人工智能大模型在眼科臨床的應(yīng)用

期的能力而呼吁暫停大模型研究[2],但學(xué)界認(rèn)為人工智能研究不能回避技術(shù)發(fā)展，應(yīng)用大模型是未來(lái)必然趨勢(shì)，應(yīng)積極探索大模型造福人類(lèi)的方法[3-4]。大模型這一概念由Bommasani等于2021年提出，亦稱(chēng)為基礎(chǔ)模型[5]。使能模型結(jié)構(gòu)等，大模型存在涌現(xiàn)現(xiàn)象[6],即其規(guī)模超過(guò)某個(gè)閾值時(shí)，模型的目前大模型已在文字和圖像等多模態(tài)信息及概念理解方面進(jìn)行了探索[7-11],而大多數(shù)醫(yī)學(xué)數(shù)據(jù)是以代碼、文本、數(shù)值及圖像為基礎(chǔ)，因此大模型已具約80個(gè)研究探索了基于電子病歷及Medline數(shù)據(jù)庫(kù)等的大模型[12]。這些大信息[13-14],以及結(jié)構(gòu)化編碼的診斷、治療、檢驗(yàn)和檢查結(jié)果、醫(yī)療費(fèi)用及保險(xiǎn)花費(fèi)、臨床文本、醫(yī)學(xué)圖像等多維度醫(yī)學(xué)數(shù)據(jù)[15]。醫(yī)學(xué)數(shù)據(jù)是多模態(tài)數(shù)(一)大模型在眼科的應(yīng)用前景需要手術(shù)治療等[16-19]。眼科大模型廣闊的應(yīng)用前景值得探索。眼科臨床診變化及預(yù)后；或者，在手術(shù)過(guò)程中以語(yǔ)音提醒手術(shù)的注意事項(xiàng)[20],當(dāng)存在多(二)大模型醫(yī)學(xué)應(yīng)用的基本特征科大模型應(yīng)當(dāng)具備以下2個(gè)方面基本特征。1-22];同時(shí)，大模型可按照用戶要求，將文本答案和可視化信息結(jié)果納入輸2.可解釋和可更新的醫(yī)學(xué)知識(shí)體系：(1)現(xiàn)有大模可同時(shí)具備建立知識(shí)圖譜、推理醫(yī)學(xué)概念之間關(guān)系的能力[23]。(2)臨床醫(yī)進(jìn)展，經(jīng)過(guò)少量數(shù)據(jù)訓(xùn)練或人工信息反饋，即可完成模型及知識(shí)體系迭代[24],(一)數(shù)據(jù)收集學(xué)數(shù)據(jù)，已可使大模型準(zhǔn)確回答常規(guī)醫(yī)學(xué)問(wèn)題，甚至通過(guò)美國(guó)醫(yī)學(xué)執(zhí)照考試[25-26],但眼科大模型的開(kāi)發(fā)仍需要呼吁盡可能多的國(guó)際機(jī)構(gòu)共同提供大量真(二)性能測(cè)試大模型判斷結(jié)果可能給這類(lèi)群體造成傷害[27]。此外，大模型可能偽造看似正(三)可解釋性(四)隱私保護(hù)者隱私[28-29],因此保護(hù)患者及用戶隱私存在巨大挑戰(zhàn)。模型內(nèi)置數(shù)據(jù)脫敏(五)成本負(fù)擔(dān)模態(tài)數(shù)據(jù)集[30-31]。數(shù)據(jù)收集需要在有代表性的前提下保證多樣性，可嘗試消耗大量能源[32-33],大模型部署所需的硬件和系統(tǒng)維護(hù)均需要持續(xù)支出費(fèi)[EB/OL].(2021-03-25)[2023-11-08].ht[2]FutureofLifeInstitute.Pauseter[Z].(2023-03-22)[2023-11-08].https://futureoflife-letter/pause-giant[3]IencaM.Don'tpausegiantAIforthewrongreas[4]RaddaouiAH.PausinggiantAIexperimentswon'twork:sevenerreasons[Z].(2023-04-18)[2023-11-0sign.cc/pausing-giant-ai-experiments-wont-work-seven-killer-reasons-9a56e9af15d9.[5]BommasaniR,Hudsrisksoffoundationmodels[EB/OL].(2021-08-16)[2023-11-08].https:///abs/2108.07258.[6]WeiJ,TayY,Bommasauagemodels[EB/OL].(2022-06-15)[2023-11-08]./abs/2206.07682.[7]GuptaT,MartenR,KembhaviA,etal.taskbenchmark[EB/OL].(2022-04-28)[2023-11-08].https://arxiv.o[8]LuJ,ClarkC,ZellersR,etal.Unified-I0:avision,language,andmulti-modaltasks[EB/OL].(2022-06-17)[2023-11-08]./abs/2206.08916.[9]RameshA,PavlovM,GohG,etal.Zero-shottration[EB/OL].(2021-02-24)[2023-11-08].https://arxiv.o11-08].https://arxiv.orccessmultilinguallanguagemodel8]./abs/2211.05100.org/abs/2303.12961.[13]SushilM,LudwigD,ButteAJ,etal.Developingnotes[EB/OL].(2022-10-12)[2023-11-08]./[14]LiF,JinY,LiuW,etal.Fine-tuningbidim,2019,7(3):el4830.DOI:10.2196/14830.[16]WangSY,HuangJ,HwangH,etal.Levperformnamedentityrecognitioninelectronichealthrecordsssnotestoidentifytheopht2,167:104864.DOI:10.1016/j.ijmedi-relatedclinicalconceptsandtheirattributesusinasednaturallangua2022,22(Suppl3):255.DOI:10.1186/s12911ssing[J].OphthalmicRes,2023,66[19]HuW,WangSY.Predictingglaucomaprogressusingclinicalfree-textnotesandtransferlearningers[J].TranslVisSciTechnol,2022,11(3):37.DOI:10.1167/tvst.11.tps:///abs/2212.04356.dicalchallengeproblems[EB/OL].(2023-05-20)[2023-11-08].https:[22]VaswaniA,ShazeerN,Parmarctestimationusingobservationaldata[J].JEpidemiolCommunityth,2022,76(11):960-966.owinstructionswithhumanfeedback[Z/OL].(202inicalknowledge[EB/OL].(2022-12-26)[2023-11-08].horg/abs/2212.13138.[26]KungTH,CheathamM,MedenillaA,etnguagemodels[J].PLOSDigitHealth,2023,2(2):e71/journal.pdig.0000198.quantifyingandextrapfromlargelanguagemodels[EB/OL].(2020-12-14)[2023-11-08].https:///abs/2012.07805.[29]BranchHJ,CefaluJR,McHughJ,elityofpre-trainedlanguagemodelsviah[30]HoffmannJ,BorgeaudS,Menschfcompute-optimallargelanguagetraining[Z/OL].(2022-12022/hash/cle2faff6f588870935f114ebe04a3e5-Abstract-Conference.htDOI:10.1038/s41597-022-01[32]ChowdheryA,NarangS,DevlinJ,etal.odelingwit