生成式人工智慧簡介及其於醫療的應用

生成式人工智慧簡介及其於醫療的應用

林哲偉

一、背景

生成式人工智慧是AI的一個重要分支，專門用於生成全新、以前未見過的數據樣本。這些生成模型旨在複製原始數據分佈，產生與訓練集相似但不完全相同的新數據(Goodfellow et al., 2014)。

 

二、生成模型的核心類型

生成對抗網絡 (GANs)

GANs主要由生成器和識別器兩個組件組成。在一種“對抗性遊戲”中，生成器旨在生成看起來「真實」的數據，而識別器則試圖區分真實數據和假數據。這種方法在從圖像到文本生成的多個應用中都有廣泛的應用(Goodfellow et al., 2014; Radford et al., 2015)。

變分自編碼器(VAEs)

與GANs不同，VAEs最初是為了學習數據的潛在表示而設計的，並且可以基於這些表示生成新的數據點。VAEs通過將數據映射到概率分佈並從中採樣新數據點來運作，這使它們特別適用於需要明確概率模型的任務，如圖像去噪和自然語言處理(Kingma & Welling, 2013)。

Transformer模型

近年來，Transformer模型在生成任務中表現出色。這主要是因為它們的“自注意力”機制有效地解決了傳統RNN和CNN難以處理的長距離依賴問題(Vaswani et al., 2017)。

 

三、在醫療保健中的應用

醫療影像

GANs經常被用於生成醫療圖像以進行數據增強和模擬各種病理狀況，從而有助於訓練機器學習模型 (Pesapane et al., 2018)。

藥物設計

VAEs已被用於模擬特定基因表達或蛋白質結構，這在藥物發現中可能是至關重要的(Gawehn et al., 2016)。

醫療文本生成

Transformers越來越多地被應用於醫療保健領域的自然語言處理任務，例如自動匯總醫療文獻和生成醫療報告（Schwartz et al., 2019）。

生成預訓練Transformer (GPT)

由OpenAI開發的GPT是一個基於Transformer架構的預訓練模型，專為自然語言任務而設計。其應用已經擴展到醫療保健領域，如協助撰寫醫療報告和匯總醫療文獻。

 

四、醫療保健中的具體應用案例

  • EHR撰寫：生成AI可以幫助醫療專業人士快速且準確地完成電子健康記錄。例如，AI可以根據病人的症狀和檢測結果生成初步的診斷報告，以供醫生審查 (Schwartz et al., 2019)。
  • 醫療影像解釋：AI可以自動解釋X光或MRI圖像並生成相應的文字報告，提高診斷的速度和準確性(Pesapane et al., 2018)。
  • 藥物篩選：生成模型可以模擬藥物和生物分子之間的相互作用，有助於預測新藥的有效性和副作用 (Gawehn et al., 2016)。
  • 風險評估：基於個人基因、生活方式和其他健康數據，生成模型可以創建疾病風險評估報告 (Alipanahi et al., 2015)。
  • 個性化治療：這些模型可以根據病人的醫療史和當前狀況生成個性化的治療建議 (Rajkomar et al., 2018)。
  • 數據增強：生成模型可以生成與實際數據相似的新數據，這在數據樣本稀缺的情況下特別有用(Choi et al., 2017)。
  • 心理健康評估：生成AI也已用於模擬病人語言和行為模式，以更準確地進行心理健康評估 (Diniz et al., 2020)。

 

參考文獻

  1. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative Adversarial Nets. In Advances in neural information processing systems.
  2. Kingma, D. P., & Welling, M. (2013). Auto-Encoding Variational Bayes. arXiv preprint arXiv:1312.6114.
  3. Radford, A., Metz, L., & Chintala, S. (2015). Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. arXiv preprint arXiv:1511.06434.
  4. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention Is All You Need. In Advances in neural information processing systems.
  5. Schwartz, W. B., Patil, R. S., & Szolovits, P. (2019). Artificial intelligence in medicine. Elsevier.
  6. Pesapane, F., Volonté, C., Codari, M., & Sardanelli, F. (2018). Artificial intelligence as a medical device in radiology: ethical and regulatory issues in Europe and the United States. Insights into Imaging, 9(5), 745–753.
  7. Gawehn, E., Hiss, J. A., & Schneider, G. (2016). Deep learning in drug discovery. Molecular informatics, 35(1), 3-14.
  8. Alipanahi, B., Delong, A., Weirauch, M. T., & Frey, B. J. (2015). Predicting the sequence specificities of DNA- and RNA-binding proteins by deep learning. Nature biotechnology, 33(8), 831-838.
  9. Rajkomar, A., Dean, J., & Kohane, I. (2018). Machine Learning in Medicine. New England Journal of Medicine, 378(14), 1347-1358.
  10. Choi, E., Bahadori, M. T., Schuetz, A., Stewart, W. F., & Sun, J. (2017). Doctor AI: Predicting Clinical Events via Recurrent Neural Networks. Journal of Machine Learning Research, 18(199).
  11. Diniz, J. B., Shavitt, R. G., Pereira, C. A., Hounie, A. G., & Miguel, E. C. (2020). Acesse o artigo completo. Revista de Psiquiatria Clínica, 47, 4.

 

作者資訊

林哲偉 國立成功大學生物醫學工程學系 副教授