史上 AI 最高分，谷歌新模型剛剛通過美國醫(yī)師執(zhí)照試題驗證！
而且在科學(xué)常識、理解、檢索和推理能力等任務(wù)中，直接與人類醫(yī)生水平相匹敵。在一些臨床問答表現(xiàn)中，最高超原 SOTA 模型 17% 以上。
此進展一出，瞬間引爆學(xué)界熱議，不少業(yè)內(nèi)人士感嘆：終于，它來了。
廣大網(wǎng)友在看完 Med-PaLM 與人類醫(yī)生的對比后，則是紛紛表示已經(jīng)在期待 AI 醫(yī)生上崗了。
還有人調(diào)侃這個時間點的精準，恰逢大家都以為谷歌會因 ChatGPT 而“死”之際。
來看看這到底是一個什么樣的研究？
史上 AI 最高分
由于醫(yī)療的專業(yè)性，今天的 AI 模型在該領(lǐng)域的應(yīng)用很大程度上沒有充分運用語言。這些模型雖然有用，但存在聚焦單任務(wù)系統(tǒng)（如分類、回歸、分割等）、缺乏表現(xiàn)力和互動能力等問題。
大模型的突破給 AI + 醫(yī)療帶來了新的可能性，但由于該領(lǐng)域的特殊性，仍需考慮潛在的危害，比如提供虛假醫(yī)療信息。
基于這樣的背景，谷歌研究院和 DeepMind 團隊以醫(yī)療問答為研究對象，做出了以下貢獻：
提出了一個醫(yī)學(xué)問答基準 MultiMedQA，包括醫(yī)學(xué)考試、醫(yī)學(xué)研究和消費者醫(yī)學(xué)問題；
在 MultiMedQA 上評估了 PaLM 及微調(diào)變體 Flan-PaLM；
提出了指令提示 x 調(diào)整，讓 Flan-PaLM 進一步與醫(yī)學(xué)接軌，產(chǎn)生了 Med-PaLM。
他們認為「醫(yī)療問題的回答」這項任務(wù)很有挑戰(zhàn)性，因為要提供高質(zhì)量的答案，AI 需要理解醫(yī)學(xué)背景、回憶適當?shù)尼t(yī)學(xué)知識，并對專家信息進行推理。
現(xiàn)有的評價基準往往局限于評估分類準確度或自然語言生成指標，而不能對實際臨床應(yīng)用中詳細分析。
首先，團隊提出了一個由 7 個醫(yī)學(xué)問題問答數(shù)據(jù)集組成的基準。
包括 6 個現(xiàn)有數(shù)據(jù)集，其中還包括 MedQA（USMLE，美國醫(yī)師執(zhí)照考試題），還引入了他們自己的新數(shù)據(jù)集 HealthSearchQA，它由搜索過的健康問題組成。
這當中有關(guān)于醫(yī)學(xué)考試、醫(yī)學(xué)研究以及消費者醫(yī)學(xué)問題等。
接著，團隊用 MultiMedQA 評估了 PaLM（5400 億參數(shù)）、以及指令微調(diào)后的變體 Flan-PaLM。比如通過擴大任務(wù)數(shù)、模型大小和使用思維鏈數(shù)據(jù)的策略。
FLAN 是谷歌研究院去年提出的一種微調(diào)語言網(wǎng)絡(luò)，對模型進行微調(diào)使其更適用于通用 NLP 任務(wù)，使用指令調(diào)整來訓(xùn)練模型。
結(jié)果發(fā)現(xiàn)，F(xiàn)lan-PaLM 在幾個基準上達到了最優(yōu)性能，比如 MedQA、MedMCQA、PubMedQA 和 MMLU。尤其是 MedQA（USMLE）數(shù)據(jù)集，表現(xiàn)超過了此前 SOTA 模型 17% 以上。
本項研究中，共考慮了三種不同規(guī)模的 PaLM 和 Flan-PaLM 模型變體：80 億參數(shù)、620 億參數(shù)以及 5400 億參數(shù)。
不過 Flan-PaLM 仍存在一定的局限性，在處理消費者醫(yī)學(xué)問題上表現(xiàn)效果不佳。
為了解決這一問題，讓 Flan-PaLM 更適應(yīng)醫(yī)學(xué)領(lǐng)域，他們進行了指令提示調(diào)整，由此產(chǎn)生 Med-PaLM 模型。
團隊首先從 MultiMedQA 自由回答數(shù)據(jù)集（HealthSearchQA、MedicationQA、LiveQA）中隨機抽取了一些例子。
然后讓臨床醫(yī)生 5 人組提供示范性答案。這些臨床醫(yī)生分布于美國和英國，在初級保健、外科、內(nèi)科和兒科方面具有專業(yè)經(jīng)驗。最終在 HealthSearchQA、MedicationQA 和 LiveQA 中留下了 40 個例子，用于指令提示調(diào)諧訓(xùn)練。
多個任務(wù)接近人類醫(yī)生水平
為了驗證 Med-PaLM 的最終效果，研究人員從上文提到的 MultiMedQA 中抽取了 140 個消費者醫(yī)療問題。
