AI 在医疗卫生领域的应用

医疗卫生领域的人工智能（AI）是一个统称，用于描述通过机器学习（ML）训练的算法在医疗卫生市场三大主要领域的应用：医疗卫生的应用（生命科学）、医疗卫生的提供（医疗服务机构）以及医疗卫生的消费（支付方）。

这类算法机器学习的进步使得人工智能在医疗卫生领域的应用场景得以扩展，超越了过去的反应式 AI。这些进步可以在推动医疗卫生转型和现代化方面发挥重要作用。 

探索红帽 AI

为了分析医疗数据并采取相应行动，数据必须易于访问且可操作。一旦模型通过足够的数据完成训练，机器便能在新环境中进行推理。AI 推理是 AI 的运行阶段，在这一阶段，模型能够将其在训练过程中所学到的内容应用于现实场景中。只有到那时，我们才能实现更广泛、更高效、更有效的医疗服务应用。

AI 大致可以分为四种类型：

• 反应式 AI：这种人工智能不使用机器学习来改进，每次遇到相同的情况都会以完全相同的方式做出反应。
• 有限内存 AI：这种人工智能利用机器学习，基于过往表现构建算法。当前 AI 的许多重要突破都集中在这一领域，这也是人工智能常被称作 AI/ML 的原因。此外，机器学习的一个分支，深度学习，通过多层分析从原始数据中挖掘更深层的信息。
• 心智理论 AI：这种 AI 能够理解并记忆情感，并基于该模型与人交互。目前心智理论 AI 仍处于起步或理论研究阶段。
• 自我意识 AI（即“真正的”AI）：这种 AI 能够感知自身情感，拥有与人类相近的意识水平。自我意识 AI 目前仍停留在理论阶段。

我们所谈论的医疗卫生领域 AI，主要是指有限内存 AI 在算法与应用层面的快速发展。

企业如何应用 AI

AI 领域的全新突破能够从根本上改善患者预后，帮助医生及其他医务工作者做出更精准的诊断并制定治疗方案。这些技术进步还能帮助管理人员精准分配医疗资源。

这能在多方面惠及医疗卫生市场的三大支柱领域（生命科学、医疗服务机构、支付方）。高效获取、分发与利用最新信息，可帮助临床医生更好地救治患者，从多来源快速筛选数据以优化现有病症管理，并辅助预测或识别新发疾病与发病风险。 

更完善的分布式数据流程，能让管理人员更高效地对理赔申请进行优先级判定与审核，简化整体理赔流程，提升向患者、客户及医疗服务机构传达信息的准确性与速度。总体而言，将数据整合应用于医疗卫生算法，有助于预测未来风险，让医疗卫生管理人员更有能力优化并提升社会医疗服务水平。

医疗卫生领域的 AI 可从以下几个方面为患者、医疗服务机构和支付方带来助益：

更快诊断
AI 算法处理的数据见解与实时预测分析可用于加快诊断速度，让患者更快获得治疗，进而改善预后，并减少解决问题所需的整体资源。例如，美国最大的医疗服务提供商之一 HCA Healthcare，就采用红帽解决方案打造了实时预测分析系统，以便更精准快速地检测脓毒症（一种可能危及生命的病症）。

理赔管理
医疗理赔与支付的流程繁琐，会耗费数千工时。人工处理每一笔理赔还会增加出错风险，既不利于提交理赔的患者，也不利于需要平衡账务的医疗服务机构。AI 可实现理赔申报自动化，并基于理赔管理数据分析提供有价值的建议，从而加速理赔流程，提升员工与客户体验。

欺诈、浪费与滥用防控
机器人流程自动化（RPA）能够以人工操作无法比拟的速度和准确度处理文件。这类算法可以识别出欺诈行为或资源浪费现象，并且随着算法不断优化，其问题发现能力会持续提升。

扩大医疗服务的可及性
AI 辅助诊断可以扩大接受服务的患者群体。例如，AI 辅助的放射学和医学影像可以让更多的专业人员来解读超声波影像结果，减少对少数专家的依赖，让更多的患者能够受益于这项技术。

