Google 的 AMIE：新的會話式 AI 在醫療保健領域的進展

人工智慧與醫療保健的融合為醫療實務帶來了巨大的轉變機會。本文將探討 AMIE (Articulate Medical Intelligence Explorer)，這是 Google 專為診斷推理與臨床對話所設計的研究型 AI 系統。我們探討 AMIE 如何縮小傳統醫療 AI 與實際臨床結果之間的差距，透過會話式 AI 技術提供更以人為中心、更有效的病患照護方式。

重點

AMIE 代表 Google 研究醫療推理與臨床對話的人工智能系統。

傳統的醫療 AI 經常遇到使用者信任與臨床工作流程整合的挑戰。

包括 Google 的 Gemini 在內的基礎模型可讓 AI 會話互動更加連貫自然。

對話式 AI 具備提升診斷精確度、治療規劃及病患與醫師間同理心的潛力。

大量的研究仍在繼續，以確保會話式人工智能在醫療環境中的安全性、可靠性和公平性。

人工智能在醫療領域的前景與挑戰

人工智能在醫療照護領域的崛起

人工智慧正在徹底改變工業與學術研究實驗室的醫療與健康照護，並對人工智慧醫療應用產生重大興趣。從乳癌檢測、皮膚病狀分類到基因組學，人工智慧演算法已在許多醫療任務上展現專家級的效能。深度學習 (尤其是卷積神經網路) 的進展加速了前景看好的醫療照護應用。隨著機器學習分類器越來越多地分析醫療影像、預測病患的結果，以及以極高的準確度提供個人化的治療方案，人工智慧在醫療保健領域的應用已迅速擴展。儘管有這些技術上的進展，實施人工智慧解決方案以達到有意義的臨床影響，卻是逐步進行的。

解決信任差異：為什麼對話式 AI 這麼重要？

傳統深度學習解決方案在達成全面臨床效果方面持續面臨執行上的挑戰，導致採用速度相對緩慢。儘管傳統的醫療 AI 展現出潛力，但卻經常遇到使用者信任、理解和互動方面的困難，使得整合至臨床決策的過程充滿挑戰。建立信任對於人工智慧解決方案的實作仍然非常重要。

人類與 AI 系統之間的溝通隔閡是一個基本問題，顯然必須加以解決。從人類的角度來看，傳統的深度學習醫療 AI 解決方案通常會透過結構化、略嫌僵化的格式進行溝通。機器學習分類器可能會產生類似「乳癌現象」的分類標籤，並隨附可信度分數。然而，這種輸出格式不允許後續查詢或深入探索 AI 的推理過程。人類與 AI 之間加強瞭解、更豐富的互動，以及最終建立互信的關係，都是重要的目標。發展以信任為基礎的關係是臨床醫師不斷努力與病患建立的目標。這種限制妨礙了人類與 AI 系統之間的信任發展，延緩了臨床環境的採用與整合。

這強調了開發創新解決方案與技術以因應這些挑戰的重要性。

基礎模型：AI 溝通的新時代

幸運的是，近年來，隨著人工智慧與醫學交叉的進展，我們也見證了機器學習技術領域的另一項重大革命，那就是基礎模型。基礎模型代表了人工智能的最新進展，可以幫助溝通溝通。

基礎模型透過自我監督的學習目標，在龐大的資料集上進行訓練，大幅提升了人工智能理解和產生自然語言的能力。包括 BERT、各種 GPT 迭代、Google 的 T5、Palm 模型以及最近的 Gemini 模型系列等模型，都展現了這些技術的能力。基礎模型的優勢，正如廣泛認知的，涉及到它們對包括醫療保健在內的各種下游應用的適應性。此外，經由適當的微調，基礎模型展現出新興的功能，包括使用自然語言進行連貫的多輪對話。

