医学人工智能周刊 开刊
Table of Contents
通用医学人工智能的基础模型 #
高灵活性、可复用人工智能模型的异常快速发展可能会在医疗领域迎来新的能力。我们提出一种医学人工智能新范式，称之为通用医学人工智能（GMAI）。GMAI有能力只用少量数据或者非特定任务标签数据来解决各种各样的任务。通过在大样本，多样性数据中进行自监督学习，GMAI能灵活地解释不同组合的医学模态，包括影像、电子病历、实验室检查结果、基因组学、图表或者是医学文本。模型会产生富有表现力的输出，包括能显示先进医学推理能力的自由文本解释，口头建议或者图像标注。在本文中我们给出了对于GMAI一系列潜在高影响力的应用，并列出了实现这些应用对应的技术和训练所必须的数据集。我们预计GMAI驱动的应用将挑战当前监管和验证医疗AI器械现有的策略，而且将会改变收集大型医学数据的做法。
Foundation models for generalist medical artificial intelligence | Nature
商业医学数据集对医学研究和医疗健康算法的影响 #
随着医疗保健行业进入由云数据存储、分布式计算和机器学习驱动的数字健康新时代，医疗保健数据已成为对私人和公共实体具有价值的优质商品。目前无论是来自工业界、学术界还是政府机构的卫生数据收集和分发框架都并不完善，无法让研究人员充分利用下游分析的能力。在这篇医学政策论文中，我们回顾了现有商业医学数据供应商的现状，特别强调了他们数据的来源、数据可重复性、泛化性的挑战以及数据售卖伦理方面的考虑。我们主张使用可持续的方法来组织管理公开健康数据，从而让全球人口能够被纳入生物医学研究界。然而，为了全面实施这些方法，关键利益相关者应齐心协力来让医学数据集更容易获得、更全面和更具有代表性，同时平衡好被收集数据个人隐私以及权利。
用于检测早产儿视网膜病变的定制工程和无代码深度学习模型的开发和国际验证：回顾性研究 #
早产儿视网膜病变（ROP）是儿童失明的主要原因，由儿科眼科医生通过间隔筛查进行诊断。然而，早产儿生存率的提高加上现有专家的稀缺，引起了人们对这种方法可持续性的担忧。我们的目标是在英国伦敦的种族多元化人群中开发定制、无代码的基于深度学习的分类器，用于附加病变检查（ROP 的标志），并在四个国家和三大洲的种族、地理和社会经济多样化人群中对其进行外部验证。无代码深度学习不依赖于受过专业培训的数据科学家，因此对资源匮乏的医疗保健环境具有特别的潜在好处。
目前对基于人工智能的医疗设备临床研究是否足够全面，以支持全面的健康技术评估？系统综述 #
基于人工智能的医疗设备（AI-based MDs）在医疗保健领域正在经历指数级增长。这项研究旨在调查目前评估人工智能的研究是否包含健康技术评价（HTA）机构进行HTA所需的信息。在讨论部分，从各个角色的角度分析，建议该从哪些方面进行改进AI-MD评价
#medical-data