微软、谷歌、英伟达领军，红得发紫的生成式AI在医疗已有哪些进展？

生成式AI（Generative AI）的市场空间究竟有多大，这个数字随着新兴机会如雨后春笋般冒出正在不断被改写。但可以确定的是，正是因为AIGC的火热，又一家市值万亿美元的企业即将诞生——随着AI核心算力供应商英伟达（NVIDIA）在5月29日进一步“All-in-AI”，其股价在5月31日一度突破419美元，使其市值超越了万亿美元。

生成式AI概念使英伟达市值破万亿（截图自纳斯达克官网）

迄今为止，全球只有八家公司市值突破过万亿美元。目前市值仍然排在英伟达之上的只有苹果、Alphabet、微软和亚马逊。

无独有偶，在最近也迎来又一波股价暴涨的微软，背后的支撑同样来自生成式AI——其投资的OpenAI在最近以ChatGPT成为引爆生成式AI的关键。

在意识到生成式AI的突破性意义后，全球医疗产业以从未有过的速度和热情迅速开始将生成式AI引入到医疗领域，并已有了初步的成果。动脉网汇总了目前全球生成式AI在医疗应用的前沿案例，以供参考。

生成式AI在医疗领域探索最大的新闻莫过于Epic与微软的牵手合作。作为全球顶尖的医疗信息化巨头，EPIC在美国的电子病历（EMR）市场上牢牢占据着领导者的位置，也是大型医疗机构的首选，且与其他竞争者的差距呈现出越来越大的趋势。根据KLAS的研究报告，2022年EPIC在其参与的85次公开招标中居然只输了一次。

在4月的HIMSS23展会上，EPIC宣布将与微软合作，在其EHR系统中集成AIGC。使用Epic旗下EHR系统的医疗机构将在未来通过微软Azure云服务利用到生成式AI的能力——自从GPT-4模型发布以来，微软已在其Azure云解决方案中快速导入了基于GPT-4模型的服务。

这也是Epic首次拥抱生成式AI。目前，Epic已推出两款基于生成式的解决方案。其一是在In Basket通信方案中引入生成式AI。它将为医生自动起草对一些最常见和耗时的患者信息的回复草稿内容。当然，它并不会取代医生的判断，医生可以接受建议，也可以拒绝建议自行编写。

目前，Epic已开启该功能的小范围内测，包括加州大学圣地亚哥分校健康中心、威斯康星大学健康中心和斯坦福医疗保健中心等保健机构已经接入进行测试。Epic表示，这一功能还将进一步扩大内测范围，一旦内测顺利或将在几个月内正式发布。

第二个方案则是将生成式AI与Epic旗下的Slicer Dicker数据可视化工具相结合。在之前，用户在这一工具中自定义特定的数据搜索时门槛颇高，需要对数据有较为深入的了解。生成式AI则可以根据用户的输入内容为其自动推荐不同的指标。据介绍，这一功能仍在开发中，并预计将于今年晚些时候发布。

事实上，微软不仅为其他企业提供服务，也通过自有产品上引入生成式AI来强力推动对OpenAI服务的应用。3月，距离GPT-4发布不到一周时间，微软旗下的Nuance便宣布将在其产品Dragon Ambient eXperience Express中引入GPT-4赋能。

Nuance曾是语音AI领域的领导者，不仅是苹果Siri语音引擎的开发者，更曾经在全球智能语音市场中占据六成以上的市场份额。在受到科技巨头的挑战后，Nuance将业务重心转向医疗领域，并通过数年深耕建立了很高的竞争壁垒。

2021年4月，Nuance被微软以197亿美元巨资收购。这笔交易是微软成立迄今第三大收购案，极大地加强了微软在医疗垂直领域的影响力。

Nuance的产品主要为医生提供语音识别和转录服务。语音AI能够智能识别医生与患者的对话内容，并进行语境分析，随后将数据输入到电子病历中自动创建临床记录，以提升医生诊断的有效率。

GPT模型的加入将大幅度提升临床记录的生成时间。一般而言，未引入GPT-4模型的DAX生成临床记录需要约四个小时左右。依靠GPT-4强大的生成式大语言模型和推理能力，DAX Express将这个过程缩短到仅仅几秒钟。

这极大地改善医生的使用体验，减少其处理文书工作的负担，使得无延时的临床记录成为可能，并提升了效率。

曾经引领了深度学习的谷歌在生成式AI+医疗上仍然没有推出可用的服务，比微软要慢了半步。不过，谷歌也在4月中旬宣布将在有限的用户群体中测试其专门针对医疗的大模型——Med-PaLM 2。

在过去几年，谷歌一直在进行医学大型语言模型的研究，并发布了第一代Med-PaLM，以应对医疗领域所需的专业性和特殊性。Med-PaLM模型取得了不俗的成绩。它是第一个在美国医疗许可类问题上获得“及格分数”（>60%）的AI，不仅准确地回答了多项选择题和开放式问题，还提供回答理由并对自己的回答进行评估。

