编者按：如今，生成式人工智能为人类社会带来了前所未有的能力，它就像一种“自然语言”可以加速生物医学发现，从而大幅提升医疗质量，同时也为降低医疗成本提供了可能。
在 Microsoft Research Forum 第五期中，来自微软研究院及行业的全球顶尖科学家们共同探讨了人工智能在医疗健康领域的变革潜力，内容涵盖医学影像、家庭健康监测、电子病历和药物发现等话题。
Hoifung Poon：大家好，欢迎来到 Microsoft Research Forum。今天我们将围绕“精准医疗中的人工智能”展开一场圆桌讨论。众所周知，全球医疗体系面临着两大核心挑战——医疗精准性不足，很多疗法对患者无效；高质量的医疗服务成本过高且难以普及。如今，生成式人工智能为我们带来了前所未有的能力，有望让高质量的医疗服务普及到每一个人。当然，这是一项宏伟的愿景，仅靠一个团队是无法完成的。在微软研究院，我们非常幸运能够促进全球优秀科研人员之间的深度合作，还能和微软健康与生命科学部门以及大型医疗系统等外部伙伴紧密合作。今天的圆桌讨论正是这种跨领域深度合作的完美体现。
首先请问Ava Amini，你目前最感兴趣的研究方向是什么？
Ava Amini：我的工作重心是开发创新的人工智能方法来加速我们对生物学的理解和设计能力。其实，这源于我内心深处的好奇，我希望将计算、定量科学和工程学的力量引入生物世界，揭示生物学的运作机制。
我个人最感兴趣的是，细胞层面的行为是如何从单个生物分子的相互作用和活动中产生的？这些过程在疾病中又为何会失调的？我们如何通过理解这些调控和失调机制，开发出更有效、更个性化的治疗方法。
我们的目标是借助人工智能的强大能力挖掘生物学中的新洞见，从而推动新疗法和更优干预措施的研发，我们希望这些成果最终能应用于临床，造福患者。
Hoifung Poon：接下来，请邱锂力博士分享一下您在跨领域合作中的故事。
邱锂力：在微软亚洲研究院，我们致力于开发用于医疗健康的传感技术和机器学习技术。与 Ava 的研究工作相辅相成，我们的重点是“学习”患者在医院之外的“语言”。随着慢性疾病、不可预测的健康危机以及个性化治疗需求的不断增加，传统的医院监测已无法满足现代医疗的复杂需求。
以一名心血管疾病患者为例，他每年可能只去医院几次。表面上看起来一切正常——血压稳定、心率平稳、呼吸正常。然而，在这些检查间隔期间，他体内可能会出现一些微妙的波动。这些波动可能是潜在健康危机的警示信号，但在它们演变为危及生命的紧急情况之前，往往难以被察觉。
对我来说，这不仅仅是一个抽象的概念，而是一段痛苦的经历。我的母亲和祖母都因心血管疾病在家中离世。她们的离去让我深刻意识到，我们需要更强大的监测工具，这些工具能够超越医院的“围墙”。这样的经历激励我探索和开发居家连续监测工具，以防止类似的悲剧再次发生，即使患者不在医院，也能为他们提供保护。
传感技术和人工智能的进步为实现这一目标带来了希望。通过持续监测生命体征和身体活动，医护工作者可以更深入、更全面、更准确地了解患者的病情。这将带来许多显著的好处：
首先，我们可以实现早期的检测和预防。持续监测能够在病情恶化之前及时发现偏离正常健康参数的异常情况，从而进行及时干预。其次，制定个性化和适应性治疗计划成为可能。每个患者都是独一无二的，精准医疗需要基于实时数据制定个性化的治疗方案。持续监测让医生能够根据患者的实际行为和一段时间内的生理反应，灵活调整药物治疗、生活方式建议和治疗策略。
此外，相关技术还可以在降低医疗成本的同时，提高患者的参与度和生活质量。当患者能够实时了解自己的健康状况时，他们会更积极地参与自己的健康管理。可穿戴设备和移动应用赋予了患者做出明智生活方式选择的能力，帮助他们更好地遵循治疗计划，并积极参与管理自己的健康。这不仅可以改善患者的治疗效果，还可以显著降低医疗成本。
