人工智慧(AI)聊天機器人ChatGPT日前在未經人為訓練的前提下,通過了以困難著稱的美國執業醫師資格考試(USMLE),成為AI在醫療領域達到成熟的一個重要里程碑,未來將在臨床決策和醫學教育中發揮更多助益。資策會MIC觀察到,生成式AI已從文字、影像、蛋白質三種內容生成技術切入,為智慧醫療帶來三大類的創新應用。
圖片來源 : shutterstock、達志影像
資策會MIC產業分析師郭乃禎指出,生成式AI於智慧醫療的應用,首先是「生成醫學文件」,將可為專業醫護草擬報告、彙整資料等助理應用,未來甚至可為一般民眾提供用藥方法、健康狀況等諮詢;二為「生成放射影像」,生成式AI能為既有輔助診斷提供訓練資料,提供放射醫師更多診斷參考依據;三為「生成蛋白質結構」,利用生成式AI可為藥物研發流程省下大量時間與金錢成本,並促進新藥研究發展。目前國際智慧醫療大廠已將這三種生成式AI技術導入產品,並獲得醫院、藥廠機構使用。
郭乃禎表示,以目前生成式AI發展出的技術,已可理解醫學術語,並生成醫學文件和放射影像。美國MIT研究團隊發現,GPT-3可以看懂醫師問診筆記中的術語縮寫,並進⼀步解釋,顯見GPT-3已具備醫學知識。而Open AI的DALL-E 2模型,是一種透過自然語言描述生成逼真圖像的AI系統,在期刊中被證實可生成符合解剖學表現的醫療放射影像,並可理解胸椎、骨盆等臨床用語;尤其在X光影像上,DALL-E 2已習得醫學術語與影像各特徵的對應關係,可針對受損與模糊的X光影像進行修補。隨著更多資料持續微調與訓練,可期待DALL-E 2模型在放射影像生成中有更好的表現。
生成創新蛋白質、縮短新藥研發時程
藥物研發始於疾病研究與藥物標靶探索,標靶為可與藥物分子反應之疾病分子,通常為蛋白質;而掌握蛋白質生成與其結構,可加速標靶認定,並進一步展開對藥物分子組成的研究。郭乃禎指出,由於藥物研發需要耗費十分高昂的時間和金錢成本,尤其在初期研究動輒需要花上數年與百萬美元,生成式AI則有潛力在還未掌握太多資料時,就能預測並生成標靶蛋白質。生成式AI可從既有蛋白質序列資料生成大量新序列、蛋白質結構,為標靶探索提供充分研究內容,加速相關研究進行。
藥物研發公司Insilico Medicine是NVIDIA Inception新創培育計畫的成員,多年來投入於使用生成式 AI 開發治療衰弱性疾病的新療法,該公司在其生成式AI藥物設計引擎Chemistry42中使用NVIDIA Tensor Core GPU來生成新穎的分子結構,也是2015年NVIDIA DGX系統早期的首批採用者之一。
Insilico在臨床前藥物發現過程的每個步驟,都使用生成式AI來識別藥物化合物可以靶向的分子、產生新的候選藥物、評估這些候選藥物與目標的結合程度,甚至預測臨床試驗的結果。若使用傳統的研發方式,平均需要7.5年的努力、成本可能超過4億美元,Insilico以生成式AI開發藥物,在專案開始後兩年半就進入了臨床實驗的第一階段,整個研發流程僅花費260萬美元[1]。
圖一、生成式AI研發創新蛋白質示意圖
圖片來源:2023/7/3,《生成式AI發展機會與在智慧醫療之應用分析線上研討會》,郭乃禎簡報資料。
生成式AI在智慧醫療產品的發展方向
1.生成醫學文件,強化醫護助理應用
微軟在2021年以160億美元代價收購的語音識別公司Nuance Communications,日前推出一款能生成臨床筆記的AI醫療應用程式Dragon Ambient eXperience(DAX)Express,目標在大規模自動化建立臨床文件,使用對話式、環境式和生成式 AI的獨特組合,結合OpenAI 最新、功能最強大的GPT-4模型,標榜透過自然對話使用、可理解圖片資料,能將長達4小時的門診問診紀錄內容,在幾秒內完成重點摘要並建立臨床筆記草稿,醫生可以對DAX Express生成的記錄進行編輯,並在輸入患者的電子健康記錄之前進行簽名。利用GPT-4強化病歷報告生成,可協助減輕醫生的行政工作量、將更多時間用來照顧患者[2]。
