谷歌DeepMind打造基于人工智能的医疗问诊对话工具AMIE

GETTY IMAGES/ALAMY

医疗保健系统的紧张可能会影响患者的就诊，无论是理解充满行话的诊断，还是决定下一步去看哪些专家。同样，医生的日程安排往往很紧张，很难为所有患者提供个性化的护理 —— 并且，这些问题只会在医生和医疗基础设施有限的地区加剧。

自十多年前IBM的Watson首次亮相以来，将人工智能引入医生办公室以缓解这些问题是研究人员一直在努力实现的梦想，但实现这些目标的进展缓慢。现在，包括ChatGPT在内的大型语言模型（LLM）可能有潜力重振该雄心。

谷歌DeepMind背后的团队在1月11日发表在arXiv上的一篇预印本论文（https://arxiv.org/abs/2401.05654）中提出了一种名为AMIE（Articulate Medical Intelligence Explorer）的新人工智能模型。该模型可以从患者那里获取信息，并在健康访问咨询中提供对医疗状况的明确解释。

Vivek Natarajan是谷歌的人工智能研究员，也是最近这篇论文的主要作者。他说，虽然AMIE不是为了取代人类医生而设计的，但他相信类似的人工智能可以在帮助医生和患者方面发挥作用。

Natarajan说：“在某些情况下，人们可能会从与AMIE等系统的互动中受益，这可以成为他们临床诊断过程的一部分或补充。通过更好地了解症状和情况，以及用当地方言简化解释……或可使其作为有价值的第二意见。”

Thomas Thesen是达特茅斯盖塞尔医学院的医学教育副教授，他创建了AI Patient Actor应用程序，帮助医学生培训不同的患者场景。虽然他认为人工智能将在医疗保健中发挥越来越大的作用，但他不认为它会取代人类医生的专业知识。

Thesen说：“我认为，未来十年，人工智能将通过简化医生的工作和为某些有限的诊断过程做出贡献来越来越多地支持医生。然而，训练有素的医生的专家判断对最终诊断和治疗计划仍然至关重要。”

为了提高AMIE的速度，Natarajan和同事们开始向人工智能提供真实世界的医学文本，包括近10万次真实医患对话的记录、65份临床医生撰写的重症监护室医疗笔记摘要，以及数千道来自美国医学执照考试的医学推理题。

然而，Natarajan说，仅凭这些数据不足以使AMIE取得成功，特别是因为这些数据往往只捕捉到了潜在医疗场景的一小部分。为了填补这些空白，该团队还使用了一个模拟诊断环境，使AMIE能够通过两个不同的“self-play”循环从自己的错误中进行学习。

Natarajan说：“该环境包括两个自循环 —— 一个是‘内部’自循环，AMIE利用上下文评论的反馈来完善其在与人工智能患者模拟器的模拟对话中的行为；另一个是“外部”自循环。由此产生的新版AMIE可以再次参与内部循环，创造一个良性的持续学习循环。”

虽然Natarajan强调，在医学领域，没有什么可以替代真实的人类经验，但这种培训模式确实在某些方面比人类医生更具优势。例如，一名人类医生在其职业生涯中可能只看了10000名患者，但AMIE可以在几个训练周期内即“看完”那么多患者。

Natarajan说：“这反过来可能为医学人工智能提供一条实现超人诊断性能的途径。”

为了了解AMIE与人类医生的对比情况，Natarajan及其同事在一项盲随机对照试验中，将其与20名人类初级保健提供者进行了对比，以咨询加拿大、印度和英国的参与患者。通过实时短信进行了149次不同的咨询，并由患者和人类专家进行了评估。

整个过程使用了几个因素进行测量，包括感知的同理心、开放性和诚实性、诊断准确性和管理规划。参与患者和专家都认为，与人类同行相比，AMIE实现了“更高的诊断准确性和卓越的性能”。然而，这些结果并不一定像听起来那么黑白分明。

首先，这些咨询是使用通常用于与LLM沟通的实时、基于文本的聊天类型完成的。然而，这种形式与人类医生习惯的面对面互动类型非常不同，这可能为AMIE提供了优势。研究小组发现，AMIE也倾向于比人类医生写更长的回复，他们认为这可能被患者解释为更耗时，因此更具思考力和同理心。

Natarajan说，展望未来，他和同事们有兴趣扩大AMIE的能力，将视频聊天等多模式来源包括在内。该团队还将研究公平、公正和对抗性测试的问题，以更好地为AMIE应对现实世界做好准备。

至于预期AMIE到来的人类医生，Thesen说，重要的是他们要积极准备这项技术如何改变医学。

“医学院有责任将人工智能知识纳入他们的课程，”Thesen说，“这包括理解伦理含义，以确保随着人工智能更多地融入临床实践，未来的医生能够负责任地使用它，并保护患者的健康。”