Hoifung Poon：您的分享太棒了！亲身经历会让我们思考，如何将前沿科技的能力普及给每个人。在医疗行业中有着丰富经验的 Carlo Bifulco，你对此有何看法？
Carlo Bifulco：确实，我一直在一线工作。在研究方面，目前我的工作主要集中在基因组学，但也包括空间生物学和人工智能。通过采用转化医学的研究方法，我们正在试图将这些技术应用于未来的患者护理，同时也在尽可能地改善当前的护理水平。很幸运，在这个过程中我们能够与 Hoifung 的团队以及微软研究院的其他团队进行密切合作。
目前，我最兴奋的是我们最近获得的一个机会，它聚焦于推动病理学领域的范式转变。我们率先将生成式人工智能和大型基础模型引入该领域，开发了一个名为 Prov-GigaPath 的超大型开放权重模型，它拥有超过13亿个参数。目前该模型在 Hugging Face 上获得了50万次下载。未来，我们将整合更多类型的多模态数据，包括基因组学、空间生物学等，以实现更全面的精准医疗。
Hoifung Poon：我们也非常荣幸能够与你合作。我认为深度合作也带来了令人兴奋的前景。请问 Matthew，如何通过跨领域合作规模化地影响更多的患者？
Matthew Lungren：我们是一支由数据科学家、项目经理和工程师组成的团队，专注于在组织内外与合作伙伴开展双向协作，希望找出医疗健康的核心问题，发现当前技术的差距，并探索创新解决方案。
我认为我们正处于一个极具潜力的节点，强大的语言模型在很多不同领域，尤其是科技领域，展现出了卓越的性能。而我们看到的机会正是将这种能力转化为能够轻松获取信息、处理信息、甚至丰富信息的工具，并将其与患者数据相结合。在临床影像领域，这种融合尤为重要。
因此，我对即将到来的机遇充满期待。正如 Carlo 提到的，我们目前在 Azure 目录上推出的模型，涵盖了多种模态，为医疗健康开发人员的生态系统提供了机会。这样他们就可以说：“这些工具让我们离目标更近了，让我们来完成最后的一步，将其大规模转化为实际应用。”
Hoifung Poon：Matthew 刚才提到，除了文本模态，还有许多非文本的生物医学模态，但这些模态会存在独特的挑战。那么，大家在各自的领域目前面临的关键挑战是什么？又有哪些新的发现？
Ava Amini：双向性对我们思考如何在生物学领域应用人工智能以及如何真正将其付诸实践至关重要。仅仅开发能够学习蛋白质序列、蛋白质结构或其他生物模态的模型是不够的。
我们真正关注的是如何将这些模型转化为能够切实推动生物学发现的强大工具。作为迈向这一目标的重要一步，我们与麻省理工学院和哈佛大学的博德研究所（Broad Institute）建立了长期的合作关系。我们的合作聚焦癌症细胞生物学，致力于超越 DNA 点突变和改变的基因组测量，利用人工智能来学习细胞的整体表征以及它们如何与微环境中的其他局部因素相互作用。对此，我们启动了一个名为 “Ex Vivo” 的研究合作项目，生动体现了双向性。
我们在博德研究所有一个专门的实验室团队和湿实验室空间。作为计算科学家和人工智能科学家，我们可以真正深入其中，设计生成数据的实验，并验证我们开发的模型所做出的预测。我认为，这对我们来说是一个核心挑战——在生物学领域，如何建立真正双向的协同关系，并将其作为推动这些建模工作进入生物学实验室的催化剂。
邱锂力：持续健康监测有很多优势，但同时也带来了诸多挑战。我们目前关注的主要挑战有五个方面。
首先是易用性。医院级监测设备通常需要专业医疗人员操作，但家用设备需要非常直观且用户友好，以便让老年人这样的用户群体也能独立使用。为此，我们正在开发简便的可穿戴传感设备，例如耳机传感等，尽可能减少用户的操作负担。
