大型语言模型结合检索增强生成技术可以创建更准确、透明和值得信赖的生成式AI工具响应，尤其是在医疗保健领域。
Ben Cushing 是 Red Hat 联邦健康与生命科学部门的首席架构师。
人工智能最近被命名为医疗保健行业中最令人兴奋的新兴技术，这不难理解。它有潜力从改进管理流程到药物发现等方面彻底改变医疗保健。
一些最显著的影响已经在临床医生的办公室中显现出来。随着临床知识每72天翻一番，医生很难跟上更新的临床实践指南，并将最新的建议牢记在心。生成式AI和大型语言模型（LLMs）有可能克服这一提供者的负担。LLMs可以从不同来源吸收大量数据，并将其提炼成医生在治疗患者时可以考虑的易于理解的见解。
然而，最近的一项麦肯锡研究表明，许多医疗保健提供者担心生成式AI的风险。例如，他们担心暴露患者的个人数据，可能会违反《健康保险可移植性和责任法案》（HIPAA），并且对LLM训练数据的来源也有疑问。使用公共LLM（如ChatGPT）的风险更大，因为这些模型不符合HIPAA标准，允许多个客户共享同一资源。
对此，一些医疗保健组织可能考虑使用患者数据自行训练LLM，但这既昂贵又耗时，需要专门的知识。这种方法还会使他们面临被锁定在自己的模型中，无法尝试新的、更强大的LLM的风险。最后，一旦模型训练完成，发现其建议来源可能会很困难，从而引发可靠性问题。
医疗保健组织不仅需要私有和安全的AI环境，还需要灵活利用不同的LLM，透明地追溯建议的来源，并完全控制这些来源和数据。
通过补充LLM的检索增强生成技术，可以实现这些好处和其他优势。这种方法为医疗保健提供者提供了一种成本效益高且安全的方式，可以在实时情况下检索关于患者病例的准确和具体信息，且易于理解。
检索增强生成的工作原理
RAG（Retrieval-Augmented Generation）通过补充由医疗保健组织选择的其他知识源来增强私有LLM的数据。这些源可以包括患者记录、临床指南或其他类型的数据。RAG指导LLM从这些源中提取信息，而不将数据暴露给外部世界。
这带来了两个好处。首先，LLM中的通用知识与特定于医疗保健提供者或个别临床医生需求的信息相结合，从而实现更全面和针对性的患者护理。其次，敏感的患者或提供者信息可以保留在本地或私有云中，而不会暴露在公共数据库中，有助于降低风险。
假设一名患者出现头晕症状，无法在合理的时间内预约耳鼻喉科专家，因此他们去看全科医生寻求帮助。通常情况下，全科医生可能需要根据患者的症状做出有根据的猜测。然而，借助RAG增强的LLM，他或她可以在笔记本电脑上输入一个简单的查询，基于美国耳鼻喉科头颈外科学会发布的最新临床实践指南，获得个性化且最新的治疗建议。
RAG不仅仅帮助临床医生提供更明智的护理。它还可以追溯答案的来源，使用户可以轻松验证提供的信息是否准确，并在必要时创建审计跟踪。此外，它通过消除重新训练和微调模型的需要来节省成本；组织只需在其现有的LLM中引入新数据即可。即使有新的模型推出，他们也可以更换LLM，避免被锁定在某个模型中。
LLMs 可以解决医疗保健的API问题
使用LLM和RAG进行临床决策支持是生成式AI在医疗保健中的一个明显用例。然而，这远非唯一的例子。大多数LLM本质上都是转换器或翻译器。它们有潜力解决由编写不良或格式错误的应用程序编程接口（API）引起的互操作性问题。
API长期以来一直是医疗保健行业的祸根和福音。提供者依赖它们处理保险索赔等事务，但许多索赔因API无法理解请求而被拒绝。
与其通过API提交请求并希望被接受，提供者可以将数据提交给由LLM服务支持的API。LLM将数据转换为接收方期望的格式，最大限度地减少索赔被拒绝的可能性。
在这种情况下，LLM并不需要执行过于复杂的任务。然而，对于医疗保健提供者和患者而言，总体影响可能是深远的。这可以减少与追讨索赔拒付相关的成本，据一项调查估计，这些成本每年超过105亿美元，并提高患者满意度。
LLMs 可以在2025年缓解预算和患者担忧
进入2025年，我们终于达到了医疗保健领域生成式AI的炒作周期顶峰，其应用场景也变得更加明确。现在是组织评估如何最大限度地发挥LLM效用的最佳时机。
这种评估可能会影响明年IT预算。由于财务压力上升，医疗保健机构努力削减成本，建立内部LLM可能既昂贵又不是最佳解决方案。开源LLM和RAG方法的结合是一个更具成本效益的选择。
更重要的是，这种组合将使临床医生能够为患者提供更精确和有针对性的护理。医生可以快速检索信息并回答问题，患者可以带着治疗计划回家，从而实现生成式AI在临床点上的承诺。
(全文结束)
