迈向对话式诊断人工智能
摘要
医患对话是医学的核心，娴熟的病史采集为准确诊断、有效管理和持久信任铺平道路。能够进行诊断对话的人工智能（Artificial Intelligence, AI）系统有望提高医疗服务的可及性、一致性和质量。然而，逼近临床医生的专业水平是一项突出的重大挑战。在此，我们介绍AMIE（Articulate Medical Intelligence Explorer，清晰医疗智能探索者），一个基于大语言模型（Large Language Model, LLM）并针对诊断对话优化的AI系统。AMIE采用一种新颖的、基于自我博弈的模拟环境，并配有自动反馈机制，以扩展跨多种疾病状况、专科和场景的学习。我们设计了一个评估框架，用于衡量具有临床意义的性能维度，包括病史采集、诊断准确性、管理推理、沟通技巧和共情能力。我们在一项随机、双盲交叉研究中，以客观结构化临床考试（Objective Structured Clinical Examination, OSCE）的形式，通过文本咨询与经过验证的标准化病人演员，比较了AMIE与初级保健医生（Primary Care Physicians, PCPs）的表现。该研究包含来自加拿大、英国和印度临床提供方的149个病例场景，20名PCPs用于与AMIE比较，并由专科医生和标准化病人演员进行评估。根据专科医生的评估，AMIE在32个维度中的28个上表现出更高的诊断准确性和更优的性能；根据标准化病人演员的评估，则在26个维度中的24个上表现更优。我们的研究存在若干局限性，应谨慎解读。临床医生仅限于不熟悉的同步文本聊天，这种方式允许大规模的LLM-患者交互，但并不代表常规临床实践。在AMIE能够转化到真实世界环境之前仍需进一步研究，但结果代表了迈向对话式诊断AI的一个里程碑。
引用
@article{arxiv.2401.05654,
title = {Towards Conversational Diagnostic AI},
author = {Tao Tu and Anil Palepu and Mike Schaekermann and Khaled Saab and Jan Freyberg and Ryutaro Tanno and Amy Wang and Brenna Li and Mohamed Amin and Nenad Tomasev and Shekoofeh Azizi and Karan Singhal and Yong Cheng and Le Hou and Albert Webson and Kavita Kulkarni and S Sara Mahdavi and Christopher Semturs and Juraj Gottweis and Joelle Barral and Katherine Chou and Greg S Corrado and Yossi Matias and Alan Karthikesalingam and Vivek Natarajan},
journal= {arXiv preprint arXiv:2401.05654},
year = {2024}
}
备注
46 pages, 5 figures in main text, 19 figures in appendix