Новая медицинская модель искусственного интеллекта Google, называемая Med Gemini, продемонстрировала впечатляющие возможности, которые удивили медицинское сообщество. Разработанная командами DeepMind и Google Research, Med Gemini является специализированной версией мощных систем ИИ семейства Gemini, предназначенной для медицинских приложений.

Основные особенности Med Gemini:

1. Самообучение: Модель генерирует синтетические примеры из собственных выходных данных, которые затем используются для дальнейшего совершенствования ее возможностей, особенно при работе со сложными медицинскими сценариями.

2. Интеграция поиска: Когда модель сталкивается с вопросом, с которым она испытывает трудности или имеет низкую уверенность, Med Gemini может выполнить веб-поиск, чтобы собрать дополнительную информацию, повышая точность и надежность своих выходных данных.

3. Непрерывное обновление знаний: Способность Med Gemini к поиску и интеграции информации из внешних источников позволяет ей постоянно обновлять свою базу знаний без необходимости частой переподготовки, поддерживая ее в курсе последних медицинских исследований и практик.

Эти передовые методы позволили Med Gemini превзойти предыдущие модели передового уровня, включая GPT-4 с медицинской подсказкой, по различным медицинским эталонным тестам. Например, точность модели на наборе данных MedQA достигла впечатляющих 91,1%, а после устранения проблем с тестовыми вопросами улучшилась до 92,2%.

Примечательно, что возможности Med Gemini выходят за рамки текстовых задач, поскольку она также продемонстрировала высокие результаты на эталонных тестах по медицинскому видеорассуждению, превзойдя предыдущие модели передового уровня.

Медицинское сообщество впечатлено диагностической точностью Med Gemini, даже для редких и специализированных состояний. Отзыв дерматолога подчеркнул способность модели предоставлять относительно точный диагноз на основе ограниченных данных, таких как одно фото и краткое описание.

Хотя потенциальные преимущества Med Gemini в поддержке медицинских специалистов очевидны, эксперты предостерегают от чрезмерной зависимости от этой системы ИИ, подчеркивая важность сохранения человеческого надзора и использования модели в качестве инструмента для улучшения, а не замены клинической экспертизы.

Модели Gemini Google были доработаны и специализированы для медицинских приложений, в результате чего была разработана "Med Gemini". Эта передовая система ИИ демонстрирует впечатляющие возможности в медицинской сфере:

1. Мультимодальное понимание: Med Gemini может обрабатывать и интегрировать информацию из различных форматов, включая текст, изображения и длинные медицинские записи, для предоставления всесторонних анализов.

2. Продвинутое рассуждение: Система использует самообучение и интеграцию поиска для повышения своих возможностей в работе со сложными медицинскими данными и запросами. Она может использовать собственные выходные данные для генерации новых примеров для обучения, непрерывно совершенствуя свои рассуждения и принятие решений.

3. Эталонные показатели производительности: Med Gemini превзошла предыдущие модели передового уровня, включая GPT-4 с медицинской доработкой, по различным медицинским эталонным тестам. Она достигает точности 91,1% на наборе данных MedQA, превосходя клиницистов и клиницистов, использующих поиск.

Модель Google Med Gemini превзошла предыдущие передовые медицинские системы ИИ. Вот разбивка того, как она сравнивается:

• Med Gemini достигла точности 91,1% на эталонном тесте MedQA, превзойдя предыдущий передовой уровень GPT-4 с медицинской подсказкой, который набрал 90,2%.
• Это улучшение было достигнуто без необходимости в сложных техниках, таких как ансамблевые модели или перемешивание вариантов ответа, которые использовались для повышения производительности GPT-4.
• Было обнаружено, что эталонный тест MedQA имеет проблемы с качеством, причем 7,4% вопросов имеют неоднозначные правильные ответы. Устранение этих проблем дополнительно улучшило результат Med Gemini до 91,8%.
• Med Gemini превзошла предыдущий передовой уровень по широкому спектру задач медицинского рассуждения, включая продвинутое текстовое рассуждение, мультимодальное понимание и обработку длинного контекста.

