杨净羿阁发自凹非寺
量子位公众号 QbitAI
史上 AI 最高分，谷歌新模型刚刚通过美国医师执照试题验证！
而且在科学常识、理解、检索和推理能力等任务中，直接与人类医生水平相匹敌。在一些临床问答表现中，最高超原 SOTA 模型 17% 以上。
此进展一出，瞬间引爆学界热议，不少业内人士感叹：终于，它来了。
广大网友在看完 Med-PaLM 与人类医生的对比后，则是纷纷表示已经在期待 AI 医生上岗了。
还有人调侃这个时间点的精准，恰逢大家都以为谷歌会因 ChatGPT 而“死”之际。
来看看这到底是一个什么样的研究？
史上 AI 最高分
由于医疗的专业性，今天的 AI 模型在该领域的应用很大程度上没有充分运用语言。这些模型虽然有用，但存在聚焦单任务系统（如分类、回归、分割等）、缺乏表现力和互动能力等问题。
大模型的突破给 AI+ 医疗带来了新的可能性，但由于该领域的特殊性，仍需考虑潜在的危害，比如提供虚假医疗信息。
基于这样的背景，谷歌研究院和 DeepMind 团队以医疗问答为研究对象，做出了以下贡献：
-
提出了一个医学问答基准 MultiMedQA，包括医学考试、医学研究和消费者医学问题；
-
在 MultiMedQA 上评估了 PaLM 及微调变体 Flan-PaLM；
-
提出了指令提示x调整，让 Flan-PaLM 进一步与医学接轨，产生了 Med-PaLM。
他们认为‘医疗问题的回答’这项任务很有挑战性，因为要提供高质量的答案，AI 需要理解医学背景、回忆适当的医学知识，并对专家信息进行推理。
现有的评价基准往往局限于评估分类准确度或自然语言生成指标，而不能对实际临床应用中详细分析。
首先，团队提出了一个由 7 个医学问题问答数据集组成的基准。
包括 6 个现有数据集，其中还包括 MedQA（USMLE，美国医师执照考试题），还引入了他们自己的新数据集 HealthSearchQA，它由搜索过的健康问题组成。
这当中有关于医学考试、医学研究以及消费者医学问题等。
接着，团队用 MultiMedQA 评估了 PaLM（5400 亿参数）、以及指令微调后的变体 Flan-PaLM。比如通过扩大任务数、模型大小和使用思维链数据的策略。
FLAN 是谷歌研究院去年提出的一种微调语言网络，对模型进行微调使其更适用于通用 NLP 任务，使用指令调整来训练模型。
结果发现，Flan-PaLM 在几个基准上达到了最优性能，比如 MedQA、MedMCQA、PubMedQA 和 MMLU。尤其是 MedQA（USMLE）数据集，表现超过了此前 SOTA 模型 17% 以上。
本项研究中，共考虑了三种不同规模的 PaLM 和 Flan-PaLM 模型变体：80 亿参数、620 亿参数以及 5400 亿参数。
不过 Flan-PaLM 仍存在一定的局限性，在处理消费者医学问题上表现效果不佳。
为了解决这一问题，让 Flan-PaLM 更适应医学领域，他们进行了指令提示调整，由此产生 Med-PaLM 模型。
△示例：新生儿黄疸需要多长时间才能消失？
团队首先从 MultiMedQA 自由回答数据集（HealthSearchQA、MedicationQA、LiveQA）中随机抽取了一些例子。
然后让临床医生 5 人组提供示范性答案。这些临床医生分布于美国和英国，在初级保健、外科、内科和儿科方面具有专业经验。最终在 HealthSearchQA、MedicationQA 和 LiveQA 中留下了 40 个例子，用于指令提示调谐训练。
多个任务接近人类医生水平
为了验证 Med-PaLM 的最终效果，研究人员从上文提到的 MultiMedQA 中抽取了 140 个消费者医疗问题。
