史上AI最高分！谷歌大模型创美国医师执照试题新纪录，科学常识水平媲美人类医生...

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。