Googles nya medicinska AI-modell, kallad Med Gemini, har visat imponerande förmågor som har förvånat den medicinska gemenskapen. Utvecklad av teknikjättens DeepMind- och Google Research-team är Med Gemini en specialiserad version av Gemini-familjen av kraftfulla AI-system, utformad för medicinska tillämpningar.

Med Geminis nyckelfunktioner inkluderar:

1. Självträning: Modellen genererar syntetiska exempel från sina egna utdata, som sedan används för att ytterligare förfina dess förmågor, särskilt vid hantering av komplexa medicinska scenarier.

2. Sökintegration: När den ställs inför en fråga som den kämpar med eller har låg tillit till, kan Med Gemini utföra en webbsökning för att samla in ytterligare information, vilket förbättrar noggrannheten och tillförlitligheten i dess utdata.

3. Kontinuerlig kunskapsuppdatering: Med Geminis förmåga att söka och integrera information från externa källor gör att den kontinuerligt kan uppdatera sin kunskapsbas utan behov av frekvent omträning, vilket håller den uppdaterad med den senaste medicinska forskningen och praxis.

Googles Gemini-modeller har finslipats och specialiserats för medicinska tillämpningar, vilket resulterat i utvecklingen av "Med Gemini". Detta avancerade AI-system visar imponerande förmågor inom det medicinska området:

1. Multimodal förståelse: Med Gemini kan bearbeta och integrera information från olika format, inklusive text, bilder och långa medicinska journaler, för att tillhandahålla omfattande analyser.

2. Avancerat resonemang: Systemet använder självträning och sökintegration för att förbättra sina förmågor att hantera komplex medicinsk data och frågor. Det kan utnyttja sina egna utdata för att generera nya träningsexempel, vilket kontinuerligt förfinar dess resonemang och beslutsfattande.

3. Benchmarking-prestanda: Med Gemini har överträffat de tidigare state-of-the-art-modellerna, inklusive GPT-4 med medicinsk finslipning, på olika medicinska benchmarks. Den uppnår en noggrannhet på 91,1 % på MedQA-datauppsättningen, vilket överträffar läkare och läkare som assisteras av sökning.

Googles Med Gemini har överträffat den tidigare state-of-the-art inom medicinska AI-system. Här är en nedbrytning av hur den jämför sig:

• Med Gemini uppnådde en noggrannhet på 91,1 % på MedQA-benchmarken, vilket överträffar den tidigare state-of-the-art för GPT-4 med en medicinsk prompt, som fick 90,2 %.
• Denna förbättring uppnåddes utan behov av komplexa tekniker som ensemble-modeller eller omflyttning av svarsalternativ som användes för att förbättra GPT-4:s prestanda.
• MedQA-benchmarken har visat sig ha kvalitetsproblem, där 7,4 % av frågorna har tvetydiga grundsanningar. Genom att åtgärda dessa problem förbättrades Med Geminis poäng ytterligare till 91,8 %.

Med Gemini utnyttjar två nyckeltekniker för avancerat resonemang för att förbättra sina medicinska förmågor:

1. Självträning:

   • Med Gemini genererar syntetiska träningsexempel genom att bearbeta medicinsk data och frågor, och använder sina egna utdata som nya träningsexempel.
   • Denna iterativa självträningsprocess hjälper modellen att kontinuerligt förfina sitt resonemang och beslutsfattande, särskilt i komplexa medicinska scenarier.
   • Modellen kan också lära sig från simulerade medicinska scenarier, där den måste tolka diverse medicinsk data från text, bilder eller journaler, och feedbacken hjälper till att förbättra dess noggrannhet och tillförlitlighet.

2. Osäkerhetsguidad sökning:

   • När Med Gemini stöter på en fråga eller ett scenario där den har låg tillit eller otillräcklig intern data, kan den proaktivt utföra en webbsökning för att samla in ytterligare information.
   • Modellen beräknar osäkerheten i sina förutsägelser och använder detta för att styra sin sökstrategi, vilket bidrar till att förbättra noggrannheten och tillförlitligheten i dess utdata.

Papperet innehåller flera dialogexempel som visar hur Med Gemini-modellen kan assistera i medicinska scenarier. Här är några viktiga punkter:

1. Multimodal interaktion: Modellen kan delta i en dialog fram och tillbaka, begära ytterligare information som bilder från användaren för att tillhandahålla en mer omfattande bedömning.

2. Specialistspecifik diagnos: Ett exempel visar att modellen kan ställa en relativt korrekt diagnos för en sällsynt, specialistspecifik hudsjukdom baserat på begränsad data (en enda bild och en kort beskrivning). En dermatolog noterade den imponerande diagnostiska noggrannheten för detta specialiserade fall.

Googles Med Gemini och Amy är två distinkta AI-system som utvecklats för medicinska tillämpningar, var och en med sina egna specialiserade förmågor och mål.

Med Gemini är en mer generaliserad AI-modell som utmärker sig i bearbetning av komplex multimodal medicinsk data, såsom text, bilder och långa medicinska journaler. Den är specialiserad på att förstå och integrera bred medicinsk kunskap i olika format för att bistå vid diagnostik och behandlingsplanering. Med Geminis styrkor ligger i dess förmåga att hantera stora mängder data, utföra avancerat resonemang och tillhandahålla omfattande integrerande analyser av patientinformation för att stödja medicinska yrkesutövare i att fatta mer informerade beslut.

Amy är däremot främst utformad för att förbättra diagnostiska dialoger och resonemang inom medicinska konsultationer. Den syftar till att simulera och stödja den interaktiva samtalsaspekten av en medicinsk konsultation, med fokus på anamnestagning, diagnostisk noggrannhet och patientkommunikation. Amy är optimerad för att engagera patienter i meningsfulla dialoger och adressera de kommunikativa och empatiska aspekterna av medicinsk praxis.

Googles Med Gemini representerar ett betydande framsteg i tillämpningen av stora språkmodeller inom det medicinska området. Genom att utnyttja tekniker som självträning, sökintegration och multimodal förståelse har Med Gemini överträffat tidigare state-of-the-art-modeller i viktiga medicinska benchmarks.

Med Geminis förmåga att bearbeta komplex medicinsk data, delta i diagnostiskt resonemang och tillhandahålla omfattande analyser har potential att i hög grad assistera medicinska yrkesutövare i att fatta mer informerade beslut. Modellens prestanda på uppgifter som långsiktigt processande och avancerat textbaserat resonemang visar på dess mångsidighet och lämplighet för att hantera de komplexa utmaningarna inom det medicinska området.

Men även om benchmarks belyser Med Geminis imponerande förmågor är det viktigt att notera begränsningarna i de nuvarande medicinska datauppsättningarna och behovet av fortsatt förfining av utvärderingsprocessen. Identifieringen av tvetydiga eller felaktiga frågor i MedQA-benchmarken visar på vikten av att säkerställa tillförlitligheten och giltigheten i dessa bedömningsverktyg.