GE醫療已選擇亞馬遜云科技作為其戰略云服務合作伙伴，致力于推出全新的定制化基礎模型，加速創新醫療應用快速開發。
?
GE醫療將利用亞馬遜云科技的機器學習和生成式AI技術，訓練和部署臨床基礎模型，助力醫療服務提供商優化臨床和運營流程，進而提升護理服務質量。
?
近日，GE醫療（通用電氣醫療集團）宣布與亞馬遜云科技達成戰略合作伙伴關系，攜手打造針對醫療領域定制的基礎模型和生成式人工智能（AI）應用，旨在幫助臨床醫生提高醫療診斷和患者護理水平。GE醫療選擇亞馬遜云科技作為其戰略云服務提供商，并計劃借助亞馬遜云科技的醫療健康和生成式AI服務構建并實施新型、多功能的基礎模型，以推動技術革新以及醫療行業的未來轉型。這些基于生成式AI的工作流程旨在加速創新成果交付、簡化醫療運營流程、提高診斷與篩查的準確性、優化治療效果并降低就醫門檻、促進公平醫療，從而減輕醫護人員的工作負擔，加快行業創新步伐。
?
“一個多世紀以來，GE醫療作為醫療技術革新的先行者，產品已惠及全球超過十億患者。我們在提高護理質量方面發揮著重要作用。同時，GE醫療肩負著不斷探索、突破極限的責任與使命，致力于推動精準醫療的發展?！盙E醫療總裁兼首席執行官Peter Arduini表示。“與亞馬遜云科技的合作將使我們能夠在傳統創新的基礎上，借助AI的強大潛力加速醫療技術的創新。我們預計這些技術將重新定義臨床工作流程和護理服務。”
?
GE醫療計劃借助Amazon Bedrock創建并部署定制化的生成式AI應用，進一步擴大生成式AI為客戶帶來的優勢。Amazon Bedrock是亞馬遜云科技一項全面托管的服務，用戶可輕松地訪問多種行業領先大語言模型。借助Amazon Bedrock的企業級安全性和隱私性以及廣泛的行業領先基礎模型選擇，GE醫療計劃構建并擴展其專有的生成式AI應用，以應對醫療健康領域的各種場景，旨在提升效率、護理服務交付以及患者體驗。
?
“借助亞馬遜云科技的力量，GE醫療致力于通過云技術提供更加定制化、智能化和高效的醫療服務，”亞馬遜云科技首席執行官Matt Garman表示。“GE醫療正將生成式AI作為創新驅動力，我們在醫療健康特定云服務和生成式AI功能方面的投資加速了這一創新，同時確保了行業領先的安全性、數據隱私保護，以及對于最新前沿基礎模型地便捷訪問。選擇亞馬遜云科技作為戰略云服務提供商，GE醫療能夠為醫療健康行業打造具有變革意義的臨床基礎模型與應用?！?br /> ?
GE醫療的內部開發團隊正在籌備使用Amazon Q Developer，這是一款由AI驅動的生成式編程助手，通過實時地生成代碼建議和推薦，幫助開發者更快、更安全地構建應用程序。此外，GE醫療計劃利用Amazon Q Business深入分析臨床與運營數據的多維度交叉點，以減輕專業人員的工作負擔，進而推進個性化醫療服務并提升運營效率。通過借助亞馬遜云科技的生成式AI技術，GE醫療預計將臨床應用的開發周期從數年縮短到數月，并加速創新醫療解決方案的交付。
?
“通過將生成式AI與我們深厚的行業經驗相融合，我們正在開啟醫療健康領域的新紀元。”GE醫療全球首席科技官Taha Kass-Hout博士表示：“與亞馬遜云科技的合作，標志著我們在協助臨床醫生簡化醫療流程、提升效率、實現深度個性化服務方面邁出了重要一步。這一合作旨在通過每一個創新解決方案，逐步提升全球范圍內的護理水平?！?br /> ?
此外，GE醫療計劃借助Amazon SageMaker開發的基礎模型來升級其應用套件。Amazon SageMaker是亞馬遜云科技一項全面托管服務，用于構建、訓練和部署機器學習（ML）模型。通過開發專門針對醫療場景的基礎模型，GE醫療旨在加速基于網絡的醫療影像應用的開發和部署，并通過整合這些基礎模型來提升效率、互操作性和改善用戶體驗。用戶可以使用GE醫療的生成式AI應用程序，這些應用程序將與Amazon HealthLake和Amazon HealthImaging深度集成，從而能夠快速、安全地分析各種類型的患者數據，提高臨床效率并改善患者護理質量。
?
醫療健康行業所產生的數據約占全球數據總量的30%，但其中高達97%的數據因非結構化特性而未能得到充分利用。本次亞馬遜云科技與GE醫療的合作將致力于開發多模態基礎模型，針對海量非結構化醫療數據進行深入分析，包括病歷、報告和影像等，為多樣化的醫療健康應用提供精準且具有高度適應性的分析結果。與傳統機器學習模型相比，這些新模型能夠同時處理并解讀涉及多種疾病和醫療任務的數據，從而為臨床決策提供更加靈活的支持。
?
長期以來，GE醫療一直致力于AI領域的投入與發展。在美國食品和藥物管理局（FDA）的AI設備授權名錄上，GE醫療已連續三年位居首位，共計獲得72項授權。GE醫療近期在基礎模型領域的研究成果之一，是一個專注于高級超聲圖像分割工具的項目。借助基礎模型技術，該研究工具在解剖結構的分離與識別上展現出了卓越的精確性，準確率超過90%，且幾乎無需人工干預。該工具的顯著優勢在于其出色的泛化能力，能夠精確地分割多種解剖結構，包括胎兒頭部和乳房中的病變區域，而這些結構并未包含在其基礎模型的原始訓練數據中。這一突破性功能展現了該模型在應用上的廣泛潛力，遠超其初始訓練設定的范疇。
?