生成式AI正在被尝试用于医学影像合成，例如3D医学影像重建与脑部疾病影像分析，但AI医疗在容错率极低的诊疗场景中，不确定性主要集中在三处：模型可能产生误导性回答，医疗场景高度专业化、容错率低，专有数据与法规伦理约束严格。当前AIGC在医疗领域的应用仍处于起步阶段，成规模的应用主要在聊天机器人领域，例如面向医疗保健问答的大型医用语言模型Med-PaLM 2。生成式AI对现有医疗领域是一种有益的补充，但距离在合成影像等高风险环节成规模落地，仍有明显距离。

合成影像的准确性由谁把关

生成式AI算法的特点是生成全新、潜在的数据样本，可用于合成结构和强化病变区域，如3D医学影像重建、脑部疾病影像分析。这类能力的价值在于补充数据、辅助分析，但合成结果本身需要被正确解释。医疗领域高度专业化，需要医疗专业人士的专业知识和经验才能正确理解和解释相关问题。资料同时指出，ChatGPT可能无法为医生提供足够准确的诊疗建议，医生需要根据个案进行判断，且其有可能产生误导性的回答，需要谨慎使用。因此，引入专业医生进行质量检查和监督，被视为未来的主要改进方向之一。

数据、隐私与合规的三重约束

医疗领域应用需要基于大量可靠数据和高质量临床实践基础，并严格遵守相关法律法规和伦理规范，同时不断改进和优化模型。许多高价值、特定于域的工作流依赖于丰富的专有数据集，医疗正是典型场景，专有数据的获取难度构成现实门槛。在用户隐私方面，加强用户隐私保护、确保不泄漏用户个人信息，被列为重要改进方向。谷歌在推出Med-PaLM 2后仍持续推进专家与研究人员合作，并表示考虑到医疗信息的敏感性，技术普及到普通消费者手中还需要一段时间。

判别式与生成式如何分工

判别式AI通过学习输入与输出数据之间的映射关系进行预测，对图像识别和分类效果较好，尤其适合数据集较为单一的场景；生成式AI更关注理解人类意图和复杂场景应用以及生成新数据。在医疗图像诊断中，生成式AI可用于合成结构和强化病变区域。可预见的将来，AIGC的发展会促进判别式AI与生成式AI算法的结合，企业可根据自身需求组合两类算法，以实现更复杂和精细的任务。医疗领域尤其需要高质量的专业化模型，高质量、用户反馈和专有数据集是专业化模型的关键。

常见问题

生成式AI合成的医学影像能直接用于诊断吗？

目前不能简单等同。资料显示，医疗领域容错率低，需要医疗专业人士的专业知识和经验才能正确理解和解释相关问题，并需引入专业医生进行质量检查和监督。合成影像更适合定位为辅助与补充。

AI医疗为什么普及到普通消费者还需要时间？

一方面是医疗信息敏感，隐私保护要求高；另一方面医疗场景高度专业化、对准确性要求严苛，模型仍需持续改进和优化。资料提到，技术普及到普通消费者手中还需要一段时间。

医疗AI下一步的关键突破点在哪里？

资料给出的方向包括：加强用户隐私保护、引入专业医生参与质量检查与监督、积累高质量与专有数据集，以及推动判别式AI与生成式AI算法的结合。