Med-PaLM 2的表现则更进一步。在医学考试中，Med-PaLM 2的表现已经基本接近“专家”医生的水平，得分达到了85%。它也是第一个在包含印度AIIMS和NEET体检问题的MedMCQA数据集上达到及格分数的人工智能系统，得分达到了72.3%。

尽管如此，即便是最铁的谷歌粉，也不得不承认微软在生成式AI+医疗上的确已经抢跑了半步。不过，在这场马拉松中，谁将笑到最后还未可知。

作为AI核心算力提供者的英伟达依靠生成式AI的火热赚得盆满钵满。长期以来，英伟达在高性能计算、数据中心方面不断完善技术和产品布局，如今已拥有AI加速的全套解决方案，占据了95%的机器学习GPU市场，几乎是AI大模型的唯一选择。

其数据中心业务营收在其收入中的比例一再提升。根据其第一季度财报显示，数据中心的业务收入为42.8亿美元，占公司总收入的几乎六成；且同比增长14％，环比增长18％，增长相当迅速。

在生成式AI与医疗的结合上，英伟达也早有布局。2022年，英伟达就与伦敦国王学院使用Cambridge-1超级计算机创建一套包含10万份大脑合成图像的数据集，借此训练AI应用以加快对于痴呆症、帕金森病及其他脑部疾病的理解。其生成逻辑与文本有相似之处，便是将真实数据拆分为素材，再通过特定逻辑的AI进行组合，进而解决数据量稀缺的问题。

在合成数据上，这并非英伟达唯一的案例，美国佛罗里达大学的学术健康中心UF Health也与英伟达合作开发了生成合成临床数据的SynGatorTron生成式AI模型。它基于2万多患者的十年数据进行训练，可合成患者档案，以便研究人员用于训练医疗保健领域的其他AI模型。

此外，英伟达还与Alchemab Therapeutics、InstaDeep、Peptone和Relation Therapeutics等企业合作，为其研发新药提供生成式AI上的帮助。

根据调研，全球生成式AI市场规模增长迅猛，2022年其市场规模约为9亿美元，2023年预计将达18亿美元，2027年或将达到121亿美元，年复合增长率高达60%。在医疗领域，其应用将遍布药物发现和研发、医学成像和诊断、个性化医疗干预以及医院和临床决策支持系统自动化。

生成式AI+医疗赛道的融资也颇为频繁，仅仅在5月下半月的半个月时间内，就有对话机器人为主要业务Hyro获得2000万美元的B轮融资，及医疗专用生成式AI模型研发Hippocratic AI获得5000万美元的种子轮融资。

大量与生成式AI相关的初创医疗企业也如雨后春笋般冒了出来，并开始了自己的“传奇之路”。

成立于2018年的Abridge是Nuance的竞争对手之一，同样已开始引入生成式AI。利用生成式AI，Abridge的平台可以对患者就诊的录音提取对话摘要，并生成报告。据介绍，在利用生成式AI后，医生可以每天在报告摘要上少平均少花两个多小时。

与Nuance这样的巨头竞争显然并不容易，不过，Abridge也有自己的独到之处——它的产品已经在堪萨斯大学卫生系统大规模应用。据介绍，堪萨斯城地区的2000多名医务人员都在使用这一产品，这也被认为是当前生成式AI在医疗系统中最大规模的应用之一。

目前，Abridge正在将其产品集成到Epic和Cerner等电子病历系统中。一旦完成集成，将为医疗组织提供一个可选的替代方案。

数字平台Doximity也为医生推出了基于GPT的测试功能，可以借助生成式AI的能力简化一些耗费时间的行政事宜，比如起草和传真预授权和上诉信给保险公司。

成立于2019年的Syntegra则从创立伊始就致力于利用生成式AI来合成数据，也是最早开始使用生成式AI来合成数据的企业之一。生成式AI可生成大量合成数据进行数据扩充以用于模型训练。这将有利于研发人员开拓某些数据缺失的场景，如罕见病或数据分布不均的疾病领域。

Syntegra正与强生旗下的杨森制药合作进行测试。由于Syntegra的合成数据不受与真实患者数据相同的GDPR的约束，从而让这家总部位于比利时的公司在利用合成数据时有更高的自由度。

行业普遍认为，生成式AI率先被应用到辅助文档生成和合成数据是因为它们对患者的直接影响较小，风险相对较低。如果将其用于诊断则需要面临较大的风险。

这并不难理解，生成式AI诊断的准确性与训练的数据密切相关，可能导致输出结果真假难辨。ChatGPT可以一本正经地胡说八道，Midjourney也可以输出一张真假难辨的图片。这在严肃的医疗健康领域是绝对不能允许的。

生成式AI的代表OpenAI也特别指出，其基于大型语言模型的ChatGPT的输出可能不准确、不真实，有时还具有误导性；此外，ChatGPT偶尔也可能产生有害的指令或有偏见的内容。

