Redian新闻
>
史上AI最高分!谷歌大模型创美国医师执照试题新纪录,科学常识水平媲美人类医生

史上AI最高分!谷歌大模型创美国医师执照试题新纪录,科学常识水平媲美人类医生

科技
杨净 羿阁 发自 凹非寺
量子位 | 公众号 QbitAI

史上AI最高分,谷歌新模型刚刚通过美国医师执照试题验证!

而且在科学常识、理解、检索和推理能力等任务中,直接与人类医生水平相匹敌。在一些临床问答表现中,最高超原SOTA模型17%以上。


此进展一出,瞬间引爆学界热议,不少业内人士感叹:终于,它来了。

广大网友在看完Med-PaLM与人类医生的对比后,则是纷纷表示已经在期待AI医生上岗了。

还有人调侃这个时间点的精准,恰逢大家都以为谷歌会因ChatGPT而“死”之际。

来看看这到底是一个什么样的研究?

史上AI最高分

由于医疗的专业性,今天的AI模型在该领域的应用很大程度上没有充分运用语言。这些模型虽然有用,但存在聚焦单任务系统(如分类、回归、分割等)、缺乏表现力和互动能力等问题。

大模型的突破给AI+医疗带来了新的可能性,但由于该领域的特殊性,仍需考虑潜在的危害,比如提供虚假医疗信息。

基于这样的背景,谷歌研究院和DeepMind团队以医疗问答为研究对象,做出了以下贡献:

  • 提出了一个医学问答基准MultiMedQA,包括医学考试、医学研究和消费者医学问题;

  • 在MultiMedQA上评估了PaLM及微调变体Flan-PaLM

  • 提出了指令提示x调整,让Flan-PaLM进一步与医学接轨,产生了Med-PaLM

他们认为「医疗问题的回答」这项任务很有挑战性,因为要提供高质量的答案,AI需要理解医学背景、回忆适当的医学知识,并对专家信息进行推理。

现有的评价基准往往局限于评估分类准确度或自然语言生成指标,而不能对实际临床应用中详细分析。

首先,团队提出了一个由7个医学问题问答数据集组成的基准。

包括6个现有数据集,其中还包括MedQA(USMLE,美国医师执照考试题),还引入了他们自己的新数据集HealthSearchQA,它由搜索过的健康问题组成。


这当中有关于医学考试、医学研究以及消费者医学问题等。

接着,团队用MultiMedQA评估了PaLM(5400亿参数)、以及指令微调后的变体Flan-PaLM。比如通过扩大任务数、模型大小和使用思维链数据的策略。

FLAN是谷歌研究院去年提出的一种微调语言网络,对模型进行微调使其更适用于通用NLP任务,使用指令调整来训练模型。

结果发现,Flan-PaLM在几个基准上达到了最优性能,比如MedQA、MedMCQA、PubMedQA和MMLU。尤其是MedQA(USMLE)数据集,表现超过了此前SOTA模型17%以上。

本项研究中,共考虑了三种不同规模的PaLM和Flan-PaLM模型变体:80亿参数、620亿参数以及5400亿参数。

不过Flan-PaLM仍存在一定的局限性,在处理消费者医学问题上表现效果不佳。

为了解决这一问题,让Flan-PaLM更适应医学领域,他们进行了指令提示调整,由此产生Med-PaLM模型。

示例:新生儿黄疸需要多长时间才能消失?

团队首先从MultiMedQA自由回答数据集(HealthSearchQA、MedicationQA、LiveQA)中随机抽取了一些例子。

然后让临床医生5人组提供示范性答案。这些临床医生分布于美国和英国,在初级保健、外科、内科和儿科方面具有专业经验。最终在HealthSearchQA、MedicationQA和LiveQA中留下了40个例子,用于指令提示调谐训练。

多个任务接近人类医生水平

为了验证Med-PaLM的最终效果,研究人员从上文提到的MultiMedQA中抽取了140个消费者医疗问题。

其中100个来自HealthSearchQA数据集,20个来自LiveQA数据集,20个来自MedicationQA数据集。

值得一提的是,这里面并不包含当初用于指令提示调整以生成Med-PaLM的问题。

他们让Flan-PaLM和Med-PaLM分别对这140个问题生成答案,又请来一组专业的临床医生作出回答。

以下图为例,当被问到“耳朵疼得厉害意味着什么”时,Med-PaLM不仅会一条条列出患者可能感染的疾病,还会建议如果有以下几种现象应该去就医。

耳部疼痛可能是几种潜在疾病的征兆,包括:中耳感染(中耳炎)、外耳感染(耳部感染)、耳垢嵌塞。也可能是更严重疾病的征兆,比如脑瘤或中风。

如果你有严重的耳朵疼痛,持续时间超过几天,或者有其他症状伴随耳朵疼痛,如头晕、发烧、面部无力或麻木,你应该去看医生进行评估。医生可以确定疼痛的原因,并提供适当的治疗。

就这样,研究人员将这三组答案匿名后交给9名分别来自美国、英国和印度的临床医生进行评估。

结果显示,在科学常识方面,Med-PaLM和人类医生的正确率都达到了92%以上,而Flan-PaLM对应的数字为61.9%。

在理解、检索和推理能力上,总体来说,Med-PaLM几乎达到了人类医生的水平,两者相差无几,而Flan-PaLM同样表现垫底。

在答案的完整性上,虽然Flan-PaLM的回答被认为漏掉了47.2%的重要信息,但Med-PaLM的回答有显著提升,只有15.1%的回答被认为缺失了信息,进一步拉近了与人类医生的距离。

