MedTech醫療科技雙周報第40期：開源AI趕上閉源AI了？哈佛醫學院研究揭曉

重點新聞（0301～0315）

 開源模型   GPT-4   哈佛醫學院 

開源AI趕上閉源AI了？哈佛醫學院研究揭曉

由美國國衛院（NIH）資助、由哈佛醫學院及2家醫學中心執行的研究發現，開源AI在醫學診斷領域幾乎趕上閉源AI了，即開源模型Llama 3.1 405B在診斷複雜疾病的表現，已與閉源模型GPT-4相當。該研究成果在3月14日刊登於美國醫學會期刊《JAMA Health Forum》上。

團隊用這兩個模型，來對《新英格蘭醫學雜誌》診斷挑戰專欄的92個病例進行診斷。結果顯示，Llama 3.1 405B在70%的案例中診斷正確，超越GPT-4的64%，並在41%的案例中，將正確診斷列為第一選項，優於GPT-4的37%。對於22例較新的病例，Llama 3.1 405B的正確率達73%，比GPT-4高出9個百分點。

哈佛醫學院助理教授Arjun Manrai指出，就他們所知，這是開源AI首次在複雜臨床病例的判斷上超越GPT-4。這項研究也點出，開源AI有望成為醫學診斷領域的強大競爭者，為醫療機構提供更多選擇。（詳全文）

 老化   生物年齡   預防醫學

大阪大學用AI和5滴血精準預測人類真實年齡

日本大阪大學開發一款AI模型，透過分析類固醇代謝途徑，來預測人體的生物年齡，也就是身體實際的老化程度，而非單純的出生年齡。首先，研究團隊開發一種只需5滴血的檢測方法，可以分析22種關鍵類固醇及其相互作用，比傳統方法更能精準評估健康狀況。團隊認為，既然人體依賴類固醇等荷爾蒙來維持平衡，應可視為老化指標。

於是，他們開發一套深度神經網路模型，來計算類固醇比率、評估生物年齡。接著，他們分析數百名受試者的血液樣本，發現生物年齡的個體差異，會隨著時間擴大，就像是河流的下游越來越寬一樣，意味著隨年齡增長，個體間的老化速度差異會越來越明顯。

在這項研究中，他們還發現壓力荷爾蒙皮質醇與老化息息相關。當皮質醇比率增加2倍，生物年齡大約提高1.5倍，顯示長期壓力可能加速老化。團隊認為，AI預測生物年齡的應用，可以推動個人健康監測，應用於疾病早期偵測、專屬健康計畫，或是提供延緩老化的生活建議。大阪大學團隊表示，他們將繼續擴大資料集、加入更多生物標誌物，來優化模型、解析老化機制。（詳全文）

 阮綜合醫院   FHIR   生成式AI 

阮綜合醫院聯手業者打造生成式AI平臺

高雄阮綜合醫院日前聯手軟體業者昕力資訊，展示共同打造的醫療生成式AI平臺，可提供醫護人員個人化服務，如將文件或資料提取、轉換、整理等，加速資料處理流程。

他們以昕力資訊的digiRunner API管理平臺為基礎，來打造簡化醫事流程的功能，可針對醫院不同角色，設定各種專屬服務，例如AI智能搜尋魔板可根據醫事人員需求，提取必要的醫療資訊系統（HIS）資料，自動整合並分析病患資料，再以生成式AI來產出關鍵摘要，節省醫護人員整理資料的時間。另一項功能是癌藥事審FHIR格式轉換，可透過AI智能分析，自動將原始資料轉換為符合國際醫療資料交換標準FHIR的格式，幾秒就能完成，解決過去格式不符合FHIR、需人工花時間處理的痛點。尤其，該功能也保有微調彈性，供醫護人員調整轉換後的內容。（詳全文）

 微軟   生成式AI   Dragon Copilot 

微軟推出Dragon Copilot醫療語音AI助理

微軟發表醫療用AI語音助理Dragon Copilot，結合了Dragon Medical One的語音輸入技術、DAX Copilot的環境語音技術，以及AI輔助紀錄能力，可提高臨床文件處理效率、減少醫護的行政負擔。微軟預計先於美國和加拿大推出，之後再擴展至英國、德國、法國和荷蘭。

Dragon Copilot核心功能包括多語言語音輸入、即時文件整理、個人化筆記格式和AI輔助撰寫，可依臨床需求自動生成診療摘要、轉診信和診後報告，減少醫護人員的文書工作時間。此外，Dragon Copilot內建AI助理，可快速檢索醫療知識、支援語音指令來操作EHR。微軟表示，這個助理符合美國醫療標準與隱私法規，適用醫院門診、住院和急診等場域。（詳全文）

X光   超音波   GE醫療 

GE醫療要打造自主醫學影像設備

日前，GE醫療在Nvidia GTC年度大會上宣布擴大與Nvidia的合作，要來開發高度自主的醫學影像技術，第一波鎖定X光技術和自動化超音波應用。進一步來說，GE醫療要用Nvidia Isaac for Healthcare平臺和Nvidia Cosmos平臺，來分別合成資料、模擬各種影像掃描情境，並在虛擬環境中訓練、測試和調整自主超音波設備和X光設備，以確保其正確性。

在這些模擬情境中，GE醫療也將訓練機器，自動執行醫事人員在病患檢查室內的重複性工作，讓醫護團隊有更多時間來照顧病患、處理複雜的病例。此外，雙方還要探索機器與病患的互動技術，來打造自動化應用，引導病患完成X光掃描流程。（詳全文）

出院預測   再住院率   機器學習 

澳洲用AI預測出院時機，可節省73萬澳元成本

日前，南澳Lyell McEwin醫院和當地阿得雷德大學共同開發一款名為Adelaide Score的AI應用，透過機器學習分析病患的生命體徵和實驗室數據，預測病患在12小時和24小時內的出院機率。這套AI會讀取患者過去48小時的病歷數據，並與電子病歷（EMR）系統自動連結，加速篩選病患。

他們在2024年4月與18個內外科團隊展開了28天試驗，結果發現，這套AI可以將再住院率降至5%（去年同期為7%）、住院時間中位數減少至2.9天（去年同期為3.1天），重點是該AI降低了住院人數，可節省73.57萬澳元（約48萬美元）。目前，團隊考慮將Adelaide Score擴展至澳洲東部各州。（詳全文）

圖片來源／哈佛醫學院、大阪大學

  MedTech醫療科技近期新聞 

1. 印度最大醫療集團Apollo Hospitals聯手3M旗下醫資業者，打造AI心血管疾病風險預測工具

資料來源：iThome整理，2025年3月