微软为医疗人工智能推出了Fabric和Azure的扩展功能

微软推出Fabric和Azure的扩展功能，为医疗人工智能提供强大支持

医疗领域正日益吸引着最重要的人工智能公司的努力，最新的例子就是微软。

上周，该公司宣布将数据分析平台Fabric扩展，以便Fabric可以对多种类型的医疗数据进行分析。微软还宣布了Azure云计算服务中的新服务，其中包括将大型语言模型用作医学助手。

也可以阅读：微软推出Fabric分析计划，OneLake数据湖可跨云提供商

微软Cloud for Healthcare的总经理Umesh Rustogi在接受ENBLE采访时表示：“我们希望在Fabric One Lake中构建统一的多模态数据基础，您可以统合所有这些不同的数据模态，然后在这些数据上进行推理，运行AI模型等等。”

多模态趋势在医疗保健领域变得越来越重要，Rustogi表示：“我们从多个客户那里听到过，他们认为如果结合多种数据模态，可以发现新的见解，而仅仅依靠一种数据模态的研究是不可能的。”

微软Cloud for Healthcare的总经理Umesh Rustogi

此类结合模态的示例包括“简单的事情，例如根据影像结果和临床结果的标准构建病人队列，这是一个非常常见的期望使用案例，但在今天不太容易实现，”他说。Rustogi提到了一篇发表在顶级学术期刊《自然》上的2020年研究。那篇文章概述了将医学成像与电子健康记录相结合的“数据融合”技术。

也可以阅读：生成式人工智能将远远超越ChatGPT的能力。这是技术进步的全貌

Fabric的另一个新功能是“去识别服务”，它使用机器学习形式的人工智能来清洗临床数据，以隐藏数据中的患者身份，例如医生的记录。Rustogi说：“对于行业来说，解决如何将那些非结构化的临床记录匿名化的问题一直非常困难。我们如何以一种对研究界仍然有意义的方式处理这些非结构化的临床记录。”

微软Health AI和Health and Life Sciences部门负责人Hadas Bitran讨论了Azure Web服务业务的几个新的AI产品。

Azure AI Health Insights提供了预先构建的机器学习AI模型。预览阶段首次提供了三个模型：

Patient timeline（患者时间线），该模型“使用生成式人工智能从非结构化数据中提取关键事件，如药物、诊断和手术，并按时间顺序组织它们，以便医生在更准确的视图中了解患者的病史，以更好地制定护理计划”；
Clinical report simplification（临床报告简化），该模型“使用生成式人工智能将医学术语转化为简单语言，同时保留临床信息的全部核心，以便与他人（包括患者）共享”；
Radiology insights（放射学洞察），该模型“通过错误和不一致性的反馈提供质量检查。该模型还可以通过临床文档中由放射科医师记录的尺寸指标识别后续建议和临床发现。”

这三个模型正在被添加到已经为临床试验匹配和肿瘤表型基于模型提供的数个预建模型中。

一种名为Azure AI Health Bot的新产品使用大型语言模型技术从各种来源检索医疗问题的答案，包括医疗机构自己的数据库，美国国立卫生研究院和美国食品药品管理局。

“这项服务的一个想法是帮助客户创建专门的副驾驶体验，” Bitran在接受Rustogi采访时告诉ENBLE。

“还有一件有趣的事情是你可以使用级联效应，” Bitran说道，“所以，使用你自己的来源，如果你自己的来源中没有内容，你还可以根据可信来源提供答案，如果可信来源中仍然没有内容，那么你可以回落到一般性的答案。”

当然，在使用大型语言模型等生成式AI在诸如医疗保健等敏感领域目前存在很多怀疑。微软如何看待这些问题？

微软健康AI和生命科学主管Hadas Bitran。

“那是一个非常好的问题，也是一个非常相关的问题，” Bitran说道，“我绝对认同大型语言模型需要额外的东西才能提供良好的结果。”

“我们的方法是，对于我们创建的每个模型，如果我们使用大型语言模型，它们将始终伴随医疗保健的特定保护措施，” Bitran说道。

“在保护措施中，[措施]之一更有趣的是使用较小的模型和基于规则的模型与LLM结合，以保持LLM的诚实性，如果你愿意的话，” Bitran说道。

例如，在临床报告简化的预建模型中，“我们不仅仅要求语言模型解释给我听；我们还实施了大量的预处理和后处理逻辑，使我们能够根据简化性能度量来衡量简化的结果，” Bitran解释说。“然后我们对其进行一些交叉引用，以确定结果是否实际上是源码的一种简化，或者是否存在各种捏造或缺失的东西。”

Bitran指出，健康医疗方面的工作是根据微软所制定的“负责任的AI框架”进行的，这一框架仍在不断评估中。

“这个负责任的AI框架不仅仅涉及隐私、安全、可访问性和透明性等方面，” Bitran说道，“它还涉及正确性、责任和公平性。”

“最后但并非最不重要的是，我们的模型并不意味着要取代医生，” Bitran说道，“始终会有人类个体；这些模型旨在为临床医生提供工具，以减轻负担，帮助他们的工作。”