精简版推文:
选文:大壮
编辑:小黄、大壮
文章标题：
The potential for large language models to transform
cardiovascular medicine
中文标题：
大型语言模型在心血管医学领域的转型潜力
发表期刊：
Lancet Digital Health
发表时间：
2024年8月29日
研究背景
心血管疾病是全球死亡的主要原因，其早期检测和预测仍是一个重大挑战。人工智能（AI）工具可以帮助应对这一挑战，因为它们在早期诊断和预测这些疾病方面具有相当大的潜力。
深度神经网络可以提高医学图像解读的准确性，其输出可以提供丰富的信息，这些信息通常不会被心脏病专家关注。
随着 transformer 模型、多模态 AI 和大型语言模型的发展，将电子健康记录数据与影像、基因组学、生物传感器及其他数据进行整合的能力不断提高，有助于改善诊断和划分高风险患者以制定初级预防策略。
人们更多关注临床医生对AI的使用，但AI也可以服务于患者，并提供即时帮助，例如心律失常的诊断。
在临床实践使用之前，应解决潜在风险，如数据隐私或潜在的诊断错误。
本文探讨了AI模型在心血管医学中的机会和局限性，并旨在识别应用AI模型的具体障碍和解决方案，促进其在医疗系统中的整合。
探讨结果
本文一共从三个方面对主题进行了讨论，分别为：
（1）
单模态有监督人工智能模型
（2）
多模态基础模型
（3）用于血管患者的对话式人工智能
下面对三个方向进行详细阐述。
1 单模态监督人工智能模型
（1）利用深度神经网络（DNNs）对大量标注的心电图（ECG）数据进行学习，能够比专家发现更多信息。
DNNs在心电图分析中的应用：
除了心血管检测，DNNs还可以分析其他底片图像，应用于其他检查，例如胸部X光、心动超声图等。
（2）虽然单模态DNNs非常强大，但它们每个模型限于处理特定类型的数据，因此需要大量标注数据进行训练，而
标注这些数据受制于临床医生的时间。
2 多模态基础模型
（1）多模态基础模型（Foundation Models）相比于单模态深度神经网络（DNN），代表了一个新的范式转变。
（2）
尽管需要大量数据进行训练，但可以利用无监督或自监督学习方法处理不完整或未标注的数据。
训练后，这些模型能够适应多种任务，并且对标注数据的需求远低于传统模型。
图：单峰和多模态AI
(A)单模态风险预测（icd仅使植入该设备的5-10%的患者受益）。
(B)多模态人工智能的输入12导心电图，EHR数据和核磁共振图像来确定个性化心源性猝死的风险预测
（3）多模态基础模型可用于诊断低流行病的疾病，可以
处理跨临床学科的多模态数据。
3
用于心血管疾病患者
对话式AI
（1）DNNs能通过观察无房颤的ECG记录来评估房颤的风险。
（
2
）
AI的应用已扩展到成像领域，通过AI指导，即使是未经培训的人也能获取带自动捕获功能的超声心动图。
（3）AI可以通过大型语言模型（LLM）提供实时翻译指令，可以与患者进行对话。
患者可以每天与LLM机器人互动，询问医疗问题或解释数据
。
5 学习心得
（1）
AI工具，尤其是深度神经网络（DNNs）和大型语言模型（LLMs），在心血管医学中显示出巨大的应用潜力，包括早期诊断、风险预测和患者数据的解释。
（2）多模态数据的整合使用，如电子健康记录、生物传感器数据和医学影像，可以提供更全面的疾病诊断和预测，有助于个性化医疗的发展。
引用
[1] Quer G, Topol EJ. The potential for large language models to transform cardiovascular medicine. Lancet Digit Health. 2024 Aug 29:S2589-7500(24)00151-1. doi: 10.1016/S2589-7500(24)00151-1. Epub ahead of print. PMID: 39214760.
感谢您的阅读，如果您对这项研究感兴趣或想了解更多关于AI在医学中的应用，请继续关注我们，我们会定期分享最新的科研成果和健康资讯。别忘了点赞和转发哦！👍🔄
