史上AI最高分！谷歌大模型創(chuàng)美國醫(yī)師執(zhí)照試題新紀(jì)錄，科學(xué)常識(shí)水平媲美人類醫(yī)生

羿閣 2022-12-28 14:06:00 來源：量子位

楊凈 羿閣 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

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(yàn)證！

而且在科學(xué)常識(shí)、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(jìn)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(duì)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(gè)時(shí)間點(diǎn)的精準(zhǔn)，恰逢大家都以為谷歌會(huì)因ChatGPT而“死”之際。

來看看這到底是一個(gè)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(yùn)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(dòng)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(tuán)隊(duì)以醫(yī)療問答為研究對(duì)象，做出了以下貢獻(xiàn)：

• 提出了一個(gè)醫(yī)學(xué)問答基準(zhǔn)MultiMedQA，包括醫(yī)學(xué)考試、醫(yī)學(xué)研究和消費(fèi)者醫(yī)學(xué)問題；
• 在MultiMedQA上評(píng)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(jìn)一步與醫(yī)學(xué)接軌，產(chǎn)生了Med-PaLM。

他們認(rèn)為「醫(yī)療問題的回答」這項(xiàng)任務(wù)很有挑戰(zhàn)性，因?yàn)橐峁└哔|(zhì)量的答案，AI需要理解醫(yī)學(xué)背景、回憶適當(dāng)?shù)尼t(yī)學(xué)知識(shí)，并對(duì)專家信息進(jìn)行推理。

現(xiàn)有的評(píng)價(jià)基準(zhǔn)往往局限于評(píng)估分類準(zhǔn)確度或自然語言生成指標(biāo)，而不能對(duì)實(shí)際臨床應(yīng)用中詳細(xì)分析。

首先，團(tuán)隊(duì)提出了一個(gè)由7個(gè)醫(yī)學(xué)問題問答數(shù)據(jù)集組成的基準(zhǔn)。

包括6個(gè)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(dāng)中有關(guān)于醫(yī)學(xué)考試、醫(yī)學(xué)研究以及消費(fèi)者醫(yī)學(xué)問題等。

接著，團(tuán)隊(duì)用MultiMedQA評(píng)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(kuò)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(duì)模型進(jìn)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(gè)基準(zhǔn)上達(dá)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(xiàng)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(fèi)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(jìn)行了指令提示調(diào)整，由此產(chǎn)生Med-PaLM模型。

△示例：新生兒黃疸需要多長時(shí)間才能消失？

團(tuán)隊(duì)首先從MultiMedQA自由回答數(shù)據(jù)集（HealthSearchQA、MedicationQA、LiveQA）中隨機(jī)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(jí)保健、外科、內(nèi)科和兒科方面具有專業(yè)經(jīng)驗(yàn)。最終在HealthSearchQA、MedicationQA和LiveQA中留下了40個(gè)例子，用于指令提示調(diào)諧訓(xùn)練。

多個(gè)任務(wù)接近人類醫(yī)生水平

為了驗(yàn)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(gè)消費(fèi)者醫(yī)療問題。

其中100個(gè)來自HealthSearchQA數(shù)據(jù)集，20個(gè)來自LiveQA數(shù)據(jù)集，20個(gè)來自MedicationQA數(shù)據(jù)集。

值得一提的是，這里面并不包含當(dāng)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(duì)這140個(gè)問題生成答案，又請(qǐng)來一組專業(yè)的臨床醫(yī)生作出回答。

以下圖為例，當(dāng)被問到“耳朵疼得厲害意味著什么”時(shí)，Med-PaLM不僅會(huì)一條條列出患者可能感染的疾病，還會(huì)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(yán)重疾病的征兆，比如腦瘤或中風(fēng)。

如果你有嚴(yán)重的耳朵疼痛，持續(xù)時(shí)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(jìn)行評(píng)估。醫(yī)生可以確定疼痛的原因，并提供適當(dāng)?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(jìn)行評(píng)估。

結(jié)果顯示，在科學(xué)常識(shí)方面，Med-PaLM和人類醫(yī)生的正確率都達(dá)到了92%以上，而Flan-PaLM對(duì)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(dá)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(rèn)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(rèn)為缺失了信息，進(jìn)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(huì)增加引入不正確內(nèi)容的風(fēng)險(xiǎn)，Med-PaLM的答案中不正確內(nèi)容比例達(dá)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(rèn)為存在潛在的危害；Med-PaLM的這個(gè)數(shù)字下降到了5.9%，人類醫(yī)生相對(duì)最低為5.7%。

除此之外，在醫(yī)學(xué)人口統(tǒng)計(jì)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(qǐng)來了5位非專業(yè)用戶，來評(píng)估這三組答案的實(shí)用性。Flan-PaLM的答案只有60.6%被認(rèn)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(píng)估可以看出，指令提示調(diào)整對(duì)性能的提升效果顯著，在140個(gè)消費(fèi)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(tuán)隊(duì)

本次論文的研究團(tuán)隊(duì)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(fù)責(zé)人Jeff Dean都出來站臺(tái)，表示強(qiáng)烈推薦！

有業(yè)內(nèi)人士看完后也稱贊道：

臨床知識(shí)是一個(gè)復(fù)雜的領(lǐng)域，往往沒有一個(gè)明顯的正確答案，而且還需要與病人進(jìn)行對(duì)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(shí)間剛通過了美國醫(yī)師執(zhí)照考試另一個(gè)團(tuán)隊(duì)。

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(dāng)時(shí)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(jī)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(shí)可謂風(fēng)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