GE医疗已选择亚马逊云科技作为其战略云服务合作伙伴，致力于推出全新的定制化基础模型，加速创新医疗应用快速开发。

GE医疗将利用亚马逊云科技的机器学习和生成式AI技术，训练和部署临床基础模型，助力医疗服务提供商优化临床和运营流程，进而提升护理服务质量。

北京2024年8月29日 /美通社/ -- 近日，GE医疗（通用电气医疗集团）宣布与亚马逊云科技达成战略合作伙伴关系，携手打造针对医疗领域定制的基础模型和生成式人工智能（AI）应用，旨在帮助临床医生提高医疗诊断和患者护理水平。GE医疗选择亚马逊云科技作为其战略云服务提供商，并计划借助亚马逊云科技的医疗健康和生成式AI服务构建并实施新型、多功能的基础模型，以推动技术革新以及医疗行业的未来转型。这些基于生成式AI的工作流程旨在加速创新成果交付、简化医疗运营流程、提高诊断与筛查的准确性、优化治疗效果并降低就医门槛、促进公平医疗，从而减轻医护人员的工作负担，加快行业创新步伐。

"一个多世纪以来，GE医疗作为医疗技术革新的先行者，产品已惠及全球超过十亿患者。我们在提高护理质量方面发挥着重要作用。同时，GE医疗肩负着不断探索、突破极限的责任与使命，致力于推动精准医疗的发展。"GE医疗总裁兼首席执行官Peter Arduini表示。"与亚马逊云科技的合作将使我们能够在传统创新的基础上，借助AI的强大潜力加速医疗技术的创新。我们预计这些技术将重新定义临床工作流程和护理服务。"

GE医疗计划借助Amazon Bedrock创建并部署定制化的生成式AI应用，进一步扩大生成式AI为客户带来的优势。Amazon Bedrock是亚马逊云科技一项全面托管的服务，用户可轻松地访问多种行业领先大语言模型。借助Amazon Bedrock的企业级安全性和隐私性以及广泛的行业领先基础模型选择，GE医疗计划构建并扩展其专有的生成式AI应用，以应对医疗健康领域的各种场景，旨在提升效率、护理服务交付以及患者体验。

"借助亚马逊云科技的力量，GE医疗致力于通过云技术提供更加定制化、智能化和高效的医疗服务，"亚马逊云科技首席执行官Matt Garman表示。"GE医疗正将生成式AI作为创新驱动力，我们在医疗健康特定云服务和生成式AI功能方面的投资加速了这一创新，同时确保了行业领先的安全性、数据隐私保护，以及对于最新前沿基础模型地便捷访问。选择亚马逊云科技作为战略云服务提供商，GE医疗能够为医疗健康行业打造具有变革意义的临床基础模型与应用。"

GE医疗的内部开发团队正在筹备使用Amazon Q Developer，这是一款由AI驱动的生成式编程助手，通过实时地生成代码建议和推荐，帮助开发者更快、更安全地构建应用程序。此外，GE医疗计划利用Amazon Q Business深入分析临床与运营数据的多维度交叉点，以减轻专业人员的工作负担，进而推进个性化医疗服务并提升运营效率。通过借助亚马逊云科技的生成式AI技术，GE医疗预计将临床应用的开发周期从数年缩短到数月，并加速创新医疗解决方案的交付。

"通过将生成式AI与我们深厚的行业经验相融合，我们正在开启医疗健康领域的新纪元。"GE医疗全球首席科技官Taha Kass-Hout博士表示："与亚马逊云科技的合作，标志着我们在协助临床医生简化医疗流程、提升效率、实现深度个性化服务方面迈出了重要一步。这一合作旨在通过每一个创新解决方案，逐步提升全球范围内的护理水平。"

此外，GE医疗计划借助Amazon SageMaker开发的基础模型来升级其应用套件。Amazon SageMaker是亚马逊云科技一项全面托管服务，用于构建、训练和部署机器学习（ML）模型。通过开发专门针对医疗场景的基础模型，GE医疗旨在加速基于网络的医疗影像应用的开发和部署，并通过整合这些基础模型来提升效率、互操作性和改善用户体验。用户可以使用GE医疗的生成式AI应用程序，这些应用程序将与Amazon HealthLake和Amazon HealthImaging深度集成，从而能够快速、安全地分析各种类型的患者数据，提高临床效率并改善患者护理质量。

医疗健康行业所产生的数据约占全球数据总量的30%，但其中高达97%的数据因非结构化特性而未能得到充分利用。本次亚马逊云科技与GE医疗的合作将致力于开发多模态基础模型，针对海量非结构化医疗数据进行深入分析，包括病历、报告和影像等，为多样化的医疗健康应用提供精准且具有高度适应性的分析结果。与传统机器学习模型相比，这些新模型能够同时处理并解读涉及多种疾病和医疗任务的数据，从而为临床决策提供更加灵活的支持。

长期以来，GE医疗一直致力于AI领域的投入与发展。在美国食品和药物管理局（FDA）的AI设备授权名录上，GE医疗已连续三年位居首位，共计获得72项授权。GE医疗近期在基础模型领域的研究成果之一，是一个专注于高级超声图像分割工具的项目。借助基础模型技术，该研究工具在解剖结构的分离与识别上展现出了卓越的精确性，准确率超过90%，且几乎无需人工干预。该工具的显著优势在于其出色的泛化能力，能够精确地分割多种解剖结构，包括胎儿头部和乳房中的病变区域，而这些结构并未包含在其基础模型的原始训练数据中。这一突破性功能展现了该模型在应用上的广泛潜力，远超其初始训练设定的范畴。