全部商品分類
日前，Ｇｏｏｇｌｅ Ｒｅｓｅａｒｃｈ 和 Ｇｏｏｇｌｅ ＤｅｅｐＭｉｎｄ 的 ＡＩ 團隊開發了一款基于大語言模型的人工智能系統， ＡＭＩＥ（Ａｒｔｉｃｕｌａｔｅ Ｍｅｄｉｃａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｅｘｐｌｏｒｅｒ），針對診斷對話進行了優化。ＡＭＩＥ采用了一種強化學習算法中的「自我博弈」方法，可以在一個模擬環境中自我對弈，通過自動反饋機制，可在各種疾病、醫學專科和環境中進行擴展學習。ＡＭＩＥ已通過圖靈測試。該研究于 ２０２４ 年 １ 月 １１ 日發布在 ａｒＸｉｖ 預印平臺。
研究人員基于真實世界數據集訓練ＡＭＩＥ，這些數據集包括醫學推理、醫學總結和真實世界的臨床對話。但同時也面臨著挑戰，一方面，現有的真實世界數據往往無法捕捉到大量的醫療條件和場景，這阻礙了數據的可擴展性和全面性。另一方面，從真實世界對話記錄中獲得的數據往往是嘈雜的，包含含糊不清的語言（包括俚語、行話、幽默和諷刺）、中斷、不合語法的語句和不明確的引用。
為了解決這些局限性，研究人員設計了一個基于自演的模擬學習環境，讓聊天機器人訓練自己“對話”。該環境具有自動反饋機制，用于模擬醫療環境中的診斷性醫療對話，從而在多種醫療條件和環境中擴展ＡＭＩＥ的知識和能力。
研究人員利用現有的現實世界數據集（例如電子健康記錄和轉錄的醫療對話）對基礎 ＬＬＭ 進行了微調。為了進一步訓練模型，研究人員要求 ＬＬＭ 扮演患有特定病癥的人，以及富有同理心的臨床醫生，旨在了解患者的病史并設計潛在的診斷。
團隊設計了一個框架，來評估診斷對話的過程，包括病史采集、診斷準確性、管理推理、溝通技巧和同理心。通過一項隨機、雙盲交叉研究，以客觀結構化臨床檢查（ＯＳＣＥ）的方式與經過驗證的患者參與者進行基于文本的咨詢，將 ＡＭＩＥ 的表現與初級保健醫生（ＰＣＰ）的表現進行了比較。
該研究包括來自加拿大、英國和印度臨床提供者的 １４９ 個病例場景、２０ 個與 ＡＭＩＥ 進行比較的初級保健醫生（ＰＣＰ），以及專科醫生和患者參與者的評估。研究人員觀察到ＡＭＩＥ在模擬診斷對話中的表現至少與初級保健醫生不相上下。根據專科醫生的說法，ＡＭＩＥ的診斷準確性更高，在３２個指標中的２８個指標上表現更優。根據參與研究的患者的說法，ＡＭＩＥ在２６個指標中的２４個指標上表現更優，包括禮貌、解釋病情和治療、給人誠實的印象以及表達關心和承諾等。
ＡＭＩＥ表現出了充分的潛力，但目前該工具仍處于純粹的實驗階段，還沒有在真正的患者身上進行過測試。該團隊在論文里也注明了該工具的局限性，應謹慎使用。
論文的合著者 Ａｌａｎ Ｋａｒｔｈｉｋｅｓａｌｉｎｇａｍ 表示，下一步是進行更詳細的研究，從而評估潛在的偏見，并確保該系統對不同人群是公平的。Ｇｏｏｇｌｅ 團隊也在研究對臨床醫療問題系統測試的道德要求。未來還有許多重要的限制因素需要解決，包括在真實世界限制條件下的實驗表現，以及對健康公平與公正、隱私、穩健性等重要主題的專門探索，以確保技術的安全性和可靠性。
注：文章來源于大健康派，如有侵權，請聯系刪除
