Hilft Bei Der Diagnose Von 362 Häufigen Krankheiten! Die Universitäten Cambridge, Oxford Und Warwick Sowie Andere Schlugen Ein Multi-Agenten-Framework Für Große Sprachmodelle Vor, Um Automatisch Einen Medizinischen Wissensgraphen Zu Erstellen.
Der Mangel an medizinischen Ressourcen stellt heute ein langfristiges Problem dar, das das globale Gesundheitssystem plagt. Besonders ausgeprägt ist der Ärztemangel in den Bereichen der Primärversorgung und Allgemeinmedizin. Die Weltgesundheitsorganisation prognostiziert, dass bis 2030 weltweit 15 Millionen Gesundheitsfachkräfte fehlen werden. In China ist die Zahl der Ärzte nach Angaben des Nationalen Statistikamts und der Nationalen Gesundheitskommission zwar von Jahr zu Jahr gestiegen, in einigen abgelegenen und ländlichen Gebieten reicht die Zahl der Ärzte jedoch bei weitem nicht aus.
Eine gestaffelte Diagnostik und Therapie ist eines der wirksamsten Modelle, um dem „Ärztemangel“ entgegenzuwirken. Bei diesem Modell führt der Allgemeinarzt bei der Ankunft im Krankenhaus, wenn der Patient nicht in der Lage ist, sein Problem zu bestimmen, zunächst eine Voruntersuchung durch, um die allgemeine Richtung des Problems zu bestimmen. Anschließend überweist er den Patienten zur weiteren Diagnose und Behandlung an einen entsprechenden Spezialisten, beispielsweise einen Kardiologen, Neurologen usw. Dieses mehrschichtige und kollaborative Modell gewährleistet eine effiziente, umfassende und professionelle Diagnose, reduziert die Arbeitsbelastung der Spezialisten, macht ihre Ausbildung zielgerichteter, verkürzt dadurch den Ausbildungszyklus und füllt die Ärzteressourcen schnell wieder auf.
Allerdings sind Zeit und Energie der Ärzte letztlich begrenzt. Die Frage, wie sich mithilfe fortschrittlicher Technologien wie künstlicher Intelligenz die Diagnoseeffizienz verbessern und so der Mangel an Ärzten gemildert werden kann, ist zu einem Schwerpunkt der Branche geworden. Inspiriert durch das oben erwähnte medizinische hierarchische Zusammenarbeitsmodell,Ein Forschungsteam der University of Warwick, der Cranfield University, der University of Cambridge und der University of Oxford hat KG4Diagnosis vorgeschlagen.Dabei handelt es sich um ein neues hierarchisches Multiagenten-Framework, das die Zusammenarbeit zwischen Allgemeinmedizinern und Fachärzten in der realen Welt des medizinischen Systems durch eine zweischichtige Architektur simuliert. Es wird verwendet, um die Erstellung, Diagnose, Behandlung und Argumentation medizinischer Wissensgraphen zu automatisieren. Es überwindet die Einschränkungen bestehender Methoden zur Erstellung medizinischer Wissensgraphen hinsichtlich Skalierbarkeit und Verarbeitung unstrukturierter Daten und deckt 362 häufige Krankheiten ab, die mehrere medizinische Bereiche wie beispielsweise Fettleibigkeit umfassen.
Die entsprechenden Ergebnisse wurden im Rahmen der Top-Konferenz AAAI-25 Bridge Program unter dem Titel „KG4Diagnosis: A Hierarchical Multi-Agent LLM Framework with Knowledge Graph Enhancement for Medical Diagnosis“ veröffentlicht.
Folgen Sie dem offiziellen Konto und antworten Sie mit „Medical Knowledge Graph“, um das vollständige PDF zu erhalten
MedQA-Datensatz zur Beantwortung medizinischer Textfragen:
Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 100 AI4S-Papierinterpretationen und stellt umfangreiche Datensätze und Tools bereit:
https://github.com/hyperai/awesome-ai4s
Welche disruptive Bedeutung hat KG4Diagnosis?
Warum haben die Forscher KG4Diagnosis entwickelt?
Dahinter steckt eigentlich eine Idee, nämlich die Frage, ob künstliche Intelligenz eingesetzt werden kann, um das hierarchische medizinische System in der realen Welt zu simulieren und so die Komplexität medizinischer Diagnoseverfahren zu lösen. So entstand das KG4Diagnosis-Framework, ein hierarchisches Multiagenten-Framework, das ein Large Language Model (GPLLM) für Allgemeinmediziner und mehrere domänenspezifische Large Language Models für Experten (Consultant-LLMs) integriert – der Agent des Allgemeinmediziners (GP) führt eine Erstbeurteilung und Triage durch und koordiniert anschließend die Durchführung domänenspezifischer Analysen mit spezialisierten Agenten.