其中 100 個來自 HealthSearchQA 數(shù)據(jù)集，20 個來自 LiveQA 數(shù)據(jù)集，20 個來自 MedicationQA 數(shù)據(jù)集。
值得一提的是，這里面并不包含當初用于指令提示調(diào)整以生成 Med-PaLM 的問題。
他們讓 Flan-PaLM 和 Med-PaLM 分別對這 140 個問題生成答案，又請來一組專業(yè)的臨床醫(yī)生作出回答。
以下圖為例，當被問到“耳朵疼得厲害意味著什么”時，Med-PaLM 不僅會一條條列出患者可能感染的疾病，還會建議如果有以下幾種現(xiàn)象應(yīng)該去就醫(yī)。
耳部疼痛可能是幾種潛在疾病的征兆，包括：中耳感染 (中耳炎)、外耳感染 (耳部感染)、耳垢嵌塞。也可能是更嚴重疾病的征兆，比如腦瘤或中風。
如果你有嚴重的耳朵疼痛，持續(xù)時間超過幾天，或者有其他癥狀伴隨耳朵疼痛，如頭暈、發(fā)燒、面部無力或麻木，你應(yīng)該去看醫(yī)生進行評估。醫(yī)生可以確定疼痛的原因，并提供適當?shù)闹委煛?/p>
就這樣，研究人員將這三組答案匿名后交給 9 名分別來自美國、英國和印度的臨床醫(yī)生進行評估。
結(jié)果顯示，在科學(xué)常識方面，Med-PaLM 和人類醫(yī)生的正確率都達到了 92% 以上，而 Flan-PaLM 對應(yīng)的數(shù)字為 61.9%。
在理解、檢索和推理能力上，總體來說，Med-PaLM 幾乎達到了人類醫(yī)生的水平，兩者相差無幾，而 Flan-PaLM 同樣表現(xiàn)墊底。
在答案的完整性上，雖然 Flan-PaLM 的回答被認為漏掉了 47.2% 的重要信息，但 Med-PaLM 的回答有顯著提升，只有 15.1% 的回答被認為缺失了信息，進一步拉近了與人類醫(yī)生的距離。
不過，盡管遺漏信息較少，但更長的答案也意味著會增加引入不正確內(nèi)容的風險，Med-PaLM 的答案中不正確內(nèi)容比例達到了 18.7%，為三者中最高。
再考慮到答案可能產(chǎn)生的危害性，29.7% 的 Flan-PaLM 回答被認為存在潛在的危害；Med-PaLM 的這個數(shù)字下降到了 5.9%，人類醫(yī)生相對最低為 5.7%。
除此之外，在醫(yī)學(xué)人口統(tǒng)計學(xué)的偏見上，Med-PaLM 的性能超過了人類醫(yī)生，Med-PaLM 的答案中存在偏見的情況僅有 0.8%，相比之下，人類醫(yī)生為 1.4%，F(xiàn)lan-PaLM 為 7.9% 。
最后，研究人員還請來了 5 位非專業(yè)用戶，來評估這三組答案的實用性。Flan-PaLM 的答案只有 60.6% 被認為有幫助，Med-PaLM 的數(shù)量增加到了 80.3%，人類醫(yī)生最高為 91.1%。
總結(jié)上述所有評估可以看出，指令提示調(diào)整對性能的提升效果顯著，在 140 個消費者醫(yī)療問題中，Med-PaLM 的表現(xiàn)幾乎追上了人類醫(yī)生水平。
背后團隊
本次論文的研究團隊來自谷歌和 DeepMind。
繼去年谷歌健康被曝大規(guī)模裁員重組后，這可以說是他們在醫(yī)療領(lǐng)域推出一大力作。
連谷歌 AI 負責人 Jeff Dean 都出來站臺，表示強烈推薦！
有業(yè)內(nèi)人士看完后也稱贊道：
臨床知識是一個復(fù)雜的領(lǐng)域，往往沒有一個明顯的正確答案，而且還需要與病人進行對話。
這次谷歌 DeepMind 的新模型堪稱 LLM 的完美應(yīng)用。
值得一提的是，前段時間剛通過了美國醫(yī)師執(zhí)照考試另一個團隊。
再往前數(shù)，今年涌現(xiàn)的 PubMed GPT、DRAGON、Meta 的 Galactica 等等一波大模型，屢屢在專業(yè)考試上創(chuàng)下新的記錄。
醫(yī)療 AI 如此盛況，很難想象去年還一度唱衰的光景。當時谷歌與醫(yī)療 AI 相關(guān)的創(chuàng)新業(yè)務(wù)始終沒有做起來。
去年 6 月還一度被美國媒體 BI 曝光正陷入重重危機之中，不得不大規(guī)模裁員重組。而在 2018 年 11 月谷歌健康部門剛成立時可謂風光無限。
也不只是谷歌，其他知名科技公司的醫(yī)療 AI 業(yè)務(wù)，也都曾經(jīng)歷過重組、收購的情況。
看完這次谷歌 DeepMind 發(fā)布的醫(yī)療大模型，你看好醫(yī)療 AI 的發(fā)展嗎？
論文地址：
https://arxiv.org/abs/2212.13138
參考鏈接：
https://twitter.com/vivnat/status/1607609299894947841
本文來自微信公眾號：量子位 （ID：QbitAI），作者：楊凈 羿閣
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。