AI 在醫(yī)療領(lǐng)域發(fā)光：谷歌 DeepMind 全新診斷對話式系統(tǒng) AMIE 通過圖靈測試，比初級保健醫(yī)生更準(zhǔn)

  我們需要研發(fā)對人類有益 AGI 的原因之一：

  “我妻子的身體 5 年來經(jīng)歷了種種痛苦，最終被檢查出一種叫肢體活動過度 Ehlers-Danlos 綜合征的遺傳病。現(xiàn)在的醫(yī)療體系是根據(jù)不同科室劃分，而這個遺傳病 hEDS 會影響人體各個系統(tǒng)和器官。大多醫(yī)生都只關(guān)注自己專業(yè)相關(guān)的癥狀，很難整體診斷。” OpenAI 聯(lián)創(chuàng) Greg Brockman 的一番話點明，當(dāng)前先進(jìn) AI 系統(tǒng)還需不斷演進(jìn)，有望破解人類醫(yī)學(xué)難題。

  這足以成為巨大游戲規(guī)則的改變者。眾所周知，醫(yī)患對話是醫(yī)學(xué)的基石。當(dāng)前醫(yī)學(xué)大模型已取得很大的進(jìn)展，以同理心回應(yīng)患者情緒，總結(jié)醫(yī)學(xué)摘要，根據(jù)臨床病史鑒別診斷病情等等。

  不過，若想研發(fā)一個與臨床醫(yī)生專業(yè)知識相當(dāng)?shù)?AI，并且擁有強大的對話診斷能力，是一個巨大的挑戰(zhàn)。如今，谷歌 DeepMind 研究團隊推出全新的醫(yī)學(xué)對話 AI——AMIE，竟通過了「圖靈測試」！

  具體來說，AMIE 采用了一種強化學(xué)習(xí)算法中「自我博弈」方法，可以在一個模擬環(huán)境中自我對弈，并通過自動反饋機制，可在各種疾病、醫(yī)學(xué)專科和環(huán)境中進(jìn)行擴展學(xué)習(xí)。

  在病人雙盲文本測試中，AMIE 在診斷呼吸系統(tǒng)和心血管疾病等疾病直接擊敗醫(yī)生，比初級保健醫(yī)生（PCP）更準(zhǔn)確。與此同時，AMIE 還表現(xiàn)出一致的同理心。論文稱，雖然在 AMIE 在臨床應(yīng)用之前還需要進(jìn)一步的研究，但代表著邁向?qū)υ捠皆\斷人工智能的一個里程碑。足見，谷歌最新研究暗示了 AI 驅(qū)動的診斷對話的未來。不久的將來，Greg 口中的 AGI 便會降臨。

  谷歌 AI 醫(yī)生通過圖靈測試，診斷對話 AI 里程碑

  除了開發(fā)和優(yōu)化用于診斷對話的人工智能系統(tǒng)外，如何評估此類系統(tǒng)也是難題。

  受現(xiàn)實世界中用于衡量會診質(zhì)量和臨床溝通技巧的工具的啟發(fā)，研究人員構(gòu)建了一個試驗性評估標(biāo)準(zhǔn)，按照病史采集、診斷準(zhǔn)確性、臨床管理、臨床溝通技巧、關(guān)系培養(yǎng)和移情等標(biāo)準(zhǔn)來評估診斷對話的過程。

  然后，研究人員設(shè)計了一項隨機、雙盲交叉研究，讓經(jīng)過驗證的患者與經(jīng)過認(rèn)證的初級保健醫(yī)生（PCP）或針對診斷對話進(jìn)行優(yōu)化的人工智能系統(tǒng)通過文字聊天的方式進(jìn)行互動。研究人員以客觀結(jié)構(gòu)化臨床考試（OSCE）的形式設(shè)置咨詢場景。

  OSCE 是現(xiàn)實世界中常用的實用評估方法，以標(biāo)準(zhǔn)化和客觀的方式考察臨床醫(yī)生的技能和能力。在典型的 OSCE 考試中，臨床醫(yī)生可能會輪流經(jīng)過多個工作場景，每個工作場景都模擬了真實的臨床場景。例如與標(biāo)準(zhǔn)化病人演員（經(jīng)過嚴(yán)格訓(xùn)練以模擬患有特定疾病的病人）進(jìn)行會診。

  會診是通過同步文本聊天工具進(jìn)行的，模仿的是當(dāng)今大多數(shù)使用 LLM 的消費者所熟悉的界面。研究人員在真實世界的數(shù)據(jù)集上訓(xùn)練 AMIE，這些數(shù)據(jù)集包括醫(yī)學(xué)推理、醫(yī)學(xué)總結(jié)和真實世界的臨床對話。使用通過被動收集和轉(zhuǎn)錄個人臨床訪問而開發(fā)的真實世界對話來訓(xùn)練 LLM 是可行的，但是，有兩個重大挑戰(zhàn)限制了它們在訓(xùn)練醫(yī)學(xué)對話 LLM 方面的有效性。