Wie wurde das Gerüst aufgebaut?
Vereinfacht ausgedrückt lässt es sich in 5 Schritte unterteilen:
(1) Der eingegebene medizinische Text wird in Datenblöcke segmentiert, die den Kontextbeschränkungen des Wissensgraphen entsprechen, und von den semantikbasierten Entitätsextraktions- und Relationsextraktionsmodulen verarbeitet;
(2) Die extrahierten Entitäten und Beziehungen werden in einer dedizierten Datenbank gespeichert.
(3) Diese Datenbanken werden zum Aufbau des Medical Knowledge Graph verwendet.
(4) Kombination medizinischer Wissensgraphen mit großen Sprachmodellen (LLMs) und Multi-Agenten-Systemen zur Verbesserung der diagnostischen Argumentation;
(5) Die Diagnoseergebnisse werden durch menschliches Denken an den Benutzerendpunkt zurückgemeldet.
Dieser Ansatz kombiniert eindeutig die umfassenden Fähigkeiten großer Sprachmodelle mit der Präzision spezialisierten medizinischen Wissens, um fortschrittlichere Diagnoseergebnisse zu erzielen. Laut dem Forschungsteam deckt die Trainingsmethode des Systems 362 häufige Krankheiten aus mehreren medizinischen Fachgebieten ab und repräsentiert ein breites Spektrum medizinischer Diagnosen.
Was ist der tatsächliche Anwendungseffekt dieses Systems?
Das folgende Diagramm zeigt, wie das in der Studie vorgeschlagene neue Framework im Diagnoseprozess zusammenarbeitet und wie KI-Systeme dabei helfen können, personalisierte medizinische Beratung bereitzustellen: Der Patient beschreibt die Symptome, der Arzt stellt klärende Fragen und die KI liefert Erklärungen und Vorschläge.
* Patient: „Doc, ich habe in letzter Zeit ein Klingeln in den Ohren, besonders nachts. Es fühlt sich an, als ob da ständig ein Summen ist, das meinen Schlaf und meine Konzentration beeinträchtigt.“
* Arzt: „Ist Ihr Tinnitus dauerhaft oder kommt und geht er? Haben Sie weitere Symptome wie Kopfschmerzen, Hörverlust oder Ohrenschmerzen?“
* AI: „Wir bedauern Ihre Beschwerden. Tinnitus kann verschiedene Ursachen haben, wie z. B. Lärm, Mittelohrentzündungen, Bluthochdruck oder Stress. Haben Sie kürzlich einen Hörtest oder eine Ohrenuntersuchung gemacht? Diese Untersuchungen können helfen, den Schweregrad und die möglichen Ursachen Ihres Tinnitus zu bestimmen.“
Die folgende Abbildung verdeutlicht die Expertise des Systems im Wissensgraphen zum Thema Fettleibigkeit. Sie zeigt den Zusammenhang zwischen Fettleibigkeit, Typ-2-Diabetes und Herz-Kreislauf-Erkrankungen, ihre gemeinsamen Symptome, Behandlungen und Begleiterkrankungen und betont die vielschichtige Rolle von Medikamenten bei der Lösung komplexer Gesundheitsprobleme.
Zusammenfassend befasst sich diese Studie mit den Halluzinationsherausforderungen, denen große Sprachmodelle (LLMs) in der medizinischen Diagnose durch Multi-Agenten-Verifizierung und Wissensgraphenbeschränkungen gegenüberstehen, und überprüft die Wirksamkeit dieser Mechanismen durch umfassende Benchmarktests. Gleichzeitig demonstrierten die Forscher auch den praktischen Wert dieses Rahmens anhand realer medizinischer Szenarien, und man darf gespannt auf seine zukünftigen Anwendungen sein.
Technologie und Anwendung florieren gleichermaßen! Künstliche Intelligenz-gestützte Diagnose hat eine vielversprechende Zukunft
Forschungsfortschritt zum medizinischen Wissensgraphen
KG4Diagnosis, das vom oben genannten Forschungsteam vorgeschlagen wurde, ist ein hierarchisches Multi-Agenten-Framework für große Sprachmodelle, das auf der Verbesserung von Wissensgraphen basiert. Die sogenannten Wissensgraphen (KGs) beschreiben Konzepte der physischen Welt und ihre Beziehungen in symbolischer Form.
Derzeit umfassen die Methoden zum Erstellen medizinischer Wissensgraphen traditionelle regelbasierte Systeme und fortschrittliche Modelle der künstlichen Intelligenz. Regelbasierte Ansätze bieten zwar Zuverlässigkeit, es mangelt ihnen jedoch an Skalierbarkeit, während Sprachmodelle wie GPT und MedPaLM zwar das Potenzial haben, strukturiertes Wissen aus unstrukturierten Daten zu generieren, jedoch mit Problemen hinsichtlich Halluzination und Genauigkeit zu kämpfen haben.
