我们可视化一个交互式框架，其中基础模型在接受医疗保健生态系统中各种来源生成的多模态数据训练时，可以实现跨医疗保健和生物医学的各种任务。第一列列出了几个数据来源，包括护理提供者、付款人、机构（大学、非营利组织和政府）、制药公司、可穿戴设备和医学出版物/论坛。第二列显示了数据源生成的几种数据模式。它们包括图像（例如胸部 X 光片）、视频（例如超声波）、化合物图表、电子健康记录 (EHR) 表格、临床笔记等文本、心电图等时间序列和遗传数据。第三列可视化在此类数据上训练的基础模型，然后应用于医疗保健，第四栏列出的生物医药下游任务。这个过程可以生成新的数据，进一步改进基础模型，从而建立基础模型和任务之间的双向关系。
以下是将从基础模型中受益的医疗保健中重要任务的示例。
医疗保健提供者的界面。 基础模型可以提高提供者护理的效率和准确性。 医疗保健提供者花费不必要的时间编辑电子健康记录 (EHR)，而可预防的医疗错误（例如，再次入院、手术错误）导致医疗保健浪费。可以调整基础模型作为 EHR（临床记录、实验室价值历史和影像文件）的高效准确接口，帮助医疗保健提供者创建患者就诊摘要、检索相关病例和文献，并建议实验室测试、诊断、治疗和出院。基础模型也可以用于帮助手术机器人监控和实现准确的手术。
患者界面。基础模型可以作为患者的界面，提供有关临床预约的相关信息，回答患者与预防保健相关的问题，以及相关的医学解释信息（例如，解释条件的文本和图形），并帮助辅助护理 为病人服务的机器人。基础模型还可以作为与公众的接口，回答与公共卫生和大流行病预防相关的问题（例如 COVID-19 病例）。
基础模型可以促进生物医学研究，例如发现药物和了解疾病，最终转化为改进的医疗保健解决方案。以下是生物医学中重要任务的示例，这些任务将从基础模型中受益。
药物发现。 要发现治疗疾病的药物或疗法，研究人员必须首先确定目标（例如，与疾病有因果关系的蛋白质、基因、RNA），然后必须搜索对于与靶标结合并治疗疾病的分子（例如化合物、抗体）。 通常，确定合适的目标并生成相应的分子需要多年昂贵的实验。
基础模型的生成性可以提高搜索空间和效率，这不仅减少了实验量，而且有助于发现新的更好的药物。此外，通过单一基础模型同时解决相关药物发现问题（即目标识别、疗效预测、副作用预测等）可能会提高他们每个人的解决方案。 例如，基础模型显示出影响治疗设计的巨大潜力的一个领域是使用语言模型对蛋白质进行建模。成功的应用范围从预测可以逃避疫苗诱导的免疫反应的病毒突变到预测蛋白质对接潜力以更好地设计治疗性抗体。
个性化医疗。个性化医疗旨在根据患者的健康史、遗传学、影像学和其他个人测量结果为个体患者选择最佳治疗。例如，给定一组药物和患者基因组，基础模型可能有助于预测哪种药物最有可能治疗 副作用最小的患者。基础模型具有独特的强大能力，能够整合从 EHR 到药物和分子测量的多模式患者数据，以做出最佳预测。
临床试验。 临床试验研究治疗或候选药物的疗效和安全性。传统的临床试验效率低下且成本高昂：80% 的试验因无法显示疗效/安全性或患者匹配问题而失败。基础模型可以在以下方面提供帮助：根据现有研究预测潜在的失败并设计有前途的临床试验方案（例如，患者资格标准）；并根据患者个人资料自动匹配符合条件的患者，这些个人资料是包括 EHR、基因序列等在内的多模式数据
免责声明
本文来源为其他媒体的内容转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们
