中国计算机学会青年计算机科技论坛福州分论坛

CCF Young Computer Scientists & Engineers Forum-Fuzhou Branch

CCF YOCSEF福州

2023年9月23日（星期六）13:30-17:40

《“超越界限：大模型时代智能辅助诊断技术的机遇与挑战？”技术论坛》

        CCF YOCSEF福州于2023年9月23日在闽江学院福建省信息处理与智能控制重点实验室举办“超越界限：大模型时代智能辅助诊断技术的机遇与挑战？”技术论坛，此次活动采用线下的方式进行。本次论坛由中国计算机学会主办，CCF YOCSEF福州学术委员会承办，闽江学院福建省信息处理与智能控制重点实验室、闽江学院数学与数据科学学院（软件学院）、福州市数字医疗健康行业技术创新中心共同协办。CCF YOCSEF福州分论坛AC委员陈潇和曹新容担任活动执行主席，AC委员张晨然和饶彬担任在线主席。来自厦门大学、华侨大学、中国科学院信息工程研究所、福州大学、福建师范大学、福建农林大学、福建理工大学、福建师范大学协和学院、闽江学院、武夷学院、福建警察学院等院所的专家学者，福州市电子信息集团有限公司、福建省亿力信息技术有限公司、福建风林火山有限公司、福建思知行信息技术有限公司、迪讯信息技术有限公司等企业代表及对大语言模型感兴趣的朋友们共三十多人汇聚一堂，就大模型在辅助诊疗的应用和挑战展开讨论和思辨。

        在大模型的浪潮下，智能辅助诊断技术正站在一个历史性的转折点。通过本次论坛，探讨大模型在辅助诊断领域的应用方式，为智能化辅助诊断提供新的可能。如何将大模型潜藏的巨大能量释放在医学辅助诊断中？如何实现数据异质和多模态信息的融合突破，优化大模型辅助诊断的应用？面对大模型的“黑盒”特性，如何通过增强和提升其可解释性，进一步强化医生对智能诊断的信任度和接受度？

图1 “超越界限：大模型时代智能辅助诊断技术的机遇与挑战？”技术论坛

        论坛现场活动包括引导发言和思辨环节两部分。针对论坛主题，现场邀请了3位引导嘉宾，他们是来自医疗辅助诊断研究和应用的前沿——第九OO医院信息科、福建医科大学生物信息学系和复旦大学复杂体系多尺度研究院，分别从“人工智能赋能智慧医院建设”、“基于机器学习的ICU脓毒性休克实时预警和风险分层”和“人工智能赋能的肿瘤诊疗”等三个方面作引导发言。

图2 引导嘉宾第九OO医院信息科肖扬主任进行现场发言

        论坛邀请第九OO医院信息科肖扬作“人工智能赋能智慧医院建设”的引导发言。智慧医疗经历了“医疗信息、互联网医疗、智慧医疗”的三个发展阶段，当前的智慧医疗发展，研究的就是如何以患者为中心，以人工智能技术为核心，提升医疗影像的智能识别，完善诊疗知识图谱和数据库，升级更智能更精准的治疗手段，从而提高社会整体的医疗水平。肖扬的引导发言中所提到的“上车即入院”的思路，将紧急医疗的入院环节延伸到救护车环节，给参会人员留下了深刻印象。

图3 YOCSEF福州22-23年主席魏丽芳为第九OO医院信息科肖扬主任颁发感谢证书

图4福建医科大学生物信息学系副主任沈晓沛教授进行现场引导发言

图5主席熊金波为福建医科大学生物信息学系副主任沈晓沛教授颁发感谢证书

        论坛邀请福建医科大学生物信息学系副主任沈晓沛教授作了题为《基于机器学习的CU脓毒性休克实时预警和风险分层》的引导发言。发言中重点介绍了脓毒症休克的特点以及人工智能在急救治疗方面的应用。人类对脓毒症休克的认知还停留在初级阶段，治疗每延迟一个小时，死亡率增加 8%。为提高脓毒症休克的智能辅助诊疗，沈晓沛教授从医疗领域知识出发，基于监控生命体征和床旁血气检测的数据，构建了能够识别和预测脓毒症休克的医疗模型，并使用基于深度学习的序列分析技术以及连续数值的逻辑回归技术，构建了SORP（ Septic shOck Risk Predictor ）模型。通过医疗和计算机两个不同领域的技术结合，可以将脓毒症休克患者的识别预警时间，从提前15分钟，提升到6小时，为医生的进一步判断和干预提供了充足的时间。