2.建立放射影像生成平台
若欲大規模使用AI加速醫療服務,需要數千個神經網路共同運作,才能涵蓋人類生理學、疾病,甚至醫院營運等範疇,這對當前的智慧醫院環境而言是一大挑戰。MONAI是一個透過輝達(NVIDIA)的技術加速運算的開源醫學影像AI框架,下載量已超過65萬次,現在進一步藉由MONAI Application Packages(MAPs)將這些模型導入臨床工作流程。大多數AI模型至今仍停留在研發階段,而MONAI Deploy提供的MAP是一種打包AI模型的方式,讓具有影響力的臨床AI可以被頻繁實際應用,更方便部署在現有的醫療生態系內。
MONAI Deploy由來自十餘間醫學影像機構的專家,組成制定MAP規範的工作小組,開發人員使用 MAP可以幫助研究人員在臨床環境中輕鬆打包和測試模型、加速AI模型的發展,並收集實際的回饋來改進AI的表現。MONAI Deploy除了造福 AI應用程式開發人員,還能支援運行AI應用程式的臨床和基礎設施平台,以整合的方式來進行AI應用。
目前已有醫療機構、學術醫療中心與AI軟體開發人員開始採用 MONAI Deploy,包括美國辛辛那提兒童醫院(Cincinnati Children's Hospital Medical Center)、英國國民保健署 (NHS)、加州大學舊金山分校 (University of California, San Francisco)、NVIDIA Inception新創培育計畫的成員Qure.ai和SimBioSys公司等等,使AI突破性的研究成果在醫學臨床上發揮作用。另外,包括Amazon HealthLake Imaging、Google Cloud、甲骨文雲端基礎架構(Oracle Cloud Infrastructure)等雲端平台,也已整合MONAI Deploy與MAPs的服務[3]。
3. 利用蛋白質生成平台加速藥物研發
AI框架還能用來支援大型語言模型生成優質蛋白質,加快藥物設計的速度。NVIDIA的Transformer模型,使用神經網路來理解文字的意涵,讀取蛋白質中的數百萬種氨基酸序列的技術,以了解與掌握大自然如何組成蛋白質。傳統的蛋白質生成方式稱為定向進化,通常一次只能改變幾個氨基酸的序列,透過AI機器學習可以排查海量的蛋白質序列,並有效地識別出最有用的序列。
美國一家專門研究蛋白質的新創公司Evozyne,發布使用 NVIDIA預先訓練好的AI模型,創造出兩種在醫療照護與潔淨能源方面具有巨大發展潛力的蛋白質。Evozyne使用NVIDIA的Transformer模型找出解決的功能以生成新的蛋白質,除了可用於藥物開發,還能生成用來對抗疾病和氣候變遷的有用蛋白質[4]。
圖二、Evozyne使用NVIDIA的Transformer模型來生成用於藥物開發和能源永續的蛋白質。
圖片來源:NVIDIA
Evozyne的資料科學家Joshua Moller指出,透過運用多個GPU進行訓練及加速處理龐大的作業流程,將訓練大型AI模型的時間從幾個月縮減至短短一週,讓訓練涵蓋數十億個參數的模型成為可能,運用AI加速蛋白質生成的未來前景非常看好。
郭乃禎認為,國際大廠及新創正應用生成式AI技術提供智慧醫療產品,國內廠商所開發的智慧醫療產品,橫跨健康促進、診察與治療、照護與復健,且多具有AI功能,建議台灣智慧醫療廠商應及早掌握生成式AI在智慧醫療市場的變化,在醫護助理、放射醫學影像、藥物研發等生成式AI技術領域儘速布局,評估導入生成式AI技術及發展產品,以強化既有的競爭優勢。
資料來源:
- 《生成式AI發展機會與在智慧醫療之應用分析線上研討會》郭乃禎簡報資料,ITIS智網,2023/7/3。
備註:
作者: |
吳碧娥 |
現任: |
北美智權報主編 |
學歷: |
政治大學新聞研究所 |
經歷: |
北美智權報資深編輯
驊訊電子總經理室特助
經濟日報財經組記者
東森購物總經理室經營企劃 |
|
|
|
Facebook |
|
在北美智權報粉絲團上追踪我們 |
|
|
|
|
|
|
|