這些模型適用於跨越醫療照護領域的廣泛下游應用。它們適用於情感分析、多輪對話系統和資訊擷取任務。基礎模型參與多輪對話，產生超越傳統模型能力的全新層次的突發屬性。

介紹 AMIE：Articulate Medical Intelligence Explorer

AMIE 的方法：加強診斷的對話式 AI

研究人員指出，「傳統模型與人類的語言並不完全相同」。

AMIE 代表 Articulate Medical Intelligence Explorer，這是一個以大型語言模型 (LLM) 為基礎的研究型 AI 系統，已針對診斷推理和臨床對話進行最佳化。它是專為診斷推理和對話而設計的研究型 AI 系統。利用此技術，AMIE 可提出能增強診斷信心的問題。AMIE 並非提供簡單的診斷，而是透過對話與病患溝通，提出有關症狀的澄清問題，並收集相關病史。該系統結合了有效的臨床溝通元素，包括

• 同理心
• 建立關係
• 清晰的資訊傳遞

AMIE 旨在近似臨床專家的豐富專業知識，有效教導機器人執行複雜的醫療任務。

自我遊戲：新穎的學習環境

AMIE 採用創新的學習環境，利用自我遊戲和模擬對話來增強診斷推理能力。該系統在包含醫療推理、醫療總結和真實臨床對話資料的真實世界資料集上進行訓練。系統以自我批判的方式運作，並使用模擬對話進行持續改善。提升真實世界對話的兩個重大挑戰包括

1. 現有真實世界資料的利用
2. 全面的醫療情境涵蓋

透過自我遊戲方法，AMIE 訓練有效地解決這些全面的挑戰。

AMIE 在診斷對話品質方面優於 PCP

AMIE 的創新方法使系統在提供醫療服務時能夠考慮更多因素。在比較測試中，AMIE在多個診斷對話評估指標上的表現優於主治醫生，這歸功於其對診斷對話的優化和診斷信心的增強。初級測試結果顯示 AMIE 診斷更準確，同時提供更全面詳細的諮詢評估。

AMIE：權衡利弊

優點

提高診斷精確度

擴大護理的可用性和可及性

改善病患與醫師之間的共鳴與信任

更個人化、更有效的治療策略的潛力

缺點

依賴文字溝通可能會遺漏相關資訊

需要持續研究以確保安全性、可靠性和公平性

不具代表性的訓練資料可能造成演算法偏差

過度依賴 AI 的風險可能會影響臨床判斷

常見問題

什麼是 AMIE？

AMIE (Articulate Medical Intelligence Explorer) 是 Google AI 用於診斷醫療推理和會話的研究系統。它以大型語言模型為基礎，並針對對話進行了最佳化，可提高診斷的準確性和醫師與病患之間的共鳴。

與傳統醫療 AI 相比，AMIE 有何改進？

傳統的醫療 AI 常常因為溝通上的限制而面臨用戶信任與臨床工作流程整合的挑戰。AMIE 採用會話式 AI 來彌補這一鴻溝，可進行後續提問、更豐富的互動，並與使用者建立以信任為基礎的關係。

什麼是基礎模型，它們與 AMIE 有何關聯？

基礎模型代表透過自我監督學習目標在大量資料集上訓練的大型 AI 系統。像 Google 的 Gemini 這樣的模型有助於更連貫、更自然的 AI 對話，AMIE 在診斷對話中利用了這些模型。

AMIE 的主要特徵是什麼？

AMIE 的特色包括多輪診斷對話功能、情境分析、回應產生與精進，以及整合重要的臨床溝通層面，例如同理心和關係發展。

這個專案的下一步研究方向是什麼？

以文字為基礎的交談並不能反映常規的臨床實務，因此安全性與健康公平性的研究才是接下來的重點。

相關問題

AMIE 如何確保病患安全和資料隱私？

正在進行的全面研究調查平台內的安全性和穩定性，以及健康公平性和公正性的考量。

使用文字聊天進行醫療諮詢有哪些限制？

雖然文字諮詢提供便利性和可及性，但卻無法完全捕捉面對面互動的細微差異。非語言提示、身體檢查和即時評估在純文字格式中提出了挑戰，促使目前對替代性溝通方法進行研究。

如何將 AMIE 整合至現有的醫療照護系統？

成功的整合需要謹慎的規劃與醫療照護提供者的合作，解決資料互通性、工作流程整合等問題，並確保 AI 系統能補充而非取代人類臨床醫師。