图6 复旦大学复杂体系多尺度研究院徐罡博士进行现场引导发言

图7 副主席尤玮婧为复旦大学复杂体系多尺度研究院徐罡博士颁发感谢证书

        复旦大学复杂体系多尺度研究院徐罡博士做了主题为《人工智能赋能的肿瘤诊疗》的引导发言。徐罡副研究员介绍，病理检测是肿瘤诊疗在筛查、确诊、治疗三个阶段的核心。在病理检测领域运用人工智能，不仅能提高效率、统一标准、放置漏诊，甚至还能颠覆肿瘤治疗方案决策。在大模型和大数据的支撑下，利用大模型推荐肿瘤治疗方案，可以根据每个患者独特的数字靶点，升级为个性化肿瘤治疗方案。同时此徐罡博士介绍了其在该领域的最新研究进展，通过大模型持续赋能靶点预测、药物推荐、预后分析领域。

        在思辨环节，引导嘉宾、特邀嘉宾及所有的参会人员从“大模型在疾病辅助诊断中的应用与挑战”、“如何实现大模型下多模态信息的融合突破，优化大模型辅助诊断的应用？”和“如何打破黑盒，大模型可解释性让医生对辅助诊断更信任？”这三个问题展开思辨纷纷表达了自己的观点。

图8引导嘉宾思辨组图

图9 现场嘉宾思辨组图

        经过一个下午的深入探讨和热烈思辨，本次论坛观点总结如下：

    （1）在医疗领域应用大模型进行疾病辅助诊断是技术发展的一个趋势，但是也面临着一些挑战。其中最大的挑战之一是不同设备的样本偏差会产生偏差。此外，政策和隐私性的相关工作也是需要超越技术之外考虑的因素。另一个挑战是数据的管理和标注。医院内部通常会有信息科室进行审核把关，在具体应用中，使用哪种模型会从使用效果角度出发，根据匹配度来选择大模型还是小模型，而且一切模型的使用都需要符合伦理原则和相关规定。在目前，数据标注的效率和成本也是一个制约因素，自监督学习可以不需要任何人类标注，但是需要更多的数据量和更高的训练成本，而且大模型的自监督的可解释性比小模型差，在病理上比较难应用。因此，目前在医疗领域应用大模型仍然需要探索如何更好地实现小模型的部署方向性和低成本，同时也需要开展相关的政策和伦理研究工作。

    （2）要优化大模型在辅助诊断中的应用，解决数据质量问题是很重要的，因为不同数据源的质量问题会影响诊断结果。不同模态的信息融合可以提高诊断的准确性和可靠性。可以通过对不同模态数据进行特征提取、权重分配、模型融合等方式来实现信息的有效融合。在实现多模态信息融合时必须确保数据的安全与隐私。此外，在大规模应用前对多模态信息融合的算法和模型进行充分的验证和实验是必要的。这可以通过与医疗专家合作、进行临床试验等方式来实现，以确保其有效性和可靠性。总之，大模型下多模态信息的融合突破对于优化辅助诊断具有重要意义，但需要解决一系列挑战和问题。这需要人工智能领域和医疗领域的专家共同努力，开展跨学科合作，以推动多模态信息融合在医疗领域的应用与发展。

    （3）如何打破黑盒，大模型可解释性让医生对辅助诊断更信任? 大模型的可解释性对于医生的信任至关重要。我们需要认识到大小模型的可解释性并非绝对。小模型在某些方面可能更容易解释，因此在可解释性方面可能更受欢迎。其次，人机协作是实现大模型辅助诊断的关键，通过医生和人工智能相互协作，最大程度地提高诊断的准确性和可靠性。医疗领域对于可靠性和精确度的要求极高。因此，即使大模型的可解释性相对较差，如果能够在可靠性和精确度方面达到足够的水平，那么它们仍然有可能被医生信任并广泛应用于辅助诊断。总之，要打破黑盒，大模型需要不断提高其可靠性和精确度，并加强人机协作以增强医生的信任。