谷歌的 AMIE：用于医疗保健的新型对话式人工智能技术进步

人工智能与医疗保健的融合为改变医疗实践带来了巨大机遇。本文探讨了AMIE（Articulate Medical Intelligence Explorer），这是谷歌研究的人工智能系统，旨在进行诊断推理和临床对话。我们探讨了 AMIE 如何努力缩小传统医疗人工智能与实际临床结果之间的差距，通过对话式人工智能技术为患者提供更加以人为本的有效护理方法。

要点

AMIE 是谷歌用于诊断医疗推理和临床对话的人工智能研究系统。

传统的医疗人工智能在用户信任和临床工作流程整合方面经常遇到挑战。

包括谷歌 Gemini 在内的基础模型可实现更连贯、更自然的人工智能对话互动。

对话式人工智能在提高诊断精确度、治疗规划和病人与医生的共鸣方面具有潜力。

大量研究仍在继续，以确保对话式人工智能在医疗环境中的安全性、可靠性和公平性。

人工智能在医疗领域的前景与挑战

人工智能在医疗保健领域的崛起

人工智能正在为工业和学术研究实验室的医疗和保健带来革命性的变化，人工智能在医疗领域的应用也备受关注。从乳腺癌检测到皮肤病分类和基因组学，人工智能算法已在众多医疗任务中展现出专家级的性能。深度学习（尤其是卷积神经网络）的进步加速了前景广阔的医疗应用。随着机器学习分类器越来越多地分析医学影像、预测患者预后和个性化治疗方案，人工智能在医疗保健领域的应用迅速扩大。尽管取得了这些技术进步，但实施人工智能解决方案以产生有意义的临床影响却在逐步推进。

消除信任差距：对话式人工智能为何重要

传统的深度学习解决方案在实现全面临床效果方面仍然面临实施挑战，导致采用速度相对缓慢。虽然传统的医疗人工智能显示出潜力，但往往在用户信任、理解和互动方面遇到困难，使其融入临床决策具有挑战性。建立信任对于人工智能解决方案的实施仍然至关重要。

一个基本问题涉及人类与人工智能系统之间的沟通鸿沟，显然有必要加以解决。从人类的角度来看，传统的深度学习医疗人工智能解决方案通常通过结构化、略显僵化的格式进行交流。机器学习分类器可能会生成分类标签，如 "乳腺癌存在"，并附带置信度分数。然而，这种输出格式不允许进行后续查询或深入探索人工智能的推理过程。加强理解、丰富互动以及最终建立人类与人工智能之间的信任关系是关键目标。发展基于信任的关系是临床医生不断努力与患者建立的目标。这种局限性阻碍了人类与人工智能系统之间信任关系的发展，延缓了人工智能在临床环境中的应用和整合。

这凸显了开发创新解决方案和技术以应对这些挑战的重要性。

基础模型：人工智能交流的新时代

幸运的是，近年来在人工智能与医学交叉领域取得进展的同时，我们也见证了机器学习技术领域的另一场重大革命，这就是基础模型。基础模型代表了人工智能领域的最新进展，有助于弥合沟通鸿沟。

基础模型通过自我监督学习目标在庞大的数据集上进行训练，大大提高了人工智能理解和生成自然语言的能力。包括 BERT、各种 GPT 迭代、谷歌 T5、Palm 模型以及最近的双子座模型系列在内的模型都展示了这些技术的能力。众所周知，基础模型的优势在于可适应包括医疗保健在内的各种下游应用。此外，经过适当微调后，基础模型还能展示出包括使用自然语言进行连贯的多轮对话在内的新兴功能。