  首先，現(xiàn)有的真實世界數(shù)據(jù)往往無法捕捉到大量的醫(yī)療條件和場景，這阻礙了數(shù)據(jù)的可擴展性和全面性。其次，從真實世界對話記錄中獲得的數(shù)據(jù)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(shè)計了一個基于自演的模擬學(xué)習(xí)環(huán)境，該環(huán)境具有自動反饋機制，用于虛擬醫(yī)療環(huán)境中的診斷性醫(yī)療對話，使研究人員能夠在多種醫(yī)療條件和環(huán)境中擴展 AMIE 的知識和能力。除了所描述的真實世界數(shù)據(jù)的靜態(tài)語料庫之外，研究人員還利用該環(huán)境通過不斷變化的模擬對話集對 AMIE 進(jìn)行了反復(fù)微調(diào)。

  這一過程包括兩個自我循環(huán)：

1. 「內(nèi)部」自演循環(huán)，即 AMIE 利用上下文中批評者的反饋來完善其與人工智能患者模擬器進(jìn)行模擬對話的行為；
2. 「外部」自演循環(huán)，即完善的模擬對話集被納入后續(xù)的微調(diào)迭代中。

  由此產(chǎn)生的新版 AMIE 可以再次參與內(nèi)循環(huán)，形成良性的持續(xù)學(xué)習(xí)循環(huán)。此外，研究人員還采用了推理時間鏈策略（ inference time chain-of-reasoning strategy），使 AMIE 能夠根據(jù)當(dāng)前對話的情況逐步完善自己的回答，從而得出有理有據(jù)的答復(fù)。研究人員采用上述隨機方法測試了模擬患者（由專業(yè)的演員扮演）的問診表現(xiàn)，并與 20 名真實初級保健醫(yī)生的問診表現(xiàn)進(jìn)行了對比。

  在一項隨機、雙盲交叉研究中，研究人員從專科主治醫(yī)師和模擬患者的角度對 AMIE 和初級保健醫(yī)生進(jìn)行了評估，該研究包括來自加拿大、英國和印度 OSCE 提供者的 149 個病例場景，涉及各種專科和疾病。值得注意的是，研究人員的研究既不是為了模仿傳統(tǒng)的面對面 OSCE 評估，也不是為了模仿臨床醫(yī)生通常使用的文本、電子郵件、聊天或遠(yuǎn)程醫(yī)療方式。

  相反，研究人員的實驗反映了當(dāng)今消費者與 LLM 交互的最常見方式，這是人工智能系統(tǒng)參與遠(yuǎn)程診斷對話的潛在可擴展且熟悉的機制。

  在這種情況下，研究人員觀察到 AMIE 在模擬診斷對話中的表現(xiàn)至少與初級保健醫(yī)生不相上下。

  從?？漆t(yī)生的角度來看，AMIE 的診斷準(zhǔn)確性更高，在 32 個指標(biāo)中的 28 個指標(biāo)上表現(xiàn)更優(yōu)，從患者的角度來看，在 26 個指標(biāo)中的 24 個指標(biāo)上表現(xiàn)更優(yōu)。

  專家評定的 top-k 診斷準(zhǔn)確率。在 149 種情況下，AMIE 和初級保健醫(yī)生的頂 k 鑒別診斷 (DDx) 準(zhǔn)確率與基本真實診斷（a）和公認(rèn)鑒別診斷中列出的所有診斷（b）進(jìn)行比較。引導(dǎo)法（n=10,000）證實，經(jīng)過誤診率（FDR）校正后，AMIE 和 PCP DDx 準(zhǔn)確性之間的所有 top-k 差異均具有顯著性，p<0.05。

  在最近發(fā)布的一篇預(yù)發(fā)表論文中，研究人員評估了 AMIE 系統(tǒng)早期迭代版本單獨生成 DDx 或作為臨床醫(yī)生輔助工具的能力。二十名全科臨床醫(yī)生評估了 303 個來自《新英格蘭醫(yī)學(xué)雜志》（NEJM）臨床病理會議（CPC）的具有挑戰(zhàn)性的真實醫(yī)療病例。每份病例報告都由兩名臨床醫(yī)生進(jìn)行評估，他們被隨機分配了兩種輔助方式之一：

  1）搜索引擎和標(biāo)準(zhǔn)醫(yī)學(xué)資源的輔助，

  2）這些工具之外的 AMIE 輔助。

  AMIE 的獨立性能超過了無輔助臨床醫(yī)生（前 10 名的準(zhǔn)確率為 59.1%，醫(yī)生為 33.6%，P= 0.04）。比較兩個輔助研究方式，與沒有 AMIE 輔助的臨床醫(yī)生（24.6%，p<0.01）和使用搜索的臨床醫(yī)生（5.45%，p=0.02）相比，有 AMIE 輔助的臨床醫(yī)生的前 10 名準(zhǔn)確率更高。

  此外，與沒有 AMIE 輔助的臨床醫(yī)生相比，有 AMIE 輔助的臨床醫(yī)生得出的鑒別清單更全面。值得注意的是，NEJM CPCs 并不代表日常臨床實踐。它們是僅針對幾百人的不常見的病例報告，為探討公平或公正等重要問題提供的空間還比較有限。