在早先的报道中，GPT-4在美国SAT考试和律师资格考试中获得了很好的成绩。根据JAMA上发表的研究，GPT还能对有关心血管疾病预防的问题给出基本适当的回答。但这种情况并不总是出现，根据最近发表在《美国胃肠病学杂志》上的一项研究，GPT-3和GPT-4在2021年和2022年美国胃肠病学会的自我评估测试中都未能合格。

要通过这项测试，个人必须获得70%或更高的分数。GPT-3得分为65.1%，GPT-4得分为62.4%。研究认为，GPT的不及格成绩可能是由于其训练数据并不包含需要付费访问的医学期刊，使其了解的信息较为过时局限所致。

不过，不能否认的是，生成式AI可以通过获取海量的医学文献和数据来帮助医生回答临床问题。因此，如何扬长避短将是未来生成式AI应用中被广泛关注的部分。对模型进行针对性优化无疑是最为关键的一步。谷歌针对医疗的Med-PaLM就是基于通用大模型PaLM针对医疗领域进行了调整，以更准确，更安全地回答医疗问题。

著名的数字医疗企业Babylon以其著名的数字优先的“金字塔”体系为其核心竞争力。这一金字塔体系的底层以移动app为基础，以实现用户健康的自我管理。用户可以在这一级解决他们的大部分需求，包括检查症状、跟踪自身健康状况、管理处方及访问临床相关的指导等等。

这一层级对于Babylon来说至关重要。通过数字工具的评估，Babylon可以帮助会员了解其健康指标现状以及趋势；同时，最为重要的是，对服务群体进行风险分层。之后，Babylon可以提前干预提醒，或者为会员设立健康目标来尽可能保持会员健康，避免其健康状况恶化。

在一次采访中，Babylon介绍其正在技术平台上部署专有的生成式AI模型，以支持会员和医疗保健专业人员提供远程医疗咨询，从而更好地了解我们平台上成员/患者不断变化的风险状况，以确保其临床团队可以优先考虑最需要的成员。

另一方面，Babylon也开发了针对远程医疗咨询优化的生成式AI模型，以近乎实时地自动总结患者和临床医生之间的咨询，从而减轻临床医生的行政负担，并支持与患者进行更有针对性的咨询。

Babylon还透露正在开发解决方案，通过生成式AI，以对话形式为其临床团队提供预测性的见解和护理建议，以支持为患者提供最高质量的护理。

更有意思的是，生成式AI正将科幻电影的场景搬到现实生活中。

十年前，曾经有一部名为《她》的科幻电影。这部电影描述了不远的将来一位心思细腻的信件撰写人为排解离婚的郁闷与AI对话并最终不可救药地爱上由斯嘉丽·约翰逊配音的AI的故事。

DiagnaMed刚刚推出的PalGPT.ai几乎完美地复刻了这一场景——这个由GPT模型驱动的生成式AI希望能够为用户提供一个仿真的AI伴侣，旨在进行自然的、类似人类的聊天，通过短信聊天的方式，以提供有意义的私人对话、友好建议和分享内心想法，从而改善用户的脑健康。

PalGPT.ai建构在DiagnaMed专门开发的CERVAI生成式AI平台上。DiagnaMed计划基于该平台打造出多个细分领域的生成式AI，PalGPT.ai则是其第二个商业化的产品。一旦用户注册了该服务，PalGPT.ai就会根据他们以前的互动情况发送个性化的信息，逐渐成为用户分享思想、情感、信念、经验、记忆和梦想的私人空间。

根据埃森哲的报告，98%的医疗服务供应商和89%的医疗支付方高管都认为生成式AI的进步正在开创企业智能的新时代。一半的医疗保健组织计划将生成式AI用于学习目的，超过一半的组织则计划今年进行试点案例。根据调查，医疗领域平均约有40%的工作时间可以获得生成式AI的赋能。

生成式AI将对各行业产生巨大变革（出自埃森哲报告，红框为医疗行业，紫色代表自动化高潜力，绿色代表赋能高潜力，玫红色为自动化及赋能普通潜力）

举例而言，生成式AI可以通过减少临床医生花在记录上的时间并允许他们花更多时间与患者在一起，从而提高员工的效率、质量和绩效来创造价值。未来，我们也将持续关注生成式AI在医疗领域的进展。它又将如何改变医疗，对于可以伴随新时代一起成长的你我而言，值得期待。

*参考资料：

Belle Lin, the Wall Street Journal: Generative AI Makes Headway in Healthcare

Bill Siwicki, Healthcareitnews.com: A primer on generative AI – and what it could mean for healthcare

Paul Daugherty, Bhaskar Ghosh, Karthik Narain, Lan Guan, Jim Wilson, Accenture: A new era of generative AI for everyone

Jessica Hagen, mobihealthnews.com: Study: ChatGPT fails to pass American College of Gastroenterology tests

Heather Landi, fiercehealthcare.com: startups test out generative AI in healthcare