AI如何赋能药物研发工作中的最后一步：临床试验。 图1：药物研发生产流程，图片引自[1]↓ 临床试验简介 药物研发的最后一步，便是将药物大规模应用到患者体内以进行实际效果测试，这 一步骤即临床试验。临床试验是一种系统性的研究，其目的是调查医药产品对人类 疾病过程的影响，以证实或揭示试验药物的作用、不良反应及试验药物的吸收、分 布、代谢和排泄，并最终确定试验药物的疗效与安全性。 点是试验患者 的匹配。患者的匹配是指将研究对象按照一定的标准进行分类，以挑选出最适合特 定临床试验的患者。每个临床试验都会有不同的纳入标准和排除标准，患者自身的 情况也需要达到一定的门槛，才可以参加。 招募合适的患者这一过程是非常耗时且困难的。这个过程需要仔细分析患者的病 历，根据临床试验的纳入标准和排除标准判断患者和试验的匹配度。据统计有50% 的临床试验由于招募不到合适的患者而被迫延迟，有25%的临床试验由于患者不足 ，有25%的临床试验由于患者不足 而完全无法开展。据估算每招募一名患者约花费6000至7500美元，成本可谓十分 高昂。因此如果进行高效的临床试验-患者匹配，是药物研发中急需解决的一个难 题。 传统的临床试验患者匹配方法及局限性 传统情况下，患者和试验的匹配是人工进行的。主要包含两大方向：TO B（找医 生）和TO C（找患者）。早期的患者招募机构多采取线下招募的方式，即项目人员

证的模型可部署到医疗信息系统、移动设备等，提供智能服务。 （二）医疗大模型的主要应用场景和适用范围 医疗大模型在医疗领域的应用广泛，涵盖疾病预测、辅助诊断、个性化治疗、药物发 现等各个方面，同时还可用于医疗咨询和患者教育，提供相关信息和建议。 在医疗实践场景中，大模型可以协助分析临床文本以提取关键信息，从而加快医生的 诊断和治疗建议。此外，大模型还可辅助分析医学影像，帮助检测肿瘤并进行疾病分 型。通过分析D 持。例如，腾讯健康发布的混元通用大模型针对医疗领域升级了多个AI产品，包括智 能对话、病例结构化与检索、影像报告和辅助诊断等。这些医疗大模型产品已被整合 到患者就诊全流程中，从而提高了医疗服务的效率和质量。 在患者护理和保健过程中，医疗大模型可助力实现以下几方面工作：一是远程监测患 者健康，特别是慢性病患者，分析生理参数、设备数据和健康记录，帮助医生管理疾 病，减少住院和急诊；二是分析健康记录、生活方式和基因信息，识别风险因素和早 知大模型，专注于康复指导和诊后管理，提供个性化康复计划，服务延伸至患者日常 生活。 在医院管理流程中，医疗大模型可实现以下功能：一是优化患者流程管理，根据患者 需求和临床优先级合理分配医院资源，涵盖排队、资源分配和病房管理，提高患者满 意度和医疗效率；二是分析患者反馈、社交媒体评论和医疗调查数据，发掘患者意见 和需求，为医疗机构提供建议，助力医疗服务改进和患者体验提升。如，东软针对医 疗领域推出添翼大模型，全方

语不规范、关键要素遗漏等；三是医疗数据利用率不足，超过 80% 的非结构化病历文本未能转化为可分析的标准化数据。 当前医疗行业存在以下典型痛点：  人工书写效率低下：门诊医师每接诊 1 例患者平均产生 15 分 钟病历录入时间  标准化程度不足：不同医疗机构间病历模板差异率达 43%， 影响数据互通  质控滞后性明显：现有系统仅能实现事后审核，无法实时纠错 在此背景下，AI 系统的无缝对接。 数据层基于混合存储方案，结构化病历数据存储在 MySQL 集群 （主从复制+读写分离），非结构化影像和语音数据通过 MinIO 对 象存储管理，同时采用 Redis 缓存高频访问的患者基本信息。数据 同步延迟控制在 200ms 以内，每日可处理 10 万级病历数据的实时 写入。 核心服务层包含以下微服务模块：  自然语言处理引擎：集成 BERT+BiLSTM 混合模型，支持中文 床决策和 患者安全。传统病历书写依赖人工录入，存在耗时、易出错、标准 化程度低等问题。AI 辅助病历书写系统的需求分析需从临床流程、 数据整合、合规性三个维度展开。 从临床流程角度，系统需满足以下核心需求：  实时语音转写功能，支持医生在问诊过程中自动生成结构化文 本，转写准确率需达到 95%以上（基于现有医疗语音识别技 术基准测试数据）  智能补全功能，根据患者主诉自动关联既往病史、用药记录等