药物研发
创新药物需要确定合适的剂量与给药特性。AI 计算工具可强化甚至替代试错法，通过更快速高效的模型监控整个研发流程，加快新型药物研发速度，为制药企业与终端患者节约成本。

尽管 AI 在医疗卫生领域能带来诸多优势，但落地实施仍会面临一系列复杂挑战。医疗卫生行业因 AI 应用而面临的部分挑战包括：

数据管理与落地采集
在医疗数据的采集、分析与应用过程中会产生诸多挑战。

要让 AI 为相关算法提供正确输入，需要实时处理海量数据。因此，数据采集挑战是多方面的。

用于采集数据的硬件、软件与流程，必须融入医疗卫生工作流。而医疗卫生工作流是围绕特定结构、层级与一定程度的人工录入构建的。医疗数据分散在不同网络中，并未集中到统一数据库；在某些情况下，甚至从未从纸质单据录入为数字形式。

要减少流程中的阻力，确保组织机构能充分利用 AI 与 ML 落地成果，就必须让流程中的所有不同利益相关者（包括数据科学家、IT 团队、运维人员、医疗从业者、医疗服务机构、独立软件供应商（ISV）、其他供应商等）协同一致。为应对这一挑战，利益相关者可能需要采用敏捷、供应商中立的软件以更好地明确问题，并利用干净、可扩展且兼容多家 ISV 的数据。

数据需要被整理并转换为可互操作、可使用的格式，以适配从多来源采集的信息。从网络中的采集点（有时通过边缘设备）传输数据需要大量带宽。由于医疗卫生系统中采集的数据量激增，尤其是医学影像、IOMT 与边缘计算相关数据，存储空间正以惊人的速度增长。

云计算虽能提供高性能与大容量来应对这些挑战，但在很多场景下并不现实，尤其在农村地区及 IT 与医疗基础设施不完善的区域。要解决这一关键挑战，需要采用经济高效的解决方案，以强化网络边缘的运维能力，并在诊疗点完成数据分析。

了解更多关于 AI 落地实施的信息

能否成功大规模部署 AI 工作负载，取决于各个组成部分之间协同工作的效率和效果。具体而言，能够支持更大的 AI 模型（如 LLM）及其更复杂的推理功能的推理服务器，对于扩展企业的 AI 工作负载至关重要。

这些 AI 工具能更高效地利用资源，加快扩展速度：

• llm-d：LLM 提示词往往复杂且不统一，处理海量数据通常需要大量计算资源与存储支持。llm-d 这类开源 AI 框架让开发人员可借助分布式推理等技术，满足 LLM 等复杂大型推理模型日益增长的需求。
• 分布式推理：分布式推理通过将推理任务分配给一组互联设备，使 AI 模型能够更高效地处理工作负载。这相当于软件领域的“众人拾柴火焰高”。 
• vLLM：vLLM 是虚拟大语言模型的简称，它是一个由 vLLM 社区维护的开源代码库。该代码库有助于大语言模型（LLM）更高效地大规模执行计算。

了解红帽 AI 如何整合这些工具和功能，帮助客户大规模使用 AI。

探索红帽 AI

红帽 AI 是一个包含各种产品与服务的平台，能够在您企业 AI 旅程的任何阶段提供帮助，无论您是刚刚起步，还是准备进行扩展。针对您企业独特的用例，它既能支持生成式 AI，也能支持预测性 AI 相关工作。

借助红帽 AI，您就可以访问红帽® AI 推理服务器，在混合云上优化模型推理，从而实现更快、更具成本效益的部署。推理服务器由 vLLM 提供支持，可最大限度提高 GPU 利用率，加快响应速度。

了解有关红帽 AI 推理服务器的更多信息

红帽 AI 推理服务器还包含红帽 AI 存储库，这是一个经过第三方验证和优化的模型集合，既能保证模型选择的灵活性，又能促进跨团队的一致性。通过接入第三方模型存储库，企业能够显著缩短推向市场所需的时间，并降低 AI 成功落地的成本门槛。

了解有关经红帽 AI 验证的模型的更多信息