史上AI最高分！谷歌大模型創美國醫師執照試題新紀錄，科學常識水平媲美人類醫生

楊淨 羿閣 發自 凹非寺
量子位 | 公眾號 QbitAI

史上AI最高分，谷歌新模型剛剛透過美國醫師執照試題驗證！

而且在科學常識、理解、檢索和推理能力等任務中，直接與人類醫生水平相匹敵。在一些臨床問答表現中，最高超原SOTA模型17%以上。

此進展一出，瞬間引爆學界熱議，不少業內人士感嘆：終於，它來了。

廣大網友在看完Med-PaLM與人類醫生的對比後，則是紛紛表示已經在期待AI醫生上崗了。

還有人調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麼樣的研究？

史上AI最高分

由於醫療的專業性，今天的AI模型在該領域的應用很大程度上沒有充分運用語言。這些模型雖然有用，但存在聚焦單任務系統（如分類、迴歸、分割等）、缺乏表現力和互動能力等問題。

大模型的突破給AI+醫療帶來了新的可能性，但由於該領域的特殊性，仍需考慮潛在的危害，比如提供虛假醫療資訊。

基於這樣的背景，谷歌研究院和DeepMind團隊以醫療問答為研究物件，做出了以下貢獻：

• 提出了一個醫學問答基準MultiMedQA，包括醫學考試、醫學研究和消費者醫學問題；

• 在MultiMedQA上評估了PaLM及微調變體Flan-PaLM；

• 提出了指令提示x調整，讓Flan-PaLM進一步與醫學接軌，產生了Med-PaLM。

他們認為「醫療問題的回答」這項任務很有挑戰性，因為要提供高質量的答案，AI需要理解醫學背景、回憶適當的醫學知識，並對專家資訊進行推理。

現有的評價基準往往侷限於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用中詳細分析。

首先，團隊提出了一個由7個醫學問題問答資料集組成的基準。

包括6個現有資料集，其中還包括MedQA（USMLE，美國醫師執照考試題），還引入了他們自己的新資料集HealthSearchQA，它由搜尋過的健康問題組成。

這當中有關於醫學考試、醫學研究以及消費者醫學問題等。

接著，團隊用MultiMedQA評估了PaLM（5400億引數）、以及指令微調後的變體Flan-PaLM。比如透過擴大任務數、模型大小和使用思維鏈資料的策略。

FLAN是谷歌研究院去年提出的一種微調語言網路，對模型進行微調使其更適用於通用NLP任務，使用指令調整來訓練模型。

結果發現，Flan-PaLM在幾個基準上達到了最優效能，比如MedQA、MedMCQA、PubMedQA和MMLU。尤其是MedQA（USMLE）資料集，表現超過了此前SOTA模型17%以上。

本項研究中，共考慮了三種不同規模的PaLM和Flan-PaLM模型變體：80億引數、620億引數以及5400億引數。

不過Flan-PaLM仍存在一定的侷限性，在處理消費者醫學問題上表現效果不佳。

為了解決這一問題，讓Flan-PaLM更適應醫學領域，他們進行了指令提示調整，由此產生Med-PaLM模型。

△示例：新生兒黃疸需要多長時間才能消失？

團隊首先從MultiMedQA自由回答資料集（HealthSearchQA、MedicationQA、LiveQA）中隨機抽取了一些例子。

然後讓臨床醫生5人組提供示範性答案。這些臨床醫生分佈於美國和英國，在初級保健、外科、內科和兒科方面具有專業經驗。最終在HealthSearchQA、MedicationQA和LiveQA中留下了40個例子，用於指令提示調諧訓練。

多個任務接近人類醫生水平

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個消費者醫療問題。

其中100個來自HealthSearchQA資料集，20個來自LiveQA資料集，20個來自MedicationQA資料集。

值得一提的是，這裡面並不包含當初用於指令提示調整以生成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，又請來一組專業的臨床醫生作出回答。

以下圖為例，當被問到“耳朵疼得厲害意味著什麼”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象應該去就醫。

耳部疼痛可能是幾種潛在疾病的徵兆，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徵兆，比如腦瘤或中風。

如果你有嚴重的耳朵疼痛，持續時間超過幾天，或者有其他症狀伴隨耳朵疼痛，如頭暈、發燒、面部無力或麻木，你應該去看醫生進行評估。醫生可以確定疼痛的原因，並提供適當的治療。

就這樣，研究人員將這三組答案匿名後交給9名分別來自美國、英國和印度的臨床醫生進行評估。

結果顯示，在科學常識方面，Med-PaLM和人類醫生的正確率都達到了92%以上，而Flan-PaLM對應的數字為61.9%。

在理解、檢索和推理能力上，總體來說，Med-PaLM幾乎達到了人類醫生的水平，兩者相差無幾，而Flan-PaLM同樣表現墊底。

在答案的完整性上，雖然Flan-PaLM的回答被認為漏掉了47.2%的重要資訊，但Med-PaLM的回答有顯著提升，只有15.1%的回答被認為缺失了資訊，進一步拉近了與人類醫生的距離。

不過，儘管遺漏資訊較少，但更長的答案也意味著會增加引入不正確內容的風險，Med-PaLM的答案中不正確內容比例達到了18.7%，為三者中最高。

再考慮到答案可能產生的危害性，29.7%的Flan-PaLM回答被認為存在潛在的危害；Med-PaLM的這個數字下降到了5.9%，人類醫生相對最低為5.7%。

除此之外，在醫學人口統計學的偏見上，Med-PaLM的效能超過了人類醫生，Med-PaLM的答案中存在偏見的情況僅有0.8%，相比之下，人類醫生為1.4%，Flan-PaLM為7.9% 。

最後，研究人員還請來了5位非專業使用者，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的數量增加到了80.3%，人類醫生最高為91.1%。

總結上述所有評估可以看出，指令提示調整對效能的提升效果顯著，在140個消費者醫療問題中，Med-PaLM的表現幾乎追上了人類醫生水平。

背後團隊

本次論文的研究團隊來自谷歌和DeepMind。

繼去年穀歌健康被曝大規模裁員重組後，這可以說是他們在醫療領域推出一大力作。

連谷歌AI負責人Jeff Dean都出來站臺，表示強烈推薦！

有業內人士看完後也稱讚道：

臨床知識是一個複雜的領域，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的完美應用。

值得一提的是，前段時間剛透過了美國醫師執照考試另一個團隊。

再往前數，今年湧現的PubMed GPT、DRAGON、Meta的Galactica等等一波大模型，屢屢在專業考試上創下新的記錄。

醫療AI如此盛況，很難想象去年還一度唱衰的光景。當時谷歌與醫療AI相關的創新業務始終沒有做起來。

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療AI業務，也都曾經歷過重組、收購的情況。

看完這次谷歌DeepMind釋出的醫療大模型，你看好醫療AI的發展嗎？

論文地址：

參考連結：