症状评估 就医指引 就诊服务 实验室结果解读 中医诊疗 用药咨询与指导 洞悉药物相互作用 医生助手 患者助手 LLM 在医疗领域的使用场 景 面向科研 科研转化助手 s EMENS: H a l t h · n r · · 面向医生 面向患者 © Siemens Healthineers, 2024 5 纯文本大模型在医疗中的产品 Healthineers, 2024 D&AYubo Ji 21 结合患者医疗影像和历史健康记录 辅助制定个性化治疗方案 视频理解（如手术视频） 多模态影像报告解读和生成 智能预问诊和常见疾病预诊断 （可处理包含视觉信息的多轮问答） 患者健康监测：结合可穿戴设备数据 和患者视觉体征。 患者助手 医生助手（诊断 + 手术） 图文医疗文献 解读与挖掘 VLLM VLLM 在医疗领域的使用场 景 面向科研 科研与教育 s EMENS: H a l t h · n r · · 面向医生 面向患者 © Siemens Healthineers, 2024 22 Topic 4 AIGC (Diffusion Model) 2 &AYubo Ji © Siemens Healthineers, 2024

促进 智能医学的进一步发展[13]。而医疗大模型的出现将进一步加快其发展进程，目前医疗 大模型覆盖医学知识问答、生物及药物研发到智慧诊疗的各阶段、医保知识管理等领 域。根据面向对象的不同可分为患者、医护、高校、医疗机构及企业角色等；根据临 床场景数据交互类型的不同，又可分为文本任务、视觉任务、语音任务、跨模态任务 等。具体来讲，如就诊前的挂号问诊、健康宣教、知识问答等，就诊中的辅助诊断、 人工智能大模型在智慧医疗全周期的应用 3.3.1 就诊前的应用 大模型不仅可以生成高质量的自然语言文本，还具备强大的问答能力。可以使用 大模型搭建问答系统，回答患者关于挂号问诊、基础医疗知识、健康宣教等方面的问 题，有助于减轻医务人员的负担，提高患者就诊效率。2022 年，Ayers JW 等进行了一 项有关医学问题回答的研究，研究结果表明 ChatGPT 在绝大多方面表现得比执业医生 更加出色， 在临床实践中的可能作用，比如提供诊断建议，回答常见问题， 进行健康宣教等。但需要注意的是，由于医疗领域具有特殊性，如果某些问题回答产 生错误将会为患者带来较大的风险。因此，可在一定约束和规范下，尝试在该领域开 展实验应用，这将极大程度上提高医务人员的工作效率，改善患者的就诊体验。 3.3.2 就诊中的应用 bmr.202312.00027V2 http://www.biomedrxiv.org.cn/article/doi/bmr

AI+问诊：从语音录入到实时生成内容，提高临床记录环节效率 临床辅助决策分为诊前/诊中/诊后决策场景，包括医院数据实时处理、数据质量监控、知识 库查询、临床辅助决策、临床辅助治疗、临床预警、患者画像、系统监控等功能。我们认 为，医疗诊断场景涉及的信息为多模态且数据量大、交互频次高、及时性要求高，业内关 注多模态大模型能否赋能诊断场景，发挥辅助医患沟通、诊断决策作用。 以问诊环节的病例录入为例，我们观察到，传统 语音识别病例录入 资料来源：北京协和医院官网，华泰研究 AI+影像 AI 应 用 场 景 公 司 AI+诊断 AI+制药 医院数据实时处理、临床辅助决策、 临床辅助治疗、临床预警、患者画像 等 靶点确定、先导化合物发现等 计算机视觉、深度学习、大模型 语音识别+自然语言处理、深度学习、 大模型 深度学习、大模型 CT、MR影片诊断等 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 Ambient eXperience (DAX) Express，可以在几秒钟内生成准确的临床记录， 减少临床记录环节的时间，提升诊疗效率。Nuance 曾在 2020 年推出 DAX 解决方案，将 患者在就诊中与医生的交流转化为临床档案，由于以人工审核来确保信息准确性，全过程 需要耗时约四个小时。接入 GPT-4 后，依靠大模型强大的推理能力，DAX Express 生成临 床记录的效率大幅提升。此外，DAX

