我們可視化一個交互式框架，其中基礎模型在接受醫療保健生態系統中各種來源生成的多模態數據訓練時，可以實現跨醫療保健和生物醫學的各種任務。第一列列出了幾個數據來源，包括護理提供者、付款人、機構（大學、非營利組織和政府）、制藥公司、可穿戴設備和醫學出版物/論壇。第二列顯示了數據源生成的幾種數據模式。它們包括圖像（例如胸部 X 光片）、視頻（例如超聲波）、化合物圖表、電子健康記錄 (EHR) 表格、臨床筆記等文本、心電圖等時間序列和遺傳數據。第三列可視化在此類數據上訓練的基礎模型，然后應用于醫療保健，第四欄列出的生物醫藥下游任務。這個過程可以生成新的數據，進一步改進基礎模型，從而建立基礎模型和任務之間的雙向關系。

　　圖： 醫療保健和生物醫學中的基礎模型。

以下是將從基礎模型中受益的醫療保健中重要任務的示例。

醫療保健提供者的界面。 基礎模型可以提高提供者護理的效率和準確性。 醫療保健提供者花費不必要的時間編輯電子健康記錄 (EHR)，而可預防的醫療錯誤（例如，再次入院、手術錯誤）導致醫療保健浪費。可以調整基礎模型作為 EHR（臨床記錄、實驗室價值歷史和影像文件）的高效準確接口，幫助醫療保健提供者創建患者就診摘要、檢索相關病例和文獻，并建議實驗室測試、診斷、治療和出院。基礎模型也可以用于幫助手術機器人監控和實現準確的手術。

患者界面。基礎模型可以作為患者的界面，提供有關臨床預約的相關信息，回答患者與預防保健相關的問題，以及相關的醫學解釋信息（例如，解釋條件的文本和圖形），并幫助輔助護理 為病人服務的機器人。基礎模型還可以作為與公眾的接口，回答與公共衛生和大流行病預防相關的問題（例如 COVID-19 病例）。

基礎模型可以促進生物醫學研究，例如發現藥物和了解疾病，最終轉化為改進的醫療保健解決方案。以下是生物醫學中重要任務的示例，這些任務將從基礎模型中受益。

藥物發現。 要發現治療疾病的藥物或療法，研究人員必須首先確定目標（例如，與疾病有因果關系的蛋白質、基因、RNA），然后必須搜索對于與靶標結合并治療疾病的分子（例如化合物、抗體）。 通常，確定合適的目標并生成相應的分子需要多年昂貴的實驗。

基礎模型的生成性可以提高搜索空間和效率，這不僅減少了實驗量，而且有助于發現新的更好的藥物。此外，通過單一基礎模型同時解決相關藥物發現問題（即目標識別、療效預測、副作用預測等）可能會提高他們每個人的解決方案。 例如，基礎模型顯示出影響治療設計的巨大潛力的一個領域是使用語言模型對蛋白質進行建模。成功的應用范圍從預測可以逃避疫苗誘導的免疫反應的病毒突變到預測蛋白質對接潛力以更好地設計治療性抗體。 ?

個性化醫療。個性化醫療旨在根據患者的健康史、遺傳學、影像學和其他個人測量結果為個體患者選擇最佳治療。例如，給定一組藥物和患者基因組，基礎模型可能有助于預測哪種藥物最有可能治療 副作用最小的患者。基礎模型具有獨特的強大能力，能夠整合從 EHR 到藥物和分子測量的多模式患者數據，以做出最佳預測。 ?

臨床試驗。 臨床試驗研究治療或候選藥物的療效和安全性。傳統的臨床試驗效率低下且成本高昂：80% 的試驗因無法顯示療效/安全性或患者匹配問題而失敗。基礎模型可以在以下方面提供幫助：根據現有研究預測潛在的失敗并設計有前途的臨床試驗方案（例如，患者資格標準）；并根據患者個人資料自動匹配符合條件的患者，這些個人資料是包括 EHR、基因序列等在內的多模式數據

編輯：黃飛

?