醫生與患者之間的對話是確診病情、建立有效治療方案的關鍵所在。然而，現實中并不是所有人都能享受豐厚的醫療資源與醫生進行深度咨詢。

　　為了解決這一困境，谷歌的研究人員推出了專門用于醫療咨詢的大語言模型AMIE(Articulate Medical IntelligenceExplorer)。

　　AMIE利用一種新穎的自我對話模擬環境，并結合自動反饋機制，以跨不同疾病狀況、專業領域和情境進行學習。

　　研究人員將AMIE與20名初級保健醫生在149個臨床案例中進行了評估，結果顯示，AMIE在診斷準確率和交流水平等多個方面優于醫生。

　　模擬對話環境

　　AMIE是基于谷歌的PaLM 2模型開發而成。為了使AMIE適應不同專科的醫生和病例,研究人員采用獨創的“模擬病人對話環境”進行訓練、微調。

　　可以根據網絡搜索結果自動生成各類病例數據,并由AMIE在里面通過輪流學習與模擬病人對話,不斷改進自身能力。

　　研發團隊從三個醫學數據庫中隨機選擇疾病情況,通過網絡搜索結果生成各類病例描述。隨后由AMIE分別扮演患者和醫生,在第三方評價機制監督下開展對話。

　　環境中設有患者模板代理、醫生模板代理以及評價模板代理三個角色�；颊叽�理根據提供的病例描述進行回答;醫生代理提出問題分析病情;評價代理會根據對話質量給予反饋,幫助醫生代理逐步改進交流表現。

　　這套模擬環境可以自動生成大量規模醫療對話,彌補真實醫患交流數據匱乏的缺點,有效擴大了AMIE的學習范圍。

　　自我學習循環

　　研究人員設計了內外兩層循環機制，幫助AMIE實現自我學習。內循環中,AMIE會根據評價反饋不斷改進模擬對話效果;外循環中,收集模擬對話增強AMIE的后續訓練,建立自我細化循環。

　　隨著訓練不斷進行,AMIE的交互能力將日益提升;同時通過外循環學習,其醫療知識面也將不斷擴充,適應更多醫療情景。

　　鏈式推理策略

　　在真實的醫療對話過程中,AMIE采用了三步鏈式推理策略。第一步,根據對話歷史總結患者癥狀并提出初步診斷假設;第二步,在此基礎上定制回復方案和下一步問診目標,旨在進一步確定診斷;

　　第三步,檢查回復是否流暢準確,避免重重復問和錯誤信息,進行必要修訂、糾錯。研究人員認為，AMIE通過鏈式思考方式連續優化,相對于單次回復能實現更高的診斷準確率。

　　測試數據

　　為了評估AMIE的性能，研究人員設計并進行了一項帶有驗證的遠程客觀結構化臨床考試。通過文本界面，AMIE與經過驗證的模擬患者或初級保健醫生進行互動交流。

　　一共涉及149個臨床案例，20名初級保健醫生與AMIE進行比較，并由專業醫生和患者進行評估。

　　結果顯示，根據專科醫生的評估，AMIE在診斷準確性和32個評估維度中有28個優于初級保健醫生;而根據患者的評估，AMIE在26個評估維度中有24個維度表現出更好的診斷結果。