（本文閱讀時間：17分鐘）
圓桌討論回放影片
文末可觀看 Microsoft Research Forum 第五期全部回放影片。
主持人：微軟研究院 Health Futures 負責人 Hoifung Poon
Ava Amini：我的工作重心是開發創新的人工智慧方法來加速我們對生物學的理解和設計能力。其實，這源於我內心深處的好奇，我希望將計算、定量科學和工程學的力量引入生物世界，揭示生物學的運作機制。
嘉賓：微軟新英格蘭研究院高階研究員 Ava Amini
我個人最感興趣的是，細胞層面的行為是如何從單個生物分子的相互作用和活動中產生的？這些過程在疾病中又為何會失調的？我們如何透過理解這些調控和失調機制，開發出更有效、更個性化的治療方法。
我們的目標是藉助人工智慧的強大能力挖掘生物學中的新洞見，從而推動新療法和更優干預措施的研發，我們希望這些成果最終能應用於臨床，造福患者。
邱鋰力：在微軟亞洲研究院，我們致力於開發用於醫療健康的感測技術和機器學習技術。與 Ava 的研究工作相輔相成，我們的重點是“學習”患者在醫院之外的“語言”。隨著慢性疾病、不可預測的健康危機以及個性化治療需求的不斷增加，傳統的醫院監測已無法滿足現代醫療的複雜需求。
以一名心血管疾病患者為例，他每年可能只去醫院幾次。表面上看起來一切正常——血壓穩定、心率平穩、呼吸正常。然而，在這些檢查間隔期間，他體內可能會出現一些微妙的波動。這些波動可能是潛在健康危機的警示訊號，但在它們演變為危及生命的緊急情況之前，往往難以被察覺。
嘉賓：微軟亞洲研究院副院長邱鋰力
對我來說，這不僅僅是一個抽象的概念，而是一段痛苦的經歷。我的母親和祖母都因心血管疾病在家中離世。她們的離去讓我深刻意識到，我們需要更強大的監測工具，這些工具能夠超越醫院的“圍牆”。這樣的經歷激勵我探索和開發居家連續監測工具，以防止類似的悲劇再次發生，即使患者不在醫院，也能為他們提供保護。
感測技術和人工智慧的進步為實現這一目標帶來了希望。透過持續監測生命體徵和身體活動，醫護工作者可以更深入、更全面、更準確地瞭解患者的病情。這將帶來許多顯著的好處：
首先，我們可以實現早期的檢測和預防。持續監測能夠在病情惡化之前及時發現偏離正常健康引數的異常情況，從而進行及時干預。其次，制定個性化和適應性治療計劃成為可能。每個患者都是獨一無二的，精準醫療需要基於即時資料制定個性化的治療方案。持續監測讓醫生能夠根據患者的實際行為和一段時間內的生理反應，靈活調整藥物治療、生活方式建議和治療策略。
此外，相關技術還可以在降低醫療成本的同時，提高患者的參與度和生活質量。當患者能夠即時瞭解自己的健康狀況時，他們會更積極地參與自己的健康管理。可穿戴裝置和移動應用賦予了患者做出明智生活方式選擇的能力，幫助他們更好地遵循治療計劃，並積極參與管理自己的健康。這不僅可以改善患者的治療效果，還可以顯著降低醫療成本。
Carlo Bifulco：確實，我一直在一線工作。在研究方面，目前我的工作主要集中在基因組學，但也包括空間生物學和人工智慧。透過採用轉化醫學的研究方法，我們正在試圖將這些技術應用於未來的患者護理，同時也在儘可能地改善當前的護理水平。很幸運，在這個過程中我們能夠與 Hoifung 的團隊以及微軟研究院的其他團隊進行密切合作。
嘉賓：Providence Genomics 首席醫學官 Carlo Bifulco
