A Multi-Center Study on the Adaptability of a Shared Foundation Model for Electronic Health Records
这项多中心研究表明，在不同医院间适配一种共享的、现成的结构化电子健康档案（EHR）基础模型，与从头开始训练模型相比，能显著提高标签效率和预测性能，从而为医疗人工智能开发提供了一种可扩展且具成本效益的方法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图培养一名高水平的医疗侦探。传统上，每家医院都必须从零开始招聘一名侦探，仅利用自身的本地病例进行培训，并寄希望于他们能够变得足够优秀，从而解决诸如预测患者再入院或发现危险化验结果等特定问题。这个过程缓慢、昂贵，并且需要海量的“训练数据”（即关于患者情况的有标签示例）。
这篇论文介绍了一种更高效的构建这些侦探的新方法，使用的是一种被称为**基础模型（Foundation Model）**的技术。把基础模型想象成一位“超级侦探”，他已经阅读了来自一个庞大且多样化的医院网络（斯坦福医学中心）的数百万份医疗记录。这位超级侦探已经掌握了医学语言，理解疾病的演变过程，并能识别患者病史中的模式。
研究人员想要观察这种预训练过的“超级侦探”是否可以被轻松地适配到两家截然不同的医院：SickKids（多伦多的一家大型儿科医院）和 MIMIC（美国的一个成人重症监护数据库）。他们提出了这样一个问题：我们能否直接带走这位专家，给他们进行一次快速的本地记录强化课程，并让他们表现得像一个仅使用所有本地数据进行训练的侦探一样出色？
以下是他们的研究结果，通过简单的概念进行了拆解：
1. “开箱即用”的侦探
首先，他们测试了这位超级侦探在没有任何额外训练、仅凭其已有知识的情况下表现如何。
- 结果： 即使没有看到任何一条本地患者记录，这个预训练模型表现得几乎与一个利用所有可用本地数据进行训练的传统模型一样出色。
- 类比： 这就像是一位已经为数百万人烹饪过食物的世界级大厨走进了一间规模较小的本地厨房。甚至在品尝当地食材之前，由于其通用的烹饪技巧非常高超，他们就能立即做出美味佳肴，其表现足以媲美一位只在特定厨房里钻研多年、仅使用特定食材的本地厨师。
2. “强化课程”（持续预训练）
接下来，他们通过让超级侦探阅读本地医院的记录（这个过程称为持续预训练），为这位专家提供了一次“强化课程”。
- 结果： 这使模型变得更加出色。它提高了预测结果的能力，并使其预测更加可靠（更好的“校准度”）。
- 类比： 这就像是那位世界级大厨在本地厨房待了一周，学习了当地炉灶的特殊属性以及当地蔬菜的味道。现在，他们不仅是一位优秀的厨师，更是那间特定厨房的“完美”厨师。
3. “少样本”超能力（利用极少量数据进行学习）
这是见证奇迹的时刻。通常，要训练一个新模型，你需要成千上万个示例。研究人员测试了当他们只有极少量示例（少至 2 到 128 名患者）时，模型的表现如何。
- 结果： 经过适配的基础模型是学习极少量数据的冠军。
- 仅需 128 个示例（不到总数据的 1%），适配后的基础模型就能达到与看过所有数据的传统模型相当的性能水平。
- 相比之下，传统模型在缺乏足够数据进行学习时，表现会显著下降。
- 类比： 想象一个传统的学生需要阅读 1,000 本教科书才能通过考试。而基础模型因为已经在其他地方读过了数百万本书，所以只需要阅读 一两本 本地教科书，就能以同样的成绩通过考试。它具有极高的“样本效率”。
4. “本地 vs 全球”之争
研究人员还探讨了：是从本地数据开始从头训练一个新模型更好，还是适配那个全球性的模型更好？
- 结果： 如果一家医院拥有大量数据（例如其总记录量的 80%），那么从头开始训练效果很好。但如果数据量较少，适配全球模型则要优越得多。
- 效率增益： 为了获得相同的性能水平，从头开始训练本地模型所需的患者数据量比单纯适配预训练的全球模型要多出 60% 到 90%。
- 类比： 从头建造一座房子（从头训练）需要堆积如山的砖块。而适配全球模型就像是购买一个预制好的房屋框架，然后只需添加本地的油漆和家具。你只需使用极少量的原材料就能得到一栋完工的房子。
研究结果总结
论文得出结论，在医院之间共享这些“基础模型”是一个游戏规则的改变者。医院无需再花费数百万美元和数年时间从头开始训练自己的 AI，而是可以下载一个预训练好的专家，给他们进行一次快速的本地强化课程，从而立即获得一个高性能的工具。
- 成本： 它节省了资金和计算能力。
- 数据： 即使在医院只有极少量数据可以教导模型时，它依然有效。
- 速度： 它加快了开发新型医疗 AI 工具的速度。
该研究并未在真实的临床环境中测试这些模型在真实患者身上的应用，也没有声称它们已准备好取代医生。它仅仅证明了这项技术是行之有效的：一个共享的、预训练过的 AI 模型可以成功地适配到不同的医院和任务中，且所需的工作量和数据量比以往认为的要少得多。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。