里三种主要皮肤癌的发生率：基底细胞癌（basal cell carcinoma）、鳞状上皮 细胞瘤（squamous cell carcinoma），以及黑色素瘤（melanoma）。 韦恩斯坦医师大部分的工作，是检查患者是否有光化性角化症（actinic keratoses）并加以治疗，或因暴露在阳光下而导致的皮肤病变，这些病变可能发 展成更致命的鳞状上皮细胞瘤。但韦恩斯坦博士需要有人帮他协助病患对抗皮肤 癌 管核可的问 题。 他总结，最好的方法是对身体定期拍摄高品质的照片，运用AI帮助患者辨识 潜在有问题的区域，并把照片发送给皮肤科医生，以协助医生做出医疗决策。佛 里斯评论：「很明显地，真正的价值在于密切关注皮肤问题区域并找到变化，但 要发现皮肤的变化并非易事。协助临床医生做决策，似乎是正确的目标。」 患者可以用Miiskin皮肤影像应用程式，在自己家中保有隐私地产生四张调查 照片。透过AI结合扩增实境（augmented 学习AI演 算法会在所有病变或皮肤状况有显着变化的周围，画出红色框框，这些变化可能 是皮肤癌的前兆。 这种方法建立起一个「皮肤地图」，患者可以随时监测自己的皮肤，并和医 生分享他们的发现。如果患者愿意，可以移除或增加额外的框框。该应用程式会 提醒患者，要在所选的时间期间拍摄新照片，让临床医生能够评估皮肤影像和潜 在的变化。简言之，Miiskin可以支援病患管理自己的皮肤护理过程，并支援皮肤

医院的服务流程面临着越来越大的压力。医院 环境复杂， 流程繁多， 患者体验亟待提升。在 医疗场景下，服务机器人主要承担药物配送、 清洁消毒等任务。到2035年服务机器人有望加 速渗透，市场规模达到44亿美元。 行业痛点 随着人口老龄化和医疗需求增加，医院面临的 压力日益扩大，以下问题也随之凸显： 1. 人流大，患者体验差 • 问诊咨询信息量大：患者对问诊咨询信息 的需求量大，同时对信息的清晰、明确性 也提出了更高要求。 也提出了更高要求。 • 医院环境复杂：医院环境庞大，专业术语 复杂，就医流程长，患者需要在多个部门 间奔波，增加了就诊难度和时间成本。 2. 配送物品种类多，容易出错 • 物品库房分散：医院药品及内部各种物品 的种类繁多，且库房相对分散，存在大量 的配送需求。 • 特殊病房隔离配送：部分特殊病房需要隔 离配送，增加了配送的复杂性和难度。 3. 医院清洁卫生程度要求高 • 人流量大导致清洁难度高：医院人流量大， 医疗垃圾产生速度 快，需要尽快清理，以保持医院环境的清 洁和卫生。 解决方案 1. 示教导诊服务机器人通过接入多种AI大模 型，能够实现AI智能导诊。机器人配备语音 识别和自然语言处理技术，可以与患者进行 交流，帮助他们找到适当的科室和医生，并 提供就诊流程的指引。 2. 智慧物流：在医院的检验科等不同的部门， 机器人可以用于实现智慧化的手术管理和检 验品及药品的运输。机器人可以执行检验 标本配送工作，提高整体效率。此外，机器

AI 增强技术恢 · 5 复出清晰的细节，识别准确率从原本的 60%提升到 95%以上。在医疗影像领域，生成 式 AI 能够从低剂量 CT 扫描图像中重建出媲美常规剂量的高质量图像，在保护患者健 康的同时不影响诊断准确性。 图：正在研发中的多模态感知机器人，来源同济大学机器人与智能感知课题组 多模态智能原生化也推动了新型传感器技术的发展。2026 年可能会涌现出一批创新的 传感器产品，如集成了边缘 来越重要的作用。 · 75 4.5 医疗健康 AI 模型 医疗健康 AI 模型辅助医生诊断、治疗和研究，提高医疗服务的质量和效率。这些模型 需要处理多模态医疗数据，满足高精度和可解释性要求，同时确保患者隐私和安全。 4.6 金融风控 AI 模型 金融风控 AI 模型保护金融机构和客户免受欺诈、违约等风险。这些模型需要在毫秒级 做出决策，同时保持高准确率和低误报率。可解释性和公平性在金融应用中尤其重要。 程医疗打破了地域限制，让优质医疗资 源触手可及。高清视频问诊提供接近面对面的交流体验，医生可以观察患者的气色、 舌苔、皮肤状况。电子听诊器、血压计、血糖仪等医疗设备的数据可以实时传输给医 生。AI 辅助诊断系统提供初步建议，医生做出最终判断。电子处方和药品配送形成闭 环服务。对于慢性病患者，远程医疗提供持续的健康管理，减少奔波之苦。健康监测 设备越来越丰富和精准，智能手表、手环监测心率、血氧、睡眠、运动；智能体脂秤

涵盖部位 上肢/下肢/ 关节 上肢/下肢/关 节 上肢/下肢/上下 肢/关节/手部 上肢/下肢/上下肢/关节/手部/… 功能 康复 康复 康复+辅助 康复+辅助 适用人群 患者 患者 患者、行动不便 者 患者、行动不便者 适用场景 医院 医院 医院、社区 医院、社区、居家 训练模式 被动 被动 主动、被动、阻 抗、助力 主动、被动、阻抗、助力 可穿戴性 不可穿戴 不可穿戴 可穿戴