvitz,以及 Scripps Research 的醫師科學家兼微軟 AI 健康顧問 Eric Topol,與 Burger 一同探討了一個對地球上每個人都具有深遠影響的問題:AI 時代的醫學未來會是什麼樣子?以及在此之前需要發生什麼?

該團隊借鑒了機器學習、生物科學和臨床護理的經驗,探討了 AI 輔助醫學診斷、AI 在醫學影像中未開發的潛力、全方位病患模型、虛擬細胞,以及生物基礎模型在科學發現中的作用。

他們也檢視了為何有前景的研究成果難以迅速惠及病患、AI 如何引導實驗和藥物發現,以及為何更好的生物數據和真實世界驗證仍然至關重要。本集節目提供了一場以研究為基礎的對話,內容涵蓋 AI 在健康領域的當前能力、未來的挑戰與機會,以及未來發展的藍圖。

[音樂]

DOUG BURGER: 這裡是《The Shape of Things to Come》,一個微軟研究的 Podcast。我是主持人 Doug Burger。在本系列中,我們將深入探索 AI 能力的最前沿,挖掘其基本原理,真正理解它們,並思考這些能力將如何改變世界,無論是好是壞。

今天,我邀請了三位在生物醫學領域的專家,他們在 AI、生物學和醫學的前線工作,來探討醫療保健的發展方向、對生物學的深入理解將走向何方、哪些醫學進步即將到來,以及 AI 將如何改變健康的未來。這些問題非常重要,因為它們將決定未來的樣貌。

[音樂漸弱]

在今天的 Podcast 中,我邀請了三位在醫學、生物學和機器學習/AI 領域的頂尖研究人員。

Eric Horvitz 是微軟的首席科學長,他同時擁有博士和醫學學位。我不知道你是怎麼在學校度過那麼多年的。我認識 Eric 幾十年了,他的工作塑造了整個機器學習領域。他是機器學習社群的傳奇人物,也是我的好朋友。

Eric Topol 是我們的第二位來賓。他是 Scripps Research 的執行副總裁,這是美國最大的非營利生物醫學研究機構。他發表了超過 1,300 篇經過同儕審查的論文,產量驚人。他還撰寫了四本書。他是一位令人印象深刻、多產的科學家和醫師。

最後,Ava Amini 是微軟研究的首席研究經理。她是我們組織中一顆冉冉升起的新星,專長於 AI 和精準醫學的交叉領域,並且是 Project Ex Vivo 的共同負責人。Project Ex Vivo 是微軟和 Broad Institute 之間的合作項目,專注於定義、工程化和靶向癌症中的細胞狀態。

非常感謝各位今天的加入。我想我們今天邀請到了一組非常非常優秀的人,除了我自己。我想從我的來賓開始。

目前,在生物學、醫學和 AI 的交叉領域,顯然正在發生巨大的變革。我們看到突破以加速的步伐發生。模型正在幫助我們發現結構並創建抽象概念,這對於推動醫學領域的發展非常有幫助。我最近看到一些演講,科學家們利用 AI 為自己設計抗癌藥物。這簡直令人難以置信。

今天,我有一些長期問題要和大家討論,可能有些具挑釁性。但我想從各位目前在醫學、生物學和 AI 交叉領域所看到的情況開始。我想你們每個人都有獨特的視角。我會依序請教,我知道 Eric,你有一篇發表在《Science》雜誌上的封面文章非常令人興奮,所以也許你可以談談那篇文章。我會先從你開始,然後是 Eric Topol,最後是 Ava。

ERIC HORVITZ: 謝謝 Doug。

我認為醫療保健和生物科學是幸運的學科,因為內容已經數位化,無論是幾十年來的蛋白質結構、電子健康紀錄等等,這使得這些領域隨時準備好接受 AI 推論和創新。因此,我對長期的未來以及我們在生物科學和醫療保健領域的 AI 前沿將看到的早期成果,一直抱持著極度樂觀的態度。

在過去五到八年裡,生物科學領域在判別式和生成式 AI 模型方面所發生的變化令人驚嘆。AlphaFold 的突破只是冰山一角,我們現在看到在實驗平台、實驗設計、生物科學數據解釋、假設生成方面,可能性如浪潮般湧現,作為科學推理者和人類科學家的助手和夥伴。

在醫療保健領域,我們有絕佳的機會解決病患安全、及時診斷和醫療可近性方面的長期挑戰。經過幾年的密集工作,我和微軟的優秀同事們,在 AI 應用於醫療保健挑戰方面進行了深入研究,並對醫學診斷挑戰進行了基準測試。我們將其提升到我稱之為醫學認知領域。

我們不再是將整個病例交給 AI 系統,並觀察其診斷能力(例如鑑別診斷)的準確性報告,而是讓 AI 系統站在臨床醫師的角度。當病患在門診就診時,你會得到初步的症狀、主訴、一些病史,以及對情況的初步了解。然後由臨床醫師提出正確的問題,並思考檢測,平衡資訊價值與檢測成本。這就是序列診斷的挑戰。

