ADVERTISEMENT
史上AI最高分，Google新模型剛剛通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，直接與人類醫生水準相匹敵。在一些臨床問答表現中，最高超過原來的SOTA模型17%以上。
Delighted to share our new @GoogleHealth @GoogleAI @Deepmind paper at the intersection of LLMs + health.
— Vivek Natarajan (@vivnat) December 27, 2022
Our LLMs building on Flan-PaLM reach SOTA on multiple medical question answering datasets including 67.6% on MedQA USMLE (+17% over prior work).https://t.co/jZZuFDrxGw pic.twitter.com/8k7qO6wTZw
此進展一出，瞬間引爆學界熱議，不少業內人士感歎：終於，它來了。
Finally, it comes...
— Hong-Yu (Frank) Zhou (@HongYuZhou14) December 27, 2022
Med-PaLM (540-billion parameters) achieved 67.6% on MedQA USMLE (United States Medical Licensing Examination) compared to 60.2% achieved by Codex (175-billion parameters).
For reference, the passing and expert scores of human beings are 60.0% and 87.0%. https://t.co/2RFHNc3NRt
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醫生上班了。
還有人調侃這個發表時間點很精準，因為這時大家都以為Google會因ChatGPT而「死」之際。
這是一個什麼樣的研究呢？
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、回歸、分割等）、缺乏表現力和互動能力等問題。
大模型的突破為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，像是提供假的或錯誤的醫療資訊。
基於這樣的背景，Google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，因為要提供高品質的答案，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局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（5400億參數）、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Google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性能，比如MedQA、MedMCQA、PubMedQA和MMLU。尤其是MedQA（USMLE）資料集，表現超過了之前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：80億參數、620億參數以及5400億參數。
不過Flan-PaLM仍存在一定的局限性，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。
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準
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產生Med-PaLM的問題。
他們讓Flan-PaLM和Med-PaLM分別對這140個問題產生答案，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「耳朵痛得厲害意味著什麼」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、臉部無力或麻木，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準，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的性能超過了人類醫生，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，指令提示調整對性能的提升效果顯著，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準。
背後團隊
本次論文的研究團隊來自Google和DeepMind。
繼去年Google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Google AI負責人Jeff Dean都出來站台，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Google DeepMind的新模型堪稱LLM的完美應用。
Clinical knowledge is a complex domain where often there isn’t one immediately obvious right answer, it requires a dialogue with the patient. Perfect app for LLMs!
— Salahuddin Choudhary (@salahuddin) December 28, 2022
Awesome work by some former colleagues on how LLMs can be tuned and benchmarked to answer these types of questions. https://t.co/O8Zpwm8T1k
前段時間另一個團隊也剛通過了美國醫師執照考試。
Incredible and high-quality work @vivnat!
— Valentin Liévin (@valentinlievin) December 27, 2022
I would love to see Codex 5-shot CoT appearing in the right plot https://t.co/xH0eZiEyqZ
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，很難想像去年還一度唱衰的光景。當時Google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Google健康部門剛成立時可謂風光無限。
也不只是Google，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Google DeepMind發表的醫療大模型，你看好醫療AI的發展嗎？
請注意！留言要自負法律責任，相關案例層出不窮，請慎重發文！