目前，我最興奮的是我們最近獲得的一個機會，它聚焦於推動病理學領域的正規化轉變。我們率先將生成式人工智慧和大型基礎模型引入該領域，開發了一個名為 Prov-GigaPath 的超大型開放權重模型，它擁有超過13億個引數。目前該模型在 Hugging Face 上獲得了50萬次下載。未來，我們將整合更多型別的多模態資料，包括基因組學、空間生物學等，以實現更全面的精準醫療。
Matthew Lungren：我們是一支由資料科學家、專案經理和工程師組成的團隊，專注於在組織內外與合作伙伴開展雙向協作，希望找出醫療健康的核心問題，發現當前技術的差距，並探索創新解決方案。
嘉賓：微軟健康與生命科學首席資料科學官 Matthew Lungren
我認為我們正處於一個極具潛力的節點，強大的語言模型在很多不同領域，尤其是科技領域，展現出了卓越的效能。而我們看到的機會正是將這種能力轉化為能夠輕鬆獲取資訊、處理資訊、甚至豐富資訊的工具，並將其與患者資料相結合。在臨床影像領域，這種融合尤為重要。
因此，我對即將到來的機遇充滿期待。正如 Carlo 提到的，我們目前在 Azure 目錄上推出的模型，涵蓋了多種模態，為醫療健康開發人員的生態系統提供了機會。這樣他們就可以說：“這些工具讓我們離目標更近了，讓我們來完成最後的一步，將其大規模轉化為實際應用。”
Ava Amini：雙向性對我們思考如何在生物學領域應用人工智慧以及如何真正將其付諸實踐至關重要。僅僅開發能夠學習蛋白質序列、蛋白質結構或其他生物模態的模型是不夠的。
我們真正關注的是如何將這些模型轉化為能夠切實推動生物學發現的強大工具。作為邁向這一目標的重要一步，我們與麻省理工學院和哈佛大學的博德研究所（Broad Institute）建立了長期的合作關係。我們的合作聚焦癌症細胞生物學，致力於超越 DNA 點突變和改變的基因組測量，利用人工智慧來學習細胞的整體表徵以及它們如何與微環境中的其他區域性因素相互作用。對此，我們啟動了一個名為 “Ex Vivo” 的研究合作專案，生動體現了雙向性。
我們在博德研究所有一個專門的實驗室團隊和溼實驗室空間。作為計算科學家和人工智慧科學家，我們可以真正深入其中，設計生成資料的實驗，並驗證我們開發的模型所做出的預測。我認為，這對我們來說是一個核心挑戰——在生物學領域，如何建立真正雙向的協同關係，並將其作為推動這些建模工作進入生物學實驗室的催化劑。
邱鋰力：持續健康監測有很多優勢，但同時也帶來了諸多挑戰。我們目前關注的主要挑戰有五個方面。
首先是易用性。醫院級監測裝置通常需要專業醫療人員操作，但家用裝置需要非常直觀且使用者友好，以便讓老年人這樣的使用者群體也能獨立使用。為此，我們正在開發簡便的可穿戴感測裝置，例如耳機感測等，儘可能減少使用者的操作負擔。
其次，我們需要實現高精度和魯棒性。家庭健康監測裝置通常以成本效益為導向，且理想情況下需要支援非侵入式感測。這使得實現高精度和魯棒性變得極具挑戰。為了增強裝置的可靠性，我們正在探索硬體和軟體的協同設計。在硬體方面，我們正在開發先進的超表面，以顯著提高感測解析度。超表面由許多亞波長單元組成，這些單元被設計成能夠以傳統材料無法實現的方式操縱波。透過精心設計其幾何形狀、材料屬性和空間排列，超表面能夠實現靈活的波前控制，並提供高解析度感測。在軟體方面，我們正在開發先進的機器學習演算法，以支援多模態資料的處理。
