大模型是指通过在海量数据上依托强大算力资源进行训练后能完成大量不同下游任务的模型。其凭借在模型精度和泛化能力等多方面超越传统AI模型的表现，为各个行业带来了巨大潜力。
在医疗领域，传统AI已经在辅助诊疗质量、提升管理效率等方面发挥了巨大作用。但由于医疗数据的特殊性，大模型技术受到诸多制约。近日发布的《北京市人工智能大模型行业应用分析报告》（以下简称《分析报告》）指出，大模型技术在医疗领域的发展面临医疗数据标准化以及医疗机构私有化落地等问题，如何解决这些已成为该领域的重要议题。为此，已有医疗AI企业通过在临床决策支持系统（CDSS）上部署大模型技术等方式，突破了医疗数据标准化和私有化部署等难点，其应用效果已得到诸多医疗机构的认可。
医疗领域大模型发展面临三大挑战
《分析报告》显示，北京市目前已备案上线大模型51款，数量处于全国第一。大模型应用正从边缘场景向核心场景挺进，在产业升级和金融领域的落地应用步伐最快。《分析报告》还对大模型在各个领域的应用进行了研判，并根据医疗领域现状总结了大模型发展中面临的三个挑战：
- 医疗领域核心场景重视准确性及可解释性。诊断场景作为医疗领域的核心场景，需要大模型结果准确，同时给出判断依据，还应支持生成结果可回溯、可验证，这对技术企业的医疗业务积累以及技术方案的设计都提出了更高的要求。
- 医疗数据治理面临隐私及标准化的挑战。当前医疗人工智能产品训练所需的基础数据，均来源于医疗机构在不同时期逐步部署的异构信息系统，不同的医疗机构之间医疗数据仍难以互联互通、共享共用，这阻碍了医疗数据在大模型甚至多模态大模型上的进一步分析利用。同时医院内部对数据管理严格，对数据安全与用户隐私保护要求很高，只支持大模型在医院内部私有化部署训练，无法出域训练，一定程度上限制了大模型在医疗领域的商业化落地。
- 医疗机构私有化落地成本较高。大模型在资金、时间、算力、硬件设施和环境等方面具有高昂的开发和运营成本。大模型训练与推理对算力要求大，科研单位及医疗机构自建算力所需的前期购买与后期维护的人员与资金成本极高，在当前算力短缺的情况下，医疗机构私有化部署医疗大模型难度加大。
针对大模型技术在医疗领域发展遇到的挑战，目前已有多个研究进行了验证，问题大多聚焦在生成内容的准确度和落地成本方面。例如，发表在医学信息学杂志的论文《大规模生成式语言模型在医疗领域的应用：机遇与挑战》提出，大模型“难以仅从文字记载中习得专家经验”，以及幻觉问题导致“在应用时付诸极大代价判断信息真伪”等，其原因与训练不充分、指令理解能力有限等有密切关联。
CDSS+大模型解决私有化难题
医疗是一类典型的严肃、复杂应用场景，对大模型的准确性、精确性、安全性、可靠性、认知能力均提出更高要求。因此，训练数据是否充足、客观，对医疗大模型的实际应用结果将带来较大影响。针对该问题，各厂家正在结合自身AI产品尝试各种方法优化训练方法，或获取非公开医疗数据，以提升大模型生成结果的准确性。例如，某医疗AI厂商结合CDSS产品解决了大模型面临的训练数据不标准、数据不足等问题。基于AI的CDSS可无缝对接医院各业务系统，自动抓取患者信息，通过自然语言处理等人工智能技术，将其处理为标准统一的结构化数据。这些数据一方面能够应用于病历质控、疾病风险防治、医保控费等多个诊疗和管理环节，另一方面还能够为大模型提供客观、符合循证医学的训练数据。此外，由于医疗行业的特殊性，患者数据不能离开医院，因此大模型的训练和应用必须在医疗机构内完成。此外，大模型一般采用GPU芯片训练和推理，而GPU算力资源紧缺是世界性的问题，医院很难负担高昂的GPU采购成本。这些原因导致多数医院无法完成私有化部署，对此，已有厂商通过CPU上的加速方案解决了该问题。例如，某医疗AI厂商通过量化和非量化加速方案，一方面通过降低精度等方式降低了大模型运行负担，另一方面通过硬件方的支持提升了CPU上的推理速度。最终，该大模型方案实现了CPU上的推理，并可用于预问诊、病历生成、知识库问答等功能，辅助提升临床诊疗质量，减少临床医生工作负担，提高医生工作效率和质量。
从医疗全流程入手促进行业发展
《分析报告》针对大模型在医疗领域的发展提出了三条发展建议：从医疗全流程入手，开放有价值业务场景；推动构建北京市医疗大模型公共数据集；大模型技术企业与医院IT解决方案供应商加强合作。2023年7月，国家卫生健康委发布《医疗机构临床决策支持系统应用管理规范（试行）》，指导各医疗机构规范应用CDSS。此外，多项政策明确将推动决策支持系统辅助临床诊疗工作。在政策的推动下，基于AI的CDSS将更多地应用于医疗机构，为大模型私有化部署带来更多可能性。例如，有厂商将CDSS与大模型相结合，针对医院在病历质量管理中存在的质控工作滞后及深度不够、无法实现病历全量质控、反馈机制滞后以及缺乏管理决策数据支撑等问题，发挥大模型技术在学习能力和理解能力方面的优势，应用于病历全流程内涵质量管理工作。实际应用中，大模型能够通过学习，能够发现传统AI难以发现的病历内涵缺陷，并通过CDSS及时提醒医生修改，同时提供质控依据，以此提升病历书写的合规性、一致性等内涵质控要求。此外，大模型可以化身虚拟质控专家，通过灵活、友好的交互方式与医生进行多轮问答，帮助医生理解内涵质控逻辑和要求，及时处理缺陷问题。相信随着多方机构合作的不断尝试和深入，以及公共平台的建设，大模型在医疗领域应用场景将越来越多，发展也将越来越迅速。在此基础上，未来医疗大模型将代替更多临床工作，助力医院高质量发展。