其次，我们需要实现高精度和鲁棒性。家庭健康监测设备通常以成本效益为导向，且理想情况下需要支持非侵入式传感。这使得实现高精度和鲁棒性变得极具挑战。为了增强设备的可靠性，我们正在探索硬件和软件的协同设计。在硬件方面，我们正在开发先进的超表面，以显著提高传感分辨率。超表面由许多亚波长单元组成，这些单元被设计成能够以传统材料无法实现的方式操纵波。通过精心设计其几何形状、材料属性和空间排列，超表面能够实现灵活的波前控制，并提供高分辨率传感。在软件方面，我们正在开发先进的机器学习算法，以支持多模态数据的处理。
第三是扩大传感范围和移动性支持。用户希望无论身处何地都能进行持续监测，因此即使在环境中移动，传感设备也应该能够正常工作。为此，我们开发了一种基于超表面的方法来扩大传感范围，用户即使在远处或被毯子覆盖时，设备也能持续感知。
第四是心理状态感知与训练。持续感知不仅需要跟踪生命体征，还应提供关于个人认知和情绪健康状况的实时洞察。我们正在开发一种方法来跟踪用户的心理状态。同时，我们还开发了一种基于大语言模型的认知训练工具，该工具利用用户的日常经验来强化情景记忆，确保练习既仅具有相关性，又能吸引用户参与。去年世界阿尔茨海默病日，我们展示了这款认知训练工具，收到了很好的反馈。我们认为持续的家庭监测和量身定制的干预措施有可能改善认知护理。
最后但同样重要的是，实现及时处理和能源效率。持续监测会产生大量数据，这些数据需要在用户的终端设备上实时处理。因此，我们的团队正在积极从事边缘计算和轻量级建模的研究，以实现低延迟并提高能源效率。
Carlo Bifulco：临床方面的情况要更具挑战性一些，包括患者护理的复杂性、监管框架等方面。
我认为临床试验是一个可以迅速取得进展并真正产生影响的领域。同样，生物标志物研究和真实世界证据研究也是如此。
我对人工智能在常规患者护理中的影响非常乐观，我认为人工智能在医疗领域的广泛应用是大势所趋，未来充满光明。但我也必须承认，在传统环境中引入这些技术并非易事。不过所有这些都可以克服，只是需要我们在多个层面付出大量努力，齐心协力，未来可期。
Hoifung Poon：Matthew Lungren，你认为我们最终应该如何解决“最后一公里”的问题？真正让人工智能在患者护理中发挥作用。
Matthew Lungren：在思考大家提到的内容时，我不禁为正在进行的种种创新而惊叹不已。显然，这只是我们看到的众多出色工作中的一小部分。但回到临床工作，你会发现这中间的差距，我们还有很长的路要走。
从宏观层面来看，这种差距在学术会议上表现得尤为明显。例如，在 NeurIPS 上，我们会看到很多极具突破性的研究；而到了美国医学会的会议，你又会发现两者之间存在巨大的鸿沟。不过，我坚信这个鸿沟正在逐步缩小，我对未来充满乐观。
其中一个原因是，我们可以看到人工智能在解决临床问题上的成功应用。举个例子，目前最紧迫的问题是医护人员的职业倦怠。这显然是美国面临的一个危机，而且我认为很多国家和地区都存在这个问题。医护人员要做的事情太多，要处理的情况过于复杂。所以，当我审视这些技术时，我会想，我们可以在拯救生命之前先节省时间，或者更准确地说，是通过节省时间来拯救生命。
DAX Copilot 解决方案就是一个很好的例子。乍一听，它似乎很简单，可能都不会有人在计算机科学会议上把它当作主题演讲，但它正在解决一个非常重要的问题。通过为医生节省时间，它不仅提升了医生的工作效率，还给医生带来了一种舒适感。而关于“最后一公里”的问题，它也成功地解决了实际问题。从这个点出发，我们可以进一步拓展应用。
此外，《新英格兰医学杂志》（New England Journal）推出了关于人工智能的新期刊，这对我来说是一个重大信号，表明临床领域对人工智能的兴趣正呈爆发式增长，大家不仅关注技术本身，更关注如何应用它、探索其在医学领域的应用场景。所以我觉得，这个差鸿沟比以往任何时候都在更快地缩小。
Hoifung Poon：最后，请各位对五年后的发展做一个预测。