其中 100 个来自 HealthSearchQA 数据集，20 个来自 LiveQA 数据集，20 个来自 MedicationQA 数据集。
值得一提的是，这里面并不包含当初用于指令提示调整以生成 Med-PaLM 的问题。
他们让 Flan-PaLM 和 Med-PaLM 分别对这 140 个问题生成答案，又请来一组专业的临床医生作出回答。
以下图为例，当被问到“耳朵疼得厉害意味着什么”时，Med-PaLM 不仅会一条条列出患者可能感染的疾病，还会建议如果有以下几种现象应该去就医。
耳部疼痛可能是几种潜在疾病的征兆，包括：中耳感染（中耳炎）、外耳感染（耳部感染）、耳垢嵌塞。也可能是更严重疾病的征兆，比如脑瘤或中风。
如果你有严重的耳朵疼痛，持续时间超过几天，或者有其他症状伴随耳朵疼痛，如头晕、发烧、面部无力或麻木，你应该去看医生进行评估。医生可以确定疼痛的原因，并提供适当的治疗。
就这样，研究人员将这三组答案匿名后交给 9 名分别来自美国、英国和印度的临床医生进行评估。
结果显示，在科学常识方面，Med-PaLM 和人类医生的正确率都达到了 92% 以上，而 Flan-PaLM 对应的数字为 61.9%。
在理解、检索和推理能力上，总体来说，Med-PaLM 几乎达到了人类医生的水平，两者相差无几，而 Flan-PaLM 同样表现垫底。
在答案的完整性上，虽然 Flan-PaLM 的回答被认为漏掉了 47.2% 的重要信息，但 Med-PaLM 的回答有显著提升，只有 15.1% 的回答被认为缺失了信息，进一步拉近了与人类医生的距离。
不过，尽管遗漏信息较少，但更长的答案也意味着会增加引入不正确内容的风险，Med-PaLM 的答案中不正确内容比例达到了 18.7%，为三者中最高。
再考虑到答案可能产生的危害性，29.7% 的 Flan-PaLM 回答被认为存在潜在的危害；Med-PaLM 的这个数字下降到了 5.9%，人类医生相对最低为 5.7%。
除此之外，在医学人口统计学的偏见上，Med-PaLM 的性能超过了人类医生，Med-PaLM 的答案中存在偏见的情况仅有 0.8%，相比之下，人类医生为 1.4%，Flan-PaLM 为 7.9% 。
最后，研究人员还请来了 5 位非专业用户，来评估这三组答案的实用性。Flan-PaLM 的答案只有 60.6% 被认为有帮助，Med-PaLM 的数量增加到了 80.3%，人类医生最高为 91.1%。
总结上述所有评估可以看出，指令提示调整对性能的提升效果显著，在 140 个消费者医疗问题中，Med-PaLM 的表现几乎追上了人类医生水平。
背后团队
本次论文的研究团队来自谷歌和 DeepMind。
继去年谷歌健康被曝大规模裁员重组后，这可以说是他们在医疗领域推出一大力作。
连谷歌 AI 负责人 Jeff Dean 都出来站台，表示强烈推荐！
有业内人士看完后也称赞道：
临床知识是一个复杂的领域，往往没有一个明显的正确答案，而且还需要与病人进行对话。
这次谷歌 DeepMind 的新模型堪称 LLM 的完美应用。
值得一提的是，前段时间刚通过了美国医师执照考试另一个团队。
再往前数，今年涌现的 PubMed GPT、DRAGON、Meta 的 Galactica 等等一波大模型，屡屡在专业考试上创下新的记录。
医疗 AI 如此盛况，很难想象去年还一度唱衰的光景。当时谷歌与医疗 AI 相关的创新业务始终没有做起来。
去年 6 月还一度被美国媒体 BI 曝光正陷入重重危机之中，不得不大规模裁员重组。而在 2018 年 11 月谷歌健康部门刚成立时可谓风光无限。
也不只是谷歌，其他知名科技公司的医疗 AI 业务，也都曾经历过重组、收购的情况。
看完这次谷歌 DeepMind 发布的医疗大模型，你看好医疗 AI 的发展吗？
