這些新產品旨在將各種形式的醫療數據整合起來，進行深入分析，從而為臨床醫生提供基於大模型的醫療輔助功能。
醫療保健領域越來越成為AI領域各大廠商的角逐焦點，微軟便是其中最新的例子。
就在上周，微軟宣布對其今年5月推出的數據分析平台Fabric進行擴展，使其能夠對多種類型的醫療數據進行分析。此外，微軟還宣布將在其Azure雲計算服務中推出新選項，包括基於大語言模型的醫療保健助手。
微軟Cloud for Healthcare醫療保健雲總經理Umesh Rustogi在採訪中解釋稱，「我們希望能在Fabric One Lake中建立起統一的多模態數據底座，在這裡幫助用戶將不同模態的數據整合起來，從而對數據進行推理、運行AI模型等。」
Rustogi還表示，目前媒體上已經有大量專題文章在討論多模態技術趨勢在醫療保健領域的重要意義，「我們從多家客戶那邊聽到了這一論斷。他們認為，如果能將多種數據模態結合起來，就能釋放出新的見解，帶來單一數據模態研究所無法企及的可能性。」
這種組合模態的現實用例包括「一些看似簡單的任務，比如根據成像結果和臨床診斷標準來確定患者接受護理的次序。這是個極為常見的期望用例，但在目前還很難真正實現。」Rustogi還引用了2020年《自然》雜誌上發表的研究作為範例，文中概述的「數據融合」技術可「用於將醫學影像同EHR（電子健康記錄）相結合」。
Fabric的另一項新功能則是「去識別化服務」，即使用機器學習形式的AI技術來清洗臨床數據，從而隱藏醫生筆記中包含的患者身份資訊。Rustogi表示，「對於整個醫療保健行業來說，如何在獲取這些非結構化臨床記錄的同時、以有意義的方式對其進行「去識別化」處理，一直是個難以解決的現實挑戰。」
Rustogi的同事、微軟健康AI及健康與生命科學主管Hadas Bitran，則討論了Azure Web服務業務中的幾項新增AI產品。
首先是Azure AI Health Insights，這款產品由預構建的機器學習AI模型組成，在目前的預覽階段共提供三種新增模型選項：
患者時間線模型，「使用生成式AI從非結構化數據（例如用藥記錄、診斷和治療程序）中提取關鍵事件，並按時間順序進行排列組織，使臨床醫生能夠更準確地了解患者病史，從而更好地為護理計劃提供資訊」；
臨床報告簡化模型，「使用生成式AI幫助臨床醫生掌握醫學術語，在將其轉換為簡單語言的同時保留全部實質性臨床資訊，以便能夠將結果與患者及其他非專業人士共享」；
放射學見解模型，「通過對錯誤/不一致反饋進行質量檢查，再配合與放射科醫生以往記錄中的量化指標進行比較，該模型能夠在臨床文檔中確定後續建議與臨床判斷。」
除了這三款模型之外，新服務還包含多個預先內置的模型選項，後者已經在臨床試驗中被用於匹配和分析腫瘤表型。
另有一款名為Azure AI Health Bot的新產品，其使用大語言模型技術從醫療機構自有資料庫、美國國立衛生研究院和美國藥監局先進來源處，為醫療問題檢索匹配的答案。
在與Rustogi共同接受的採訪中，Bitran表示「其中的基本思路，就是通過這項服務為客戶提供專業的醫療保健輔助體驗。」
「有趣的是，這種探索能夠產生級聯效應。也就是說，醫生可以優先使用自己的資訊來源；但如果找不到相匹配的信源內容，AI服務將提供來自可靠消息來源的答案。如果後者處同樣沒有可供參考的內容，AI服務還能從更廣泛的通用資訊中搜尋參考資料。」
當然，目前人們對於在醫療保健等敏感場景下使用生成式AI（特別是大語言模型）仍抱有諸多懷疑。那麼微軟又是如何看待這些擔憂？
Bitron認為，「這是個很好的問題，也確實值得我們高度關注。我絕對相信大語言模型還需要進一步發展，才能真正帶來符合需求的良好結果。」
「我們採取的方法，就是對於所創建的每個模型，只要其屬於大語言模型，就必須始終受到醫療保健行業內特定保障措施的約束。」
Bitran還強調，「其中一種有趣的保障方法，就是在將大語言模型與體量較小且基於規則的模型混合起來，通過這種方式保證大語言模型始終穩定可靠。」
例如，在用於臨床報告簡化的預構建模型當中，「我們不僅要求語言模型對自己生成的結果做出解釋，同時還添加了一系列預處理和後處理邏輯，藉此獲取簡化結果並結合性能指標衡量其可靠性。接下來，我們還會對結果進行交叉引用，看看其能否切實在相關場景中起到簡化作用，或者是否存在各種捏造或遺漏問題。」
Bitran指出，醫療保健領域的工作屬於微軟此前強調的「負責任的AI框架」所涵蓋的範疇。目前這套框架仍在評估階段。
「負責任的AI框架不僅涉及隱私、安全、可及性和透明度等層面，同時也高度強調正確性、負責任與公平性。」
Bitron最後總結道，「另外需要專門強調的是，我們的模型並不是要取代人類醫生。人類醫生永遠是流程的主體，而這些新模型的目標是作為能幫助臨床醫生減輕負擔的工具，為他們帶來更加高效、輕鬆的工作體驗。」