Med Gemini использует два ключевых передовых метода рассуждения для повышения своих медицинских возможностей:

1. Самообучение:

   • Med Gemini генерирует синтетические примеры для обучения, обрабатывая медицинские данные и запросы, и используя собственные выходные данные в качестве новых примеров для обучения.
   • Этот итеративный процесс самообучения помогает модели непрерывно совершенствовать свои рассуждения и принятие решений, особенно в сложных медицинских сценариях.
   • Модель также может обучаться на имитируемых медицинских сценариях, где ей необходимо интерпретировать разнообразные медицинские данные из текста, изображений или записей, и обратная связь помогает повысить ее точность и надежность.

2. Поиск, управляемый неопределенностью:

   • Когда Med Gemini сталкивается с вопросом или сценарием, в котором она имеет низкую уверенность или недостаточно внутренних данных, она может проактивно выполнить веб-поиск, чтобы собрать дополнительную информацию.
   • Модель рассчитывает неопределенность своих прогнозов и использует ее для направления своей стратегии поиска, помогая повысить точность и надежность своих выходных данных.
   • Это позволяет Med Gemini непрерывно обновлять свою базу знаний без необходимости частой переподготовки, адаптируясь к новым медицинским исследованиям, клиническим практикам и руководящим принципам.

Диалоговые примеры в статье демонстрируют, как модель Med Gemini может помогать в медицинских сценариях. Вот несколько ключевых моментов:

1. Мультимодальное взаимодействие: Модель способна участвовать в двустороннем диалоге, запрашивая у пользователя дополнительную информацию, такую как изображения, чтобы предоставить более всестороннюю оценку.

2. Диагностика по специальности: Один пример показывает, как модель точно диагностирует относительно редкое, специализированное кожное заболевание на основе ограниченных данных (одного фото и краткого описания). Дерматолог отметил впечатляющую диагностическую точность для этого специализированного случая.

3. Генерация отчета по радиологии: В другом примере модель генерирует отчет по радиологии для врача на основе предоставленного рентгеновского снимка и анамнеза пациента.

4. Анализ видео: Модель также способна анализировать обучающие медицинские видео, извлекая соответствующие временные метки для ответа на вопросы о содержании.

Google's Med Gemini и Amy - это два различных ИИ-системы, разработанные для медицинских приложений, каждая со своими специализированными возможностями и целями.

Med Gemini - это более универсальная модель ИИ, которая превосходит в обработке сложных мультимодальных медицинских данных, таких как текст, изображения и длинные медицинские записи. Она специализируется на понимании и интеграции широких медицинских знаний в различных форматах, чтобы помогать в диагностике и планировании лечения. Ключевые преимущества Med Gemini заключаются в ее способности работать с большими объемами данных, проводить продвинутые рассуждения и предоставлять всесторонние интегрированные анализы информации о пациентах, чтобы поддерживать медицинских специалистов в принятии более обоснованных решений.

С другой стороны, Amy в основном предназначена для улучшения диагностических диалогов и рассуждений в медицинских консультациях. Она стремится имитировать и поддерживать интерактивный аспект медицинской консультации, сосредотачиваясь на сборе анамнеза, точности диагностики и общении с пациентами. Amy оптимизирована для вовлечения пациентов в содержательные диалоги, решая коммуникативные и эмпатические аспекты медицинской практики.

Google's Med Gemini представляет собой значительный прогресс в применении больших языковых моделей к медицинской сфере. Используя такие методы, как самообучение, интеграция поиска и мультимодальное понимание, Med Gemini превзошла предыдущие передовые модели в ключевых медицинских эталонных тестах.

Способность Med Gemini обрабатывать сложные медицинские данные, участвовать в диагностическом рассуждении и предоставлять всесторонние анализы имеет потенциал значительно помочь медицинским специалистам в принятии более обоснованных решений. Производительность модели в задачах, таких как обработка длинного контекста и продвинутое текстовое рассуждение, демонстрирует ее универсальность и пригодность для решения сложных проблем в медицинской области.

Хотя эталонные тесты подчеркивают впечатляющие возможности Med Gemini, важно отметить ограничения существующих наборов медицинских данных и необходимость дальнейшего совершенствования процесса оценки. Выявление неоднозначных или ошибочных вопросов в эталонном тесте MedQA демонстрирует важность обеспечения надежности и достоверности этих инструментов оценки.