尽管一幅图像可能传达了很多信息，但与BiomedGPT能够实现的相比，它仍然显得不足。
最近在期刊Nature Medicine中突出介绍的BiomedGPT代表了一种新型人工智能（AI），旨在协助各种医学和科学工作。该研究与几个机构合作开发，推出了被称为“第一个开源且轻量级视觉-语言基础模型，设计为可以执行各种生物医学任务的一般化模型。”
“这个倡议将两种形式的人工智能合并为医疗保健提供者的决策支持系统，”利乔·孙（Lichao Sun）指出，他是莱哈大学计算机科学与工程的助理教授，以及该研究的主要作者。“系统的一部分被编程用于解释生物医学图像，而另一部分则专注于理解和评估生物医学文本。通过合并这些能力，该模型可以解决许多生物医学挑战，从生物医学图像集合中获取见解，以及科学和医学文献的分析与整合。”
为医疗专业人员和患者提供“16个顶级结果”
在8月7日的Nature Medicine文章中提到的突破性功能是，这种人工智能不需要为每个单独任务进行特定培训。传统上，人工智能模型是为特定角色开发的，例如在X光中识别肿瘤或综合医学论文。相比之下，这种新型模型能够使用相同的基础技术处理多种任务。这种适应性使其被称为“一般化”模型，也使其成为医疗保健提供者的宝贵资产。
“BiomedGPT建立在基础模型之上，这是人工智能领域的一项创新进展，”孙解释道。“基础模型是广泛的、经过预训练的人工智能系统，可以通过极少的额外培训要求进行微调以完成一系列任务。文章中讨论的一般化模型经过对生物医学领域的大型数据集（包括图像和文本）进行了广泛的训练，使其在各种应用中能够有效发挥作用。”
“在评估包括9个生物医学任务和多种模式的25个数据集后，”莱哈大学的博士生张凯（Kai Zhang）表示，他由孙指导，是Nature文章的主要作者，“BiomedGPT取得了16个领先的结果。对BiomedGPT在三个放射学任务的人的评估突显了该模型的强大预测能力。”
张对开放源代码库能为其他研究人员提供基础以便进一步进展和更广泛应用表示自豪。
研究团队预计，BiomedGPT的技术最终可能帮助医生解读复杂的医学图像，支持研究人员分析科学出版物，甚至通过预测分子行为促进药物发现。
“这种技术的潜在影响是巨大的，”张评论道，“因为它可以增强医疗和研究的各个方面，使过程更快、更精确。我们的方法表明，有效地使用多样化的数据集进行训练可以创造出更具功能性的生物医学人工智能，以提高诊断和工作流程的效率。”
临床验证及更远的合作努力
这个过程中的一个重要阶段是确认模型在实际医疗场景中的有效性和适用性。
“临床评估包括将人工智能模型应用于真实患者数据，以评估其准确性、可靠性和安全性，”孙描述道。“这些评估确保模型在不同情况下的有效性。这些测试的结果在优化模型时至关重要，展示了其提升临床决策和患者护理的潜力。”
马萨诸塞州总医院（MGH），这是马萨诸塞总医院布莱根医疗系统的基础实体，也是哈佛医学院的教学附属机构，在BiomedGPT模型的开发和验证中发挥了重要作用。他们的参与主要集中在提供临床见解和帮助评估模型的现实世界有效性。例如，模型在MGH被放射科医师评估，在视觉问答和生成放射学报告等任务中表现优异。这一合作对于确保模型的准确性和临床应用的适用性至关重要。
对BiomedGPT的其他贡献者包括乔治亚大学、三星美国研究所、宾夕法尼亚大学、斯坦福大学、佛罗里达中央大学、加州大学圣克鲁兹分校、德克萨斯大学健康中心、费城儿童医院和梅奥诊所的研究人员。
“这项研究体现了一项高度跨学科和合作的努力，”孙表示。“它整合了计算机科学、医学、放射学和生物医学工程等多个领域的专业知识。每位作者都带来了模型开发、评估和在多种生物医学任务中验证所需的专业知识。像这样的规模化工作在很大程度上依赖于接触多样化数据集、计算资源和算法创建、模型训练、评估及在实际情况下应用模型的熟练人员，以及临床测试和验证。”
“这确实是一项集体努力，”他继续说道。“创造一些真正能够帮助医疗部门提高患者结果的东西涉及广泛问题是极其复杂的。在如此复杂性下，合作对于通过应用科学和工程原理产生有意义的影响至关重要。”