  雖然人工智能在特定的臨床應(yīng)用中顯示出巨大的前景，但參與臨床實踐中的動態(tài)、對話式診斷過程需要許多人工智能系統(tǒng)尚未表現(xiàn)出的能力。醫(yī)生不僅要掌握知識和技能，還要恪守各種原則，包括安全和質(zhì)量、溝通、伙伴關(guān)系和團隊合作、信任和專業(yè)精神。

  在人工智能系統(tǒng)中實現(xiàn)這些特質(zhì)是一項鼓舞人心的挑戰(zhàn)，研究人員應(yīng)該以負(fù)責(zé)任的態(tài)度謹(jǐn)慎對待。AMIE 是研究人員對 「可能的藝術(shù)」的探索，它是一個研究性的系統(tǒng)，用于安全地探索未來的愿景，在這個愿景中，人工智能系統(tǒng)可能會更好地與受托為研究人員提供醫(yī)療服務(wù)的技術(shù)嫻熟的臨床醫(yī)生的特質(zhì)保持一致。

  它只是早期的實驗性工作，而不是產(chǎn)品，有一些局限性，研究人員認(rèn)為值得進(jìn)行嚴(yán)格而廣泛的進(jìn)一步科學(xué)研究，以展望未來，讓會話式、移情式和診斷式人工智能系統(tǒng)變得安全、有用和易用。

  研究人員的研究存在一些局限性，在解釋時應(yīng)保持適當(dāng)?shù)闹?jǐn)慎。

  首先，研究人員的評估技術(shù)很可能低估了人類對話在現(xiàn)實世界中的價值，因為研究人員研究中的臨床醫(yī)生僅限于使用一個陌生的文本聊天界面，該界面允許大規(guī)模的 LLM 患者互動，但并不代表通常的臨床實踐。

  其次，任何此類研究都必須被視為漫長旅程中的第一步探索。要從研究人員在本研究中評估的 LLM 研究原型過渡到可供人們和護理人員使用的安全、強大的工具，還需要進(jìn)行大量的額外研究。

  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(xiàn)，以及對健康公平與公正、隱私、穩(wěn)健性等重要主題的專門探索，以確保技術(shù)的安全性和可靠性。

  AI 或?qū)氐赘淖冡t(yī)學(xué)

  過去一年中大模型的發(fā)展，也讓許多人看到 AI 在醫(yī)學(xué)中的應(yīng)用潛力。谷歌便是這個垂類模型領(lǐng)域的典型代表。

  谷歌的 Med-PaLM 2 根據(jù) 14 項標(biāo)準(zhǔn)進(jìn)行了測試，結(jié)果發(fā)現(xiàn)可以達(dá)到醫(yī)學(xué)專家的水平。

  去年，一位 4 歲小男孩得了「怪病」，3 年來看了 17 位醫(yī)生，但他們都無法解釋疼痛的具體原因。直到小男孩母親注冊 ChatGPT 之后，將病情上傳，才終于得到了正確的診斷結(jié)果。

  近來，有網(wǎng)友發(fā)文表示，在 ChatGPT 幫助下，發(fā)現(xiàn)了女朋友的過敏反應(yīng)。

  “凌晨 4 點，她全身起了大面積的蕁麻疹，去醫(yī)院后醫(yī)生給她靜脈注射了皮質(zhì)類固醇，然后就好了。醫(yī)生說可能是防腐劑 / 保鮮劑 / 食品化學(xué)物質(zhì)引起的，但我們一直都吃得很干凈，怎么會這樣呢？”

  緊接著，他們把過去 24 小時內(nèi)吃的所有東西告訴 GPT-4，然后讓它對最可能的過敏原進(jìn)行排名。GPT-4 起初以為是巧克力里的榛子的原因，但后來網(wǎng)友突然想起昨天從超市買的肉，便從垃圾桶撿出來把它配料輸給 GPT-4。“配料：牛肉 (86%)、水、面包屑 (大米和玉米粉、淀粉、玉米、鹽、葡萄糖)、鹽、甜菜提取物、香料和芳香草藥、天然香氣和防腐劑 E223 (亞硫酸鹽)?！?/em>

  GPT-4 立即將亞硫酸鹽列為可能導(dǎo)致蕁麻疹的最主要過敏原，通過谷歌搜索，證實它會是蕁麻疹原因之一。最后發(fā)現(xiàn)，這與醫(yī)生所說的相符，很可能是食物防腐劑過敏。

  另外一位網(wǎng)友也分享了自己的心路歷程，以及利用 GPT 發(fā)現(xiàn)醫(yī)生們遺漏的病情聯(lián)系?！耙荒昵埃业纳眢w在與自己作戰(zhàn)，我的病情惡化速度之快超出了專家們的理解。然后，GPT 成為了我的 Copilot?！?

  現(xiàn)在，谷歌推出的 AMIE 系統(tǒng)再次引領(lǐng)了醫(yī)療 AI 革命。

  論文作者表示，「據(jù)我們所知，這是第一次為診斷對話和記錄臨床病史而設(shè)計的對話式人工智能系統(tǒng)」。

  AI 醫(yī)學(xué)，未來可期。