我們將 AI 應用於假設的形成,以及決定下一步最佳檢測、要問的問題,以及何時在不確定性下做出診斷,作為一個最終的收斂診斷,並繼續進行治療。我們展示了許多前沿語言模型在這些方面表現出卓越的能力。

而且,我們也與人類全科醫師進行了一些比較,儘管這些比較必須以其表面價值和我們在比較中所做的限制來衡量,但仍然顯示了這些方法在協助未來臨床醫師方面的潛力。

BURGER: 恭喜這篇論文。這是一項非常重要的成就。

Eric [Topol],接下來輪到你。你是這個 Podcast 中唯一不是微軟員工的人,所以你看到的可能與我們從我們的角度看到的非常不同,儘管我認為我們三個人通常看到的也各不相同。

你能告訴我們你看到了什麼嗎?對於一位聽眾,我們的聽眾群很廣泛,不僅限於 AI 或醫學專家。你看到了什麼,是你的技術型、聰明的普通聽眾能夠理解的?

ERIC TOPOL: 好的,Doug。我想首先我也要恭喜 Eric 和微軟團隊,因為這是一篇發表在《Science》上的開創性論文。這是首次有代理系統不僅比醫師,而且比許多其他前沿模型,做出更準確的診斷。它顯著提高了診斷準確性,幾乎是醫師的兩倍,但成本更低。

這真是我們前所未見的。我們以前看到的是,AI 被用於提高編碼和可能增加成本。這確實是首次證明你可以用更低的成本獲得更高的準確性。這有點像吃得更多,體重卻更輕,或者味道更好。總之,這是一項令人印象深刻的工作。

現在,我所看到的令人驚訝的是,我們都關注了生成式 AI 這個閃亮的新事物,這很棒,它已經發展了四年。但我們卻不知何故錯過了它在影像領域更為成熟的應用,也就是醫學影像的深度學習。無論是視網膜、胸部 X 光、心電圖,所有這些東西。

因此,存在一個真正的悖論,例如,我們沒有實施從乳房攝影中學到的一切,這項研究涉及十萬多名女性的隨機試驗,或者從結腸鏡檢查中學到的一切,這項研究涉及 44 項隨機試驗。我們沒有從我們所知的每種醫學影像中,挖掘出人類無法看到但 AI 可以解釋的所有嵌入資訊。所以我們沒有把握這個機會。

現在,為什麼這很重要?嗯,AI 的下一個階段,我想我會稱之為全方位病患模型,屆時我們將擁有 Eric 提到的電子健康紀錄;我們將擁有所有影像、原始影像和其他層次的數據。它可以是基因組學、蛋白質組學;它可以是暴露組學,所有這些數據層次。

但我們只有在個體層面上才能充分利用這些數據,以便能夠預測疾病以及它們何時可能發生,以及如果我們改變某些東西以延遲或預防疾病的假設情境,並利用這些非凡的數據集,以我們前所未有的方式真正改變醫療照護。所以我對此感到興奮。但我們仍然停滯不前。我們還沒有利用已經完成的工作來影響病患照護。我仍在等待這一切發生。至少可以說,這令人沮喪。

BURGER: 在我轉向 Ava 之前,既然你提到了這一點,你認為社群應該如何做才能不錯過這個機會?我的意思是,有大量的研究正在進行;有很多工作;有很多企業正在採用 AI。社群錯過了什麼?

TOPOL: 嗯,它錯過了實施。所以所有這些都存在於這些偉大的期刊中,經過了同儕審查,而且數據令人印象深刻,特別是那些在真實世界中進行的隨機試驗,但卻沒有用於照護病患或幫助病患。

所以沒有真正的好理由說明為什麼這沒有向前推進。有很多藉口,但醫療專業在接受變革方面很慢。通常,存在財務限制;醫療系統不願意投資,因為它們的利潤非常低。

BURGER: 對。

TOPOL: 而且,它們不願意涉足它們沒有完全信心的事物。值得注意的是,醫師們並沒有大聲疾呼要求這些進步。我的意思是,如果我,或者病患。如果你是一位正在接受乳房攝影的女性,而你沒有得到最先進的 AI,而美國幾乎沒有女性能得到,你可能會發動一場反抗。或者你必須付費才能在非常有限的網路中獲得這種解釋。有太多這樣的事情,人們沒有得到,無論是倡導的醫師…

Share

覺得值得一看?分享給朋友。

以上為 AI 自動翻譯導讀。原文版權歸 Microsoft Research 所有, 建議透過「閱讀原文」前往原始網站,以取得最完整資訊並支持原作者。

Newsletter

不用每天追,AI 重點每週寄給你

43 個來源、每 2 小時更新,太多看不完。電子報每週挑最值得看的幾則,附上 Max 的看法。

每週一封。Email 只用來寄電子報,每封信都能一鍵退訂。