不过,尽管遗漏信息较少,但更长的答案也意味着会增加引入不正确内容的风险,Med-PaLM的答案中不正确内容比例达到了18.7%,为三者中最高。

再考虑到答案可能产生的危害性,29.7%的Flan-PaLM回答被认为存在潜在的危害;Med-PaLM的这个数字下降到了5.9%,人类医生相对最低为5.7%。

除此之外,在医学人口统计学的偏见上,Med-PaLM的性能超过了人类医生,Med-PaLM的答案中存在偏见的情况仅有0.8%,相比之下,人类医生为1.4%,Flan-PaLM为7.9% 。

最后,研究人员还请来了5位非专业用户,来评估这三组答案的实用性。Flan-PaLM的答案只有60.6%被认为有帮助,Med-PaLM的数量增加到了80.3%,人类医生最高为91.1%。

总结上述所有评估可以看出,指令提示调整对性能的提升效果显著,在140个消费者医疗问题中,Med-PaLM的表现几乎追上了人类医生水平。

背后团队

本次论文的研究团队来自谷歌和DeepMind。

继去年谷歌健康被曝大规模裁员重组后,这可以说是他们在医疗领域推出一大力作。

连谷歌AI负责人Jeff Dean都出来站台,表示强烈推荐!

有业内人士看完后也称赞道:

临床知识是一个复杂的领域,往往没有一个明显的正确答案,而且还需要与病人进行对话。

这次谷歌DeepMind的新模型堪称LLM的完美应用。

值得一提的是,前段时间刚通过了美国医师执照考试另一个团队。

再往前数,今年涌现的PubMed GPT、DRAGON、Meta的Galactica等等一波大模型,屡屡在专业考试上创下新的记录。

医疗AI如此盛况,很难想象去年还一度唱衰的光景。当时谷歌与医疗AI相关的创新业务始终没有做起来。

去年6月还一度被美国媒体BI曝光正陷入重重危机之中,不得不大规模裁员重组。而在2018年11月谷歌健康部门刚成立时可谓风光无限。

也不只是谷歌,其他知名科技公司的医疗AI业务,也都曾经历过重组、收购的情况。

看完这次谷歌DeepMind发布的医疗大模型,你看好医疗AI的发展吗?

论文地址:
https://arxiv.org/abs/2212.13138

参考链接:
https://twitter.com/vivnat/status/1607609299894947841

「2022人工智能年度评选」榜单揭晓

最佳解决方案TOP10


点这里👇关注我,记得标星哦~

一键三连「分享」、「点赞」和「在看」

科技前沿进展日日相见 ~ 


微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
注意这几点零失败豆腐脑,你可能离吃上豆腐脑只差这么几步是谁在用大白肺吓唬我们?美国医师讲解“白肺”真相BB鸭 | 律师称情侣发520红包分手后不支持返还;腾讯视频回应封号问题;高德地图推出“心形路线”;京东发布商品标题新规发改委等部门关于发布《重点用能产品设备能效先进水平、节能水平和准入水平(2022年版)》的通知三个被误解最深的医学常识重大突破! 艾滋病被正式攻克! 三名HIV患者被治愈, 人类医学里程碑谷歌大模型团队并入DeepMind!誓要赶上ChatGPT进度「2022智源大模型创新论坛」报名招募|拾象朋友好消息!黑色星期五网上销售额将创下新纪录,预计将突破90亿美元安卓手机「跑」Stable Diffusion创新纪录,15秒内出图考过了医师执照的ChatGPT,没能考过德国高考...ChatGPT大战司法考试,无需微调一类试题达到人类水平!医学化学公务员试题都能答中国医师协会麻醉学医师分会2022年年会日程AI自动生成prompt媲美人类,网友:工程师刚被聘用,又要淘汰了惊世三姐妹【科技】医生要失业了?ChatGPT几乎通过了医师执照考试!哥伦比亚学院:您知道在美国拿按摩师执照的捷径吗?通过了美国医师考试的ChatGPT,会抢医生的饭碗吗?我在河边钓鱼 看见加国海洋渔业部的人围网抓三文鱼搞孵化喜报!艾滋病被正式攻克,连续三名HIV患者被治愈,人类医学里程碑中国2022年贸易顺差刷新纪录,人民币汇率表现强劲重返6.7关口上万人被裁,传绿卡停办!谷歌小年夜突袭,科技公司人人自危让大模型的训练和推理,比更快还更快!谷歌2022年终总结第四弹中山大学HCP Lab团队:AI解题新突破,神经网络推开数学推理大门ChatGPT通过美国医师考核!能代替医生看病吗?我们做了个有趣测试美国大学常规录取阶段(RD)攻略少吃点让你更年轻!首个随机对照试验显示,热量限制可减缓人类衰老速度超越CLIP!谷歌大脑多模态学习新作CLIPPO:仅从像素理解图像和语言契约和心魔,脏水和虐待-看佩尼两篇“梗概”有感安省2023中医师及针灸师执业考试现已开放报名!可选中文或英文进行考试佩罗西家老头挨揍的迷思,有没有“阴谋”的可能?估计会有人这么说各国医生处方大比拼,中国医生自愧不如!鹅乌最新:乌军创下新纪录,“世界第二军”底裤彻底被打烂史上AI最高分!谷歌大模型创美国医师执照试题新纪录,科学常识水平媲美人类医生 | GGView能与人类谈判、游戏水平媲美真人,Meta 是如何构建新人工智能 CICERO 的?
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。