第三是擴大感測範圍和移動性支援。使用者希望無論身處何地都能進行持續監測，因此即使在環境中移動，感測裝置也應該能夠正常工作。為此，我們開發了一種基於超表面的方法來擴大感測範圍，使用者即使在遠處或被毯子覆蓋時，裝置也能持續感知。
第四是心理狀態感知與訓練。持續感知不僅需要跟蹤生命體徵，還應提供關於個人認知和情緒健康狀況的即時洞察。我們正在開發一種方法來跟蹤使用者的心理狀態。同時，我們還開發了一種基於大語言模型的認知訓練工具，該工具利用使用者的日常經驗來強化情景記憶，確保練習既僅具有相關性，又能吸引使用者參與。去年世界阿爾茨海默病日，我們展示了這款認知訓練工具，收到了很好的反饋。我們認為持續的家庭監測和量身定製的干預措施有可能改善認知護理。
最後但同樣重要的是，實現及時處理和能源效率。持續監測會產生大量資料，這些資料需要在使用者的終端裝置上即時處理。因此，我們的團隊正在積極從事邊緣計算和輕量級建模的研究，以實現低延遲並提高能源效率。
Carlo Bifulco：臨床方面的情況要更具挑戰性一些，包括患者護理的複雜性、監管框架等方面。
我認為臨床試驗是一個可以迅速取得進展並真正產生影響的領域。同樣，生物標誌物研究和真實世界證據研究也是如此。
我對人工智慧在常規患者護理中的影響非常樂觀，我認為人工智慧在醫療領域的廣泛應用是大勢所趨，未來充滿光明。但我也必須承認，在傳統環境中引入這些技術並非易事。不過所有這些都可以克服，只是需要我們在多個層面付出大量努力，齊心協力，未來可期。
Matthew Lungren：在思考大家提到的內容時，我不禁為正在進行的種種創新而驚歎不已。顯然，這只是我們看到的眾多出色工作中的一小部分。但回到臨床工作，你會發現這中間的差距，我們還有很長的路要走。
從宏觀層面來看，這種差距在學術會議上表現得尤為明顯。例如，在 NeurIPS 上，我們會看到很多極具突破性的研究；而到了美國醫學會的會議，你又會發現兩者之間存在巨大的鴻溝。不過，我堅信這個鴻溝正在逐步縮小，我對未來充滿樂觀。
其中一個原因是，我們可以看到人工智慧在解決臨床問題上的成功應用。舉個例子，目前最緊迫的問題是醫護人員的職業倦怠。這顯然是美國面臨的一個危機，而且我認為很多國家和地區都存在這個問題。醫護人員要做的事情太多，要處理的情況過於複雜。所以，當我審視這些技術時，我會想，我們可以在拯救生命之前先節省時間，或者更準確地說，是透過節省時間來拯救生命。
DAX Copilot 解決方案就是一個很好的例子。乍一聽，它似乎很簡單，可能都不會有人在計算機科學會議上把它當作主題演講，但它正在解決一個非常重要的問題。透過為醫生節省時間，它不僅提升了醫生的工作效率，還給醫生帶來了一種舒適感。而關於“最後一公里”的問題，它也成功地解決了實際問題。從這個點出發，我們可以進一步拓展應用。
此外，《新英格蘭醫學雜誌》（New England Journal）推出了關於人工智慧的新期刊，這對我來說是一個重大訊號，表明臨床領域對人工智慧的興趣正呈爆發式增長，大家不僅關注技術本身，更關注如何應用它、探索其在醫學領域的應用場景。所以我覺得，這個差鴻溝比以往任何時候都在更快地縮小。
Ava Amini：在我看來，我們正站在一個真正的轉折點上。如今，人工智慧等技術賦予了我們前所未有的能力。精準預判未來的發展固然困難，但我對未來有著自己的設想。
目前，我們在生成式人工智慧和基礎模型領域取得了突破。這些模型能夠學習各種生物模態，比如我們在 evo-diff 專案中研究的蛋白質序列，以及像 GigaPath 和 Vercov 這樣的病理學資料，還有其他正在興起的生物模態研究。接下來，我認為我們將見證這些資訊開始整合。從建模和應用的角度出發，將這些資訊從單個分子層面、細胞層面、組織層面，一直到患者層面進行綜合分析。
