世卫组织）警告说，全球医疗保健提供者需要谨慎采用人工智能（AI）技术，尤其是在中低收入国家
大型多模态模型（LMM）是生成式人工智能的一个子集，虽然它有可能彻底改变医疗保健，但世界卫生组织强调需要提高认识并负责任地实施。.
人工智能在医疗保健领域的应用：颠覆性变革
世界卫生组织认可大型多模态模型（LMM）在医疗保健领域的巨大潜力。这些人工智能系统，例如 ChatGPT、Bard 和 BERT 平台，已迅速崛起。LMM 可以处理包括文本、视频和图像在内的各种数据输入，并生成各种输出。.
它们在医疗保健领域的应用涵盖诊断、科学研究、药物开发、医学培训、管理，甚至包括患者自我症状评估。通过分析海量的医疗数据，例如图像、扫描结果和tron健康记录，线性混合模型（LMM）可以增强诊断能力、改进治疗方案、预测患者预后并提高效率。.
人工智能在医疗保健领域最显著的优势之一在于其能够通过提供精准诊断和个性化治疗方案来挽救生命。此外，它还能减轻医护人员的负担，使他们能够专注于比日常文书工作更为关键的任务。在医疗从业人员短缺的地区，生命监测系统（LMM）可以在提高医疗服务可及性方面发挥关键作用，确保更广泛、更公平地覆盖医疗资源。.
风险与挑战
尽管前景可期，但世卫组织提醒不要忽视相关风险。高估低变异微生物检测（LMM）的能力，尤其是在未能充分认识到其局限性的情况下，可能导致误诊和不恰当的治疗决策。.
此外，医疗卫生系统很可能过度dent 移动医疗设备，尤其是在维护和更新可能不足的中低收入国家。这种依赖还可能导致失业，并需要对医护人员进行大量再培训。.
此外，训练和使用这些人工智能模型的环境成本也令人担忧。众所周知，人工智能模型会增加碳排放和水资源消耗。另外，由于涉及高昂的资金成本，线性混合模型（LMM）的开发和部署主要集中在大型科技公司手中，这可能会巩固它们在该领域的权力和主导地位。.
获取资源方面的不平等
世界卫生组织提出了与医疗保健领域人工智能普及平等相关的问题。数字鸿沟和高昂的订阅费用可能会限制人们使用这些模型，加剧发达国家和发展中国家之间的健康不平等。此外，如果线性混合模型（LMM）使用有偏差的数据进行训练，则可能会在医疗保健系统中延续这些偏差。.
应对这些挑战需要构建必要的基础设施，并在公共和私营部门实施人工智能应用的相关法规。透明度、健全的数据治理和伦理考量至关重要。.
提供资助、共享云计算资源和开放数据集等举措可以极大地惠及中低收入国家，从而创造公平的竞争环境。.
国际组织可以促进知识转移，并支持各国获取本地数据，确保这些人工智能模型能够准确反映区域需求。让资源较少国家的利益相关者参与开发和管理新的低质量机器学习（LMM）技术，对于倡导包容性发展至关重要。.
最终，世界卫生组织承认，人工智能在医疗保健领域造成一些损害是不可避免的。因此，该组织提供的指导意见包括关于责任机制的建议，并呼吁建立赔偿机制，以应对患者因人工智能而遭受的损害。建立明确的责任规范和强有力的监管对于确保受人工智能技术负面影响的个人获得充分的赔偿和法律救济至关重要。.