Ava Amini：在我看来，我们正站在一个真正的转折点上。如今，人工智能等技术赋予了我们前所未有的能力。精准预判未来的发展固然困难，但我对未来有着自己的设想。
目前，我们在生成式人工智能和基础模型领域取得了突破。这些模型能够学习各种生物模态，比如我们在 evo-diff 项目中研究的蛋白质序列，以及像 GigaPath 和 Vercov 这样的病理学数据，还有其他正在兴起的生物模态研究。接下来，我认为我们将见证这些信息开始整合。从建模和应用的角度出发，将这些信息从单个分子层面、细胞层面、组织层面，一直到患者层面进行综合分析。
再往后，我期待看到可以真正弥合实验世界和计算世界之间循环的实现。让人工智能帮助我们提出新的假设，并在实验室中验证。我对五年内实现这一点持乐观态度，也希望届时能看到由人工智能发现或设计的药物与疗法进入临床前或临床测试，我认为这是完全有可能的。
这次的圆桌讨论汇聚了不同的视角，我觉得非常有意义。五年后，希望我们能够以微软的方式将这些不同视角的碎片整合在一起，真正实现规模化。这是一个宏大的目标，但我相信我们有能力实现它。
邱锂力：持续健康监测不仅是一项技术突破，更是医疗健康领域的一场范式转变。它标志着医疗健康不再局限于医院的墙壁之内，而是无处不在。无论我们身处何地，每一步行走、每一个眼动、每一次呼吸、每一次心跳、每一次脑电波信号，都能被感知和分析，从而更好地了解我们的健康状况。
我们对未来展望的是，人们不再需要专程前往医院，不再有漫长的候诊等待、不再有频繁的针刺之苦。借助先进的传感技术和人工智能，患者可以及时与医生进行虚拟互动。这种转变带来的不仅是便利，更是希望。通过持续监测，即使是轻微的生理波动，如血压的轻微上升、心律的微妙变化或血糖水平的细微波动，都能够在它们演变为危及生命的危机之前被检测到。通过持续跟踪每个患者的状态，医生可以实时调整治疗方案，而不再依赖偶尔去医院检查的结果。
我们的愿景是将先进的诊断和治疗技术置于人们的指尖，使他们能够在家中轻松使用。这将让医疗保健比以往任何时候都更具主动性、更个性化、更有效。
Carlo Bifulco：我认为人工智能的影响将是变革性的，这不仅体现在生物学领域。就医学本身而言，我认为我们将达到一种状态——在未来，医生看诊时可能都离不开人工智能的辅助。我不知道这一转变是否会在五年内发生，但我坚信这是必然的趋势。
Matthew Lungren：预测五年后的情况确实很难，尤其是在当前快速发展的环境下。我们看到通用技术以前所未有的速度进步。我以前的一位导师，他是一个非常著名的系主任，他曾表示，我们应该推进医疗健康的发展，让许多疾病能够在医院之外得到预防和治疗。我很认同他的观点。
然而，要实现这一目标，我们还有很多工作要做。其中一个虽然不那么吸引人，但确实很关键的领域就是数据。我们在数据的收集、数字化以及在不同领域中的处理方面已经取得了不错的进展，但我们没有充分利用这些数据来获取更有价值的信息。五年后当我们回顾现在，如果看到大量数据仍然被闲置在档案库里，只在治疗单个患者时才会用到，而没有用于获取真实世界证据等方面，我们肯定会觉得很遗憾。
我认为，我们至少已经看到了实现这一目标的可能性和路径。当谈到生物领域和邱锂力博士提及的可穿戴设备之间的联系时，我认为这两者之间确实存在一些联系，而且这些联系正在逐渐显现。我特别想到的是，随着时间的推移，监测方式会变得越来越不具有侵入性，同时，我们也会将监测结果与预测癌症和其他慢性疾病早期发展的生物标志物联系起来。
Hoifung Poon：非常感谢各位嘉宾。从你们的分享中可以看出，生成式人工智能可能能够理解这些多模态的、纵向的数据，让它们发挥更大的价值将是一个令人兴奋的机遇。让我们携手共进，开启医疗健康领域的新篇章。
Artificial intelligence