再往後，我期待看到可以真正彌合實驗世界和計算世界之間迴圈的實現。讓人工智慧幫助我們提出新的假設，並在實驗室中驗證。我對五年內實現這一點持樂觀態度，也希望屆時能看到由人工智慧發現或設計的藥物與療法進入臨床前或臨床測試，我認為這是完全有可能的。
這次的圓桌討論匯聚了不同的視角，我覺得非常有意義。五年後，希望我們能夠以微軟的方式將這些不同視角的碎片整合在一起，真正實現規模化。這是一個宏大的目標，但我相信我們有能力實現它。
邱鋰力：持續健康監測不僅是一項技術突破，更是醫療健康領域的一場正規化轉變。它標誌著醫療健康不再侷限於醫院的牆壁之內，而是無處不在。無論我們身處何地，每一步行走、每一個眼動、每一次呼吸、每一次心跳、每一次腦電波訊號，都能被感知和分析，從而更好地瞭解我們的健康狀況。
我們對未來展望的是，人們不再需要專程前往醫院，不再有漫長的候診等待、不再有頻繁的針刺之苦。藉助先進的感測技術和人工智慧，患者可以及時與醫生進行虛擬互動。這種轉變帶來的不僅是便利，更是希望。透過持續監測，即使是輕微的生理波動，如血壓的輕微上升、心律的微妙變化或血糖水平的細微波動，都能夠在它們演變為危及生命的危機之前被檢測到。透過持續跟蹤每個患者的狀態，醫生可以即時調整治療方案，而不再依賴偶爾去醫院檢查的結果。
我們的願景是將先進的診斷和治療技術置於人們的指尖，使他們能夠在家中輕鬆使用。這將讓醫療保健比以往任何時候都更具主動性、更個性化、更有效。
Carlo Bifulco：我認為人工智慧的影響將是變革性的，這不僅體現在生物學領域。就醫學本身而言，我認為我們將達到一種狀態——在未來，醫生看診時可能都離不開人工智慧的輔助。我不知道這一轉變是否會在五年內發生，但我堅信這是必然的趨勢。
Matthew Lungren：預測五年後的情況確實很難，尤其是在當前快速發展的環境下。我們看到通用技術以前所未有的速度進步。我以前的一位導師，他是一個非常著名的系主任，他曾表示，我們應該推進醫療健康的發展，讓許多疾病能夠在醫院之外得到預防和治療。我很認同他的觀點。
然而，要實現這一目標，我們還有很多工作要做。其中一個雖然不那麼吸引人，但確實很關鍵的領域就是資料。我們在資料的收集、數字化以及在不同領域中的處理方面已經取得了不錯的進展，但我們沒有充分利用這些資料來獲取更有價值的資訊。五年後當我們回顧現在，如果看到大量資料仍然被閒置在檔案庫裡，只在治療單個患者時才會用到，而沒有用於獲取真實世界證據等方面，我們肯定會覺得很遺憾。
我認為，我們至少已經看到了實現這一目標的可能性和路徑。當談到生物領域和邱鋰力博士提及的可穿戴裝置之間的聯絡時，我認為這兩者之間確實存在一些聯絡，而且這些聯絡正在逐漸顯現。我特別想到的是，隨著時間的推移，監測方式會變得越來越不具有侵入性，同時，我們也會將監測結果與預測癌症和其他慢性疾病早期發展的生物標誌物聯絡起來。
Hoifung Poon：非常感謝各位嘉賓。從你們的分享中可以看出，生成式人工智慧可能能夠理解這些多模態的、縱向的資料，讓它們發揮更大的價值將是一個令人興奮的機遇。讓我們攜手共進，開啟醫療健康領域的新篇章。
歡迎觀看 Microsoft Research Forum 第五期全部回放影片！
你也許還想看：