來源：臨床工程資訊
ChatGPT推出2個月，月活突破一億，成為史上增長最快的消費者應用，而且各界關注度還在持續上升。它的能力在哪里，性能表現如何？在醫工研究領域ChatGPT類大型語言模型的意義又何在？本文通過與ChatGPT的問答對話，探討其工作原理、用途、可能帶來的風險和局限性以及在醫工領域的應用展望。
1、什么是ChatGPT？
ChatGPT是由OpenAI公司推出的一種人工智能技術驅動的自然語言處理工具，基于Transformer神經網絡架構，也是GPT-3.5架構，是一種大型語言模型（Large Language Model ,LLM）。使用了基于人類反饋的強化學習（Reinforcement Learning from Human Feedback, RLHF）方法來訓練。在使用大量的文本數據集進行訓練后，學習到大量的語言知識，再通過對人工數據的不斷學習，使模型生成高質量的文本輸出，實現與人類的自然對話。ChatGPT非常擅長分析問題的上下文，如果上下文不夠清晰，無法生成可靠的響應，它甚至可能會要求用戶解釋問題。
2、ChatGPT能做些什么？
ChatGPT的訓練使用了互聯網上數十億個文本片，因此，它可以識別和模仿各種各樣的文本類型——從博客文章到報告、小說甚至論文，擁有它，接下來生活中大部分的文字需求都可以被滿足。
ChatGPT在許多實際應用場景中取得了很好的效果，它通過使用強大的自然語言處理技術，可以快速準確地回答用戶的問題，并且生成的文本通俗易懂，語言流暢。與以往模型相比，ChatGPT的核心提升點：
（1）敢于質疑不正確的前提
（2）主動承認錯誤和無法回答的問題
（3）大幅提升了對用戶意圖的理解
（4）大幅提升了結果的準確性
（5）這些正是其引爆全球關注的原因所在。
3、ChatGPT類大型語言模型在醫工研究領域有哪些應用場景？
得益于龐大的模型，大量的文本訓練數據，Transformer架構以及基于人類反饋的強化學習，使得ChatGPT具有高效的自然語言處理能力，特別是在文本生成方向。而醫學工程研究領域同時存在大量的文本數據和文本處理與問答的場景，這使得ChatGPT類大型語言模型在醫工研究領域有較多的應用方向可以探索，存在巨大的商業應用潛力。例如，受過論文寫作培訓的大型語言模型可以根據醫工研究者提供的關鍵詞和要求為文章生成草稿文本，然后，研究者可以根據需要查看和編輯生成的草稿文本，以確保準確性和完整度。總體而言，在寫作中使用這些技術有可能提高醫工人員文檔創建的速度和準確性。
關于更多的應用場景方向，我們試著將該問題輸入到ChatGPT，ChatGPT總結出以下回答供參考：
醫學文本挖掘：使用語言模型進行醫學文本的分類、提取和翻譯，以支持數據分析和模型訓練。
（1）自動診斷系統：使用語言模型識別病人的病歷，進行診斷并生成相應的醫學報告。
（2）醫學問答系統：使用語言模型解答醫學相關的常見問題，并提供指導。
（3）醫學文獻篩選：使用語言模型對醫學文獻進行自動篩選，以支持數據分析和模型訓練。
（4）醫學文本生成：使用語言模型生成各種醫學文本，如診斷報告、醫學文獻等。
（5）病人診斷支持：使用語言模型支持病人診斷和治療，如診斷結果預測、治療建議等。
4、ChatGPT的局限性和風險是什么？
盡管ChatGPT的文本處理能力表現驚人，但仍存在局限性。它提供的回答缺乏質量，有時聽起來似是而非，且沒有實際意義。
更大的問題是它回答的真實性仍需要鑒別。ChatGPT可能編造一些參考資料，這在學術領域是致命的，人工智能并無法辨別數據真偽。它的好壞取決于提供給它訓練的信息，它可能會利用負面的信息產生不準確的結果。
暫時不能查找最新信息。受限于訓練數據，ChatGPT目前只能回答截至2021年的信息，這也是ChatGPT區別于搜索引擎的地方。
5、總結與啟發
盡管從各種測試情況來看，ChatGPT的表現出人意料的智能，但如ChatGPT所回答那樣，它不能獨立思考，也不能像人類一樣感知和思考，它的回答是根據它訓練的數據和模型的算法得出的，它有缺陷也存在應用風險。作為醫工領域的從業者，想要掌握主動權，積極探索ChatGPT類大型語言模型在醫工領域的應用方向，就要了解它、應用它進而才有可能改造它。
總而言之，在應用上，ChatGPT在醫工研究領域能發揮它在文本生成的強大能力，有許多應用場景可以探索，可在醫學文本挖掘、自動診斷系統、醫學問答系統、醫學文獻篩選、醫學文本生成、病人診斷支持等方向實現突破。
在技術上，ChatGPT并沒有公開理論上的重大創新，但是在現有深度學習理論基礎上通過提高訓練數據的質量、使用了基于人類反饋的強化學習，也能實現質的飛躍。使得模型輸出更接近于人的邏輯，減少了不合理的輸出。這說明了高質量數據的重要性，接下來可能是業界探索的一個方向，就是由無止境增加模型參數，轉為在提高數據質量上下功夫。這一點在醫學工程的各個細分研究領域同樣適用，值得借鑒和進一步深入探索。
