醫(yī)生與患者之間的對話是確診病情、建立有效治療方案的關鍵所在。然而，現(xiàn)實中并不是所有人都能享受豐厚的醫(yī)療資源與醫(yī)生進行深度咨詢。

　　為了解決這一困境，谷歌的研究人員推出了專門用于醫(yī)療咨詢的大語言模型AMIE(Articulate Medical IntelligenceExplorer)。

　　AMIE利用一種新穎的自我對話模擬環(huán)境，并結合自動反饋機制，以跨不同疾病狀況、專業(yè)領域和情境進行學習。

　　研究人員將AMIE與20名初級保健醫(yī)生在149個臨床案例中進行了評估，結果顯示，AMIE在診斷準確率和交流水平等多個方面優(yōu)于醫(yī)生。

　　模擬對話環(huán)境

　　AMIE是基于谷歌的PaLM 2模型開發(fā)而成。為了使AMIE適應不同專科的醫(yī)生和病例,研究人員采用獨創(chuàng)的“模擬病人對話環(huán)境”進行訓練、微調。

　　可以根據(jù)網(wǎng)絡搜索結果自動生成各類病例數(shù)據(jù),并由AMIE在里面通過輪流學習與模擬病人對話,不斷改進自身能力。

　　研發(fā)團隊從三個醫(yī)學數(shù)據(jù)庫中隨機選擇疾病情況,通過網(wǎng)絡搜索結果生成各類病例描述。隨后由AMIE分別扮演患者和醫(yī)生,在第三方評價機制監(jiān)督下開展對話。

　　環(huán)境中設有患者模板代理、醫(yī)生模板代理以及評價模板代理三個角色。患者代理根據(jù)提供的病例描述進行回答;醫(yī)生代理提出問題分析病情;評價代理會根據(jù)對話質量給予反饋,幫助醫(yī)生代理逐步改進交流表現(xiàn)。

　　這套模擬環(huán)境可以自動生成大量規(guī)模醫(yī)療對話,彌補真實醫(yī)患交流數(shù)據(jù)匱乏的缺點,有效擴大了AMIE的學習范圍。

　　自我學習循環(huán)

　　研究人員設計了內(nèi)外兩層循環(huán)機制，幫助AMIE實現(xiàn)自我學習。內(nèi)循環(huán)中,AMIE會根據(jù)評價反饋不斷改進模擬對話效果;外循環(huán)中,收集模擬對話增強AMIE的后續(xù)訓練,建立自我細化循環(huán)。

　　隨著訓練不斷進行,AMIE的交互能力將日益提升;同時通過外循環(huán)學習,其醫(yī)療知識面也將不斷擴充,適應更多醫(yī)療情景。

　　鏈式推理策略

　　在真實的醫(yī)療對話過程中,AMIE采用了三步鏈式推理策略。第一步,根據(jù)對話歷史總結患者癥狀并提出初步診斷假設;第二步,在此基礎上定制回復方案和下一步問診目標,旨在進一步確定診斷;

　　第三步,檢查回復是否流暢準確,避免重重復問和錯誤信息,進行必要修訂、糾錯。研究人員認為，AMIE通過鏈式思考方式連續(xù)優(yōu)化,相對于單次回復能實現(xiàn)更高的診斷準確率。

　　測試數(shù)據(jù)

　　為了評估AMIE的性能，研究人員設計并進行了一項帶有驗證的遠程客觀結構化臨床考試。通過文本界面，AMIE與經(jīng)過驗證的模擬患者或初級保健醫(yī)生進行互動交流。

　　一共涉及149個臨床案例，20名初級保健醫(yī)生與AMIE進行比較，并由專業(yè)醫(yī)生和患者進行評估。

　　結果顯示，根據(jù)專科醫(yī)生的評估，AMIE在診斷準確性和32個評估維度中有28個優(yōu)于初級保健醫(yī)生;而根據(jù)患者的評估，AMIE在26個評估維度中有24個維度表現(xiàn)出更好的診斷結果。