2022年底，OpenAI推出的基于大語言模型（Large language model，LLM）的聊天機器人ChatGPT展示了令人印象深刻的強大能力。

為應對異軍突起的OpenAI，谷歌在今日推出了其生成式人工智能模型——Gemini，谷歌表示，這是迄今為止功能最強大、最通用的人工智能大模型，其在許多測試中擊敗了OpenAI最近的GPT-4。

除了與OpenAI的直接競爭外，谷歌還致力于開發其他更專業的生成式人工智能項目，其中就包括醫療人工智能大模型——MedLM。谷歌表示，該模型已經可以通過公司的Vertex AI平臺向美國谷歌云客戶提供，該平臺使用機器學習工作流來指導用戶通過訓練、評估和部署生成式人工智能模型的過程。與此同時，美國以外的某些市場可以“預覽”這些工具。

MedLM模型基于Med-PaLM 2，Med-PaLM 2是谷歌進軍醫療人工智能大模型的第二次嘗試。去年，其開發的Med-PaLM模型因通過了美國醫療執照考試（USMLE）而成為頭條新聞（準確率為67%），而今年，Med-PaLM 2進一步將準確率大幅提升至86.5%，根據谷歌的說法，該分數相當于“專家”醫生水平。

谷歌表示，MedLM模型有兩個版本，其用途之間的差異在于，第一個MedLM模型更大，專為復雜任務設計。第二個是中等模型，能夠進行微調，最適合跨任務擴展。谷歌表示，在未來幾個月會將基于Gemini的模型集成到MedLM模型中，以進一步擴展其人工智能功能。

谷歌表示，此次新推出的醫療人工智能大模型——MedLM，旨在用于整個醫療保健行業的各個方面，包括醫院、藥物開發、面向患者的聊天機器人等。例如，美國醫療保健巨頭HCA Healthcare正在將MedLM模型用于記錄臨床醫生與患者之間的對話，并將其自動轉譯為醫療記錄，從而提高記錄的質量。AI藥物發現平臺BenchSci正在使用MedLM模型快速篩選大量臨床數據并識別某些疾病和生物標志物之間的聯系。

醫學是一項人性化的事業，其中語言是臨床醫生、研究人員和患者之間的溝通互動的關鍵。近年來，人工智能的進步為其在醫學領域的應用帶來了新的希望。但AI模型主要是單任務系統，缺乏表達能力和交互能力，還可能會編造令人信服的醫療錯誤信息，或納入偏見加劇健康不平等。因此，現有的AI模型所能做的和在現實世界的臨床工作流程中對它們的期望之間存在著不一致，使其難以轉化為真實世界的可靠性或價值。

2023年7月，谷歌和谷歌旗下人工智能公司DeepMind的研究人員在國際頂尖學術期刊 Nature 上發表了題為：Large language models encode clinical knowledge 的研究論文。

該論文展示了谷歌開發的一個專精醫學領域的大語言模型——Med-PaLM，其能夠很好的回答醫學問題。

為評估大語言模型（LLM）編碼臨床醫學知識的能力，研究團隊探討了它們回答醫學問題的能力。這項任務非常具有挑戰性，因為為醫學問題提供高質量的答案需要理解醫學背景，回憶適當的醫學知識，并根據專家信息進行推理。

在這項研究中，提出了一個基準，稱為MultiMedQA：它結合了6個涵蓋專業醫療、研究和消費者查詢的現有問題回答數據集以及HealthSearchQA——這是一個新的數據集，包含3173個在線搜索的醫學問題。通過這一基準來評估大語言模型回答醫學問題的真實性、在推理中使用專業知識、有用性、準確性、健康公平性和潛在危害。

表現令人鼓舞

研究團隊隨后評估了PaLM（5400億參數的大語言模型）及其變體Flan-PaLM。他們發現，在一些數據集中Flan-PaLM達到了最先進水平的表現。在整合美國醫師執照考試類問題的MedQA數據集中，Flan-PaLM超過此前最先進的大語言模型達17%，達到了67.6%的準確率，達到了通過考試的標準（60%）。不過，雖然FLAN-PaLM的多選題成績優良，進一步評估顯示，它在回答消費者的醫療問題方面存在差距。

為解決這一問題，研究團隊使用一種稱為設計指令微調（instruction prompt tuning）的方式進一步調試Flan-PaLM適應醫學領域。設計指令微調是讓通用大語音模型適用新的專業領域的一種有效方法。

結果產生的新模型Med-PaLM在試行評估中表現令人鼓舞。例如，Flan-PaLM被一組醫師評分與科學共識一致程度僅61.9%的長回答，Med-PaLM的回答評分為92.6%，相當于醫師做出的回答（92.9%）。同樣地，Flan-PaLM有29.7%的回答被評為可能導致有害結果，Med-PaLM僅5.9%，相當于醫師所作回答（6.5%）。

升級版——Med-PaLM 2

值得一提的是，這篇在 Nature 論文中描述的 Med-PaLM 模型于2022年12月推出，而在今年5月份，谷歌在預印本平臺發表論文，推出了升級版的Med-PaLM 2。

論文中顯示，Med-PaLM 2是第一個在美國醫療執照考試（USMLE）類問題上達到專家級表現的大語言模型，能夠正確回答多項選擇題和開放式問題，并對答案進行推理，準確率高達86.5%，大幅超越了Med-PaLM以及GPT3.5。

Med-PaLM 2根據14項標準進行了測試，包括科學事實、準確性、醫學共識、推理、偏見和危害，由來自不同背景和國家的臨床醫生和非臨床醫生進行評估。研究團隊還發現該模型在回答醫學問題方面仍存在一些差距，但并未具體說明，谷歌表示，進一步開發和改進該模型以解決這些差距，并了解大語言模型如何改善醫療保健。

據報道，Med-PaLM 2目前正在世界頂尖的醫療機構梅奧醫學中心進行初步試驗。谷歌認為，這種模式在“看病機會有限”的國家尤其有用。他們還表示，在Med-PaLM 2試驗期間提交的用戶數據將被加密，谷歌無法訪問，并由用戶自己控制。

總的來說，Med-PaLM是一個強大的專精醫學領域的大語言模型，而設計指令微調是一種有效的數據和參數校準技術，能夠提高大語言模型的準確性、真實性、一致性、安全性，減少危害和偏差等因素，有助于縮小模型與臨床專家的差距，使這些模型更接近現實世界的臨床應用。

參考資料：

//www.nature.com/articles/s41586-023-06291-2

//arxiv.org/pdf/2305.09617.pdf

//the-decoder.com/google-is-testing-its-generative-medical-language-model-in-a-clinical-setting/

//www.fiercebiotech.com/medtech/google-launches-medlm-generative-ai-models-healthcare-industry