这些模型适用于跨越医疗保健领域的广泛下游应用。它们适用于情感分析、多轮对话系统和信息提取任务。基础模型参与多轮对话，在全新层面上产生超越传统模型能力的新兴特性。

介绍 AMIE：Articulate 医疗智能探索器

AMIE 的方法：增强诊断的对话式人工智能

正如研究人员所指出的，"传统模型与人类的语言并不完全相同"。

AMIE 是 Articulate Medical Intelligence Explorer 的缩写，它是一个基于大型语言模型（LLM）的研究型人工智能系统，针对诊断推理和临床对话进行了优化。它是为诊断性医疗推理和对话而设计的研究型人工智能系统，专门针对诊断性推理和对话进行了调整。利用这项技术，AMIE 能提出增强诊断信心的问题。AMIE 不提供简单的诊断结果，而是通过对话让患者参与进来，提出有关症状的明确问题，并收集相关病史。该系统融合了有效的临床沟通元素，包括

• 移情
• 建立关系
• 清晰的信息传递

AMIE 的目标是接近临床专家的丰富专业知识，有效地教会机器执行复杂的医疗任务。

自我游戏：新颖的学习环境

AMIE 采用创新的学习环境，利用自我游戏和模拟对话来提高诊断推理能力。该系统在包含医学推理、医学总结和真实临床对话数据的真实世界数据集上进行训练。该系统以自我批评的方式运行，利用模拟对话进行持续改进。增强真实世界对话所面临的两大挑战包括

1. 现有真实世界数据的利用
2. 全面的医疗场景覆盖

通过自我游戏方法，AMIE 可以有效地应对这些综合挑战。

AMIE 在诊断对话质量方面优于初级保健医生

AMIE 的创新方法使系统在提供医疗服务时能够考虑更多因素。在对比测试中，AMIE在多个诊断对话评估指标上的表现优于初级保健医生，这归功于其对诊断对话的优化和诊断信心的增强。初级测试结果表明，AMIE 的诊断更准确，同时提供的咨询评估更全面、更详细。

AMIE：权衡利弊

优点

提高诊断精确度

扩大了医疗服务的可用性和可及性

增强患者与医生之间的共鸣和信任

有可能制定更个性化、更有效的治疗策略

缺点

依赖文本交流，可能遗漏相关信息

需要持续进行研究，确保安全性、可靠性和公平性

不具代表性的训练数据可能导致算法偏差

过度依赖人工智能有可能影响临床判断

常见问题

什么是 AMIE？

AMIE（Articulate Medical Intelligence Explorer）是谷歌人工智能的医疗诊断推理和对话研究系统。它以大型语言模型为基础，并针对对话进行了优化，可提高诊断准确性和医患共鸣。

与传统医疗人工智能相比，AMIE 有何改进？

传统的医疗人工智能往往由于沟通的限制而面临用户信任和临床工作流程整合的挑战。AMIE 采用对话式人工智能弥合了这一鸿沟，实现了追问、更丰富的互动以及与用户之间基于信任的关系。

什么是基础模型，它们与 AMIE 有什么关系？

基础模型代表了通过自我监督学习目标在海量数据集上训练出来的大规模人工智能系统。像谷歌的双子座（Gemini）这样的模型有助于提高人工智能对话的连贯性和自然性，AMIE在诊断对话中就利用了这一点。

AMIE 的主要特点是什么？

AMIE 的显著特点包括多轮诊断对话功能、语境分析、响应生成和完善，以及整合重要的临床沟通方面，如移情和关系发展。

该项目的下一步研究工作是什么？

基于文本的聊天并不能反映常规临床实践，因此安全和健康公平研究是后续的重点。

相关问题

AMIE 如何确保患者安全和数据隐私？

正在进行的综合研究调查了平台的安全性和稳健性，同时还考虑了健康公平性和公正性。

使用文本聊天进行医疗咨询有哪些局限性？

虽然基于文本的会诊提供了便利性和可及性，但并不能完全捕捉到面对面互动的细微差别。非语言提示、体格检查和实时评估是纯文本格式的挑战，这促使目前对替代性交流方法进行研究。

如何将 AMIE 整合到现有的医疗保健系统中？

成功的整合需要精心策划和医疗保健提供商的合作，解决数据互操作性、工作流程整合等问题，并确保人工智能系统补充而非取代人类临床医生。