人工智能（AI）聊天机器人ChatGPT日前在未经人为训练的前提下，通过了以困难著称的美国执业医师资格考试（USMLE），成为AI在医疗领域达到成熟的一个重要里程碑，未来将在临床决策和医学教育中发挥更多帮助。台湾地区资策会MIC观察到，生成式AI已从文字、影像、蛋白质三种内容生成技术切入，为智能医疗带来三大类的创新应用。

图片来源 : shutterstock、达志影像

台湾地区资策会MIC产业分析师郭乃祯指出，生成式AI于智能医疗的应用，首先是「生成医学文件」，将可为专业医护草拟报告、汇整数据等助理应用，未来甚至可为一般民众提供用药方法、健康状况等咨询；二为「生成放射影像」，生成式AI能为既有辅助诊断提供训练数据，提供放射医师更多诊断参考依据；三为「生成蛋白质结构」，利用生成式AI可为药物研发流程省下大量时间与金钱成本，并促进新药研究发展。目前国际智慧医疗大厂已将这三种生成式AI技术导入产品，并获得医院、药厂机构使用。

郭乃祯表示，以目前生成式AI发展出的技术，已可理解医学术语，并生成医学文件和放射影像。美国MIT研究团队发现，GPT-3可以看懂医师问诊笔记中的术语缩写，并进⼀步解释，显见GPT-3已具备医学知识。而Open AI的DALL-E 2模型，是一种透过自然语言描述生成逼真图像的AI系统，在期刊中被证实可生成符合解剖学表现的医疗放射影像，并可理解胸椎、骨盆等临床用语；尤其在X光影像上，DALL-E 2已习得医学术语与影像各特征的对应关系，可针对受损与模糊的X光影像进行修补。随着更多数据持续微调与训练，可期待DALL-E 2模型在放射影像生成中有更好的表现。

生成创新蛋白质、缩短新药研发时程

药物研发始于疾病研究与药物标靶探索，标靶为可与药物分子反应之疾病分子，通常为蛋白质；而掌握蛋白质生成与其结构，可加速标靶认定，并进一步展开对药物分子组成的研究。郭乃祯指出，由于药物研发需要耗费十分高昂的时间和金钱成本，尤其在初期研究动辄需要花上数年与百万美元，生成式AI则有潜力在还未掌握太多数据时，就能预测并生成标靶蛋白质。生成式AI可从既有蛋白质序列数据生成大量新序列、蛋白质结构，为标靶探索提供充分研究内容，加速相关研究进行。

药物研发公司Insilico Medicine是NVIDIA初创加速计划（NVIDIA Inception）的成员，多年来投入于使用生成式 AI 开发治疗衰弱性疾病的新疗法，该公司在其生成式AI药物设计引擎Chemistry42中使用NVIDIA Tensor Core GPU来生成新颖的分子结构，也是2015年NVIDIA DGX系统早期的首批采用者之一。

Insilico在临床前药物发现过程的每个步骤，都使用生成式AI来识别药物化合物可以靶向的分子、产生新的候选药物、评估这些候选药物与目标的结合程度，甚至预测临床试验的结果。若使用传统的研发方式，平均需要7.5年的努力、成本可能超过4亿美元，Insilico以生成式AI开发药物，在项目开始后两年半就进入了临床实验的第一阶段，整个研发流程仅花费260万美元[1]。

图一、生成式AI研发创新蛋白质示意图

图片来源：2023/7/3，《生成式AI发展机会与在智慧医疗之应用分析在线研讨会》，郭乃祯简报。

生成式AI在智能医疗产品的发展方向

1.生成医学文件，强化医护助理应用

微软在2021年以160亿美元代价收购的语音识别公司Nuance Communications，日前推出一款能生成临床笔记的AI医疗应用程序Dragon Ambient eXperience（DAX）Express，目标在大规模自动化建立临床文檔，使用对话式、环境式和生成式 AI的独特组合，结合OpenAI 最新、功能最强大的GPT-4模型，标榜透过自然对话使用、可理解图片数据，能将长达4小时的门诊问诊纪录内容，在几秒内完成重点摘要并建立临床笔记草稿，医生可以对DAX Express生成的记录进行编辑，并在输入患者的电子健康记录之前进行签名。利用GPT-4强化病历报告生成，可协助减轻医生的行政工作量、将更多时间用来照顾患者[2]。

