گفتگوی پزشک و بیمار سنگ بنای طبابت است که در آن ارتباطات ماهرانه و سنجیده باعث تشخیص، تدبیر و درمان، همدلی و اعتماد طرفین می شود. پیشرفت‌های اخیر در مدل‌های زبان بزرگ (LLM) خارج از حوزه پزشکی نشان داده است که آنها می‌توانند برنامه‌ریزی کنند، استدلال کنند. در پزشکی اما کاربرد آنها محدود است. مدل‌های زبان بزرگ (LLM) ها می توانند وظایفی مانند خلاصه سازی پرونده‌هی پزشکی یا پاسخ به سؤالات دانش پزشکی بیماران را به دقت انجام دهند، اما توانایی برقراری ارتباط مستقیم با بیمار را ندارند و نمی‌توانند بر اساس این گفتگو سیاهه‌ای از تشخیص‌های افتراقی را برای بیمار مطرح کنند. این فرآیند استدلال بالینی نامیده می‌شود.
گوگل در پروژه جدید خود Articulate Medical Intelligence Explorer (AMIE) ، یک سیستم هوش مصنوعی تحقیقاتی مبتنی بر LLM و بهینه‌سازی شده را توسعه داده است که بر استدلال بالینی و گفتگوی تشخیصی با بیمار استوار است. AMIE را در ابعاد بسیاری آموزش داده شده است و بر اساس ادعای طراحان می‌تواند مواجهۀ بالینی بازسازی کند.
آنها در پژوهشی معیارهایی همچون دقت در تشخیص و تدبیر بالینی، همدلی و معیارهای دیگری میان پزشکان متخصص و هوش مصنوعی مقایسه شده است که در تصویر بالا مشاهده می‌کنید.
AMIE: یک سیستم هوش مصنوعی تحقیقاتی تشخیصی با تمرکز بر گفتگوی پزشک و بیمار است که بر استدلال پزشکی و مکالمات بالینی دنیای واقعی آموزش دیده است. آموزش LLM ها با استفاده از گفتگوهای دنیای واقعی که با جمع آوری غیرفعال و رونویسی بازدیدهای بالینی حضوری ایجاد شده اند امکان پذیر است، با این حال، دو چالش اساسی اثربخشی آنها را در آموزش LLM برای مکالمات پزشکی محدود می کند. اول، داده‌های موجود در دنیای واقعی اغلب نمی‌توانند طیف گسترده‌ای از شرایط و سناریوهای پزشکی را به تصویر بکشند، که مانع از مقیاس‌پذیری و جامعیت می‌شود. دوم، داده‌هایی که از رونوشت‌های گفت‌وگوهای دنیای واقعی به دست می‌آیند، پر سر و صدا هستند، حاوی زبان مبهم (شامل زبان عامیانه، اصطلاحات تخصصی، طنز و طعنه)، وقفه‌ها، جملات غیر دستوری و ارجاعات ضمنی هستند. اینها چالش‌های پیش روی این هوش مصنوعی جدید است.
به نقل از