2.建立放射影像生成平台

若欲大规模使用AI加速医疗服务，需要数千个神经网络共同运作，才能涵盖人类生理学、疾病，甚至医院营运等范畴，这对当前的智慧医院环境而言是一大挑战。MONAI是一个透过NVIDIA的技术加速运算的开源医学影像AI框架，下载量已超过65万次，现在进一步藉由MONAI Application Packages（MAPs）将这些模型导入临床工作流程。大多数AI模型至今仍停留在研发阶段，而MONAI Deploy提供的MAP是一种打包AI模型的方式，让具有影响力的临床AI可以被频繁实际应用，更方便部署在现有的医疗生态系内。

MONAI Deploy由来自十余间医学影像机构的专家，组成制定MAP规范的工作小组，开发人员使用 MAP可以帮助研究人员在临床环境中轻松打包和测试模型、加速AI模型的发展，并收集实际的回馈来改进AI的表现。MONAI Deploy除了造福 AI应用程序开发人员，还能支持运行AI应用程序的临床和基础设施平台，以整合的方式来进行AI应用。

目前已有医疗机构、学术医疗中心与AI软件开发人员开始采用 MONAI Deploy，包括美国辛辛那提儿童医院（Cincinnati Children's Hospital Medical Center）、英国国民保健署 （NHS）、加州大学旧金山分校 （University of California, San Francisco）、NVIDIA Inception新创培育计划的成员Qure.ai和SimBioSys公司等等，使AI突破性的研究成果在医学临床上发挥作用。另外，包括Amazon HealthLake Imaging、Google Cloud、甲骨文云端基础架构（Oracle Cloud Infrastructure）等云端平台，也已整合MONAI Deploy与MAPs的服务[3]。

3. 利用蛋白质生成平台加速药物研发

AI框架还能用来支持大型语言模型生成优质蛋白质，加快药物设计的速度。NVIDIA的Transformer模型，使用神经网络来理解文字的意涵，读取蛋白质中的数百万种氨基酸序列的技术，以了解与掌握大自然如何组成蛋白质。传统的蛋白质生成方式称为定向进化，通常一次只能改变几个氨基酸的序列，但透过AI机器学习可以排查海量的蛋白质序列，并有效地识别出最有用的序列。

美国一家专门研究蛋白质的新创公司Evozyne，发布使用 NVIDIA预先训练好的AI模型，创造出两种在医疗照护与洁净能源方面具有巨大发展潜力的蛋白质。Evozyne使用NVIDIA的Transformer模型找出解决功能以生成新的蛋白质，除了可用于药物开发，还能生成用来对抗疾病和气候变迁的有用蛋白质[4]。

图二、Evozyne使用NVIDIA的Transformer模型来生成用于药物开发和能源永续的蛋白质。

图片来源：NVIDIA

Evozyne的数据科学家Joshua Moller指出，透过运用多个GPU进行训练及加速处理庞大的作业流程，将训练大型AI模型的时间从几个月缩减至短短一周，让训练涵盖数十亿个参数的模型成为可能，运用AI加速蛋白质生成的未来前景非常看好。

郭乃祯认为，国际大厂及新创正应用生成式AI技术提供智能医疗产品，国内厂商所开发的智能医疗产品，横跨健康促进、诊察与治疗、照护与复健，且多具有AI功能，建议智慧医疗厂商应及早掌握生成式AI在智慧医疗市场的变化，在医护助理、放射医学影像、药物研发等生成式AI技术领域尽速布局，评估导入生成式AI技术及发展产品，以强化既有的竞争优势。

数据源：

1. 《生成式AI发展机会与在智慧医疗之应用分析在线研讨会》郭乃祯简报，ITIS智网，2023/7/3。

备注：

好消息～北美智权报有微信公众号了！ 《北美智权报》内容涵盖世界各国的知识产权新闻、重要的侵权诉讼案例分析、法规解析，以及产业与技术新知等等。 立即关注北美智权微信公众号→ NAIP_IPServices ～欢迎读者分享与转发～