Angesichts dieser Herausforderungen haben viele Forschungsteams mehrere Wege erkundet: Um beispielsweise das Problem der Halluzinationen in großen Sprachmodellen anzugehen, gilt das Abrufen relevanter Fakten aus Wissensgraphen als vielversprechender Ansatz. Vorhandene KG-Verbesserungsmethoden erfordern häufig mehrere Abruf- und Überprüfungsrunden für jede Tatsache, was ihre Anwendung in praktischen Szenarien behindert. Ein Forschungsteam des Imperial College London hat eine Methode zur selbstverbessernden, erweiterten Wissensgraphenabfrage (Re-KGR) vorgeschlagen, um die Sachlichkeit der Antworten von LLMs im medizinischen Bereich mit geringerem Abrufaufwand zu verbessern. Die entsprechenden Ergebnisse wurden auf arXiv unter dem Titel „Mitigating Hallucinations in Large Language Models via Self-Refinement-Enhanced Knowledge Retrieval“ veröffentlicht.
Gleichzeitig hat die Branche auch bahnbrechende Ergebnisse bei der Verwendung medizinischer Wissensgraphen zum Aufbau großer medizinischer Modelle erzielt. Beispielsweise können grundlegende Modelle (FMs) aus großen Mengen nicht gekennzeichneter Daten erlernt werden, um bei einer breiten Palette von Aufgaben eine überlegene Leistung zu demonstrieren. Allerdings sind die für den biomedizinischen Bereich entwickelten FMs immer noch weitgehend unimodal. Um diese Einschränkung zu überwinden, hat ein Forschungsteam der UIUC BioBRIDGE vorgeschlagen, das Wissensgraphen verwendet, um die Transformation zwischen einem unimodalen FM und einem anderen unimodalen FM zu erlernen, ohne ein zugrunde liegendes unimodales FM fein abzustimmen.
Die Ergebnisse zeigen, dass BioBRIDGE bei der modalübergreifenden Abrufaufgabe die beste KG-Einbettungsmethode (im Durchschnitt etwa 76,31 TP3T höher) schlagen kann. Die zugehörigen Forschungsergebnisse trugen den Titel „BIOBRIDGE: BRIDGING BIOMEDICAL FOUNDATION MODELS VIA KNOWLEDGE GRAPHS“ und wurden vom ICLR 2024 angenommen.
Künstliche Intelligenz-gestützte Diagnose trägt zur Verbesserung der Effizienz bei und lindert den Mangel an Ärzteressourcen
Letztlich sollen technologische Fortschritte in die Praxis zurückfließen, die Arbeitsbelastung der Ärzte verringern und die Diagnosegenauigkeit und -effizienz verbessern. Durch die Integration einer großen Menge an medizinischem Wissen und klinischen Daten hat die KI in den letzten Jahren viele wichtige Fortschritte in der assistierten Diagnose erzielt.
Im November 2024 wurde die KI-gestützte Diagnose erstmals in die Projektrichtlinien der National Healthcare Security Administration aufgenommen. Um die relativ ausgereifte, auf künstlicher Intelligenz basierende Technologie bei der klinischen Anwendung zu unterstützen und eine zusätzliche Belastung der Patienten zu vermeiden, hat die Nationale Gesundheitssicherheitsbehörde die potenziellen Anwendungsszenarien künstlicher Intelligenz analysiert und „auf künstlicher Intelligenz basierende“ Erweiterungselemente für radiologische Untersuchungen, Ultraschalluntersuchungen und Rehabilitationsprojekte eingerichtet. In gewissem Sinne wird hiermit der politische Grundstein für die großflächige Anwendung KI-gestützter Diagnosen in der Zukunft gelegt.
Was konkrete Anwendungen angeht, gab das Team der South China University of Technology im Februar 2024 bekannt, dass es ein intelligentes Screeningsystem für Augenkrankheiten entwickelt habe, das ein auf der Grundlage eines Datensatzes trainiertes KI-Modell und eine Reihe von Hardwaregeräten wie einer Funduskamera integriert. Es kann innerhalb von 15 Sekunden nach Abschluss der Fundus-Farbfotoaufnahme Diagnoseempfehlungen für mehr als 30 Krankheiten liefern.
Im Juni 2024 erklärte OpenAI in seinem offiziellen Blog, dass Color Health das GPT-4o-Modell von OpenAI verwendet habe, um einen KI-Assistenten-Copiloten zu entwickeln, der Ärzte bei der Untersuchung und Behandlung von Krebspatienten unterstützen und so eine bessere Behandlungseffizienz erreichen soll. Offiziellen Angaben zufolge können medizinische Einrichtungen, die KI-Assistenten einsetzen, viermal mehr pathologische Befunde feststellen als solche, die keine KI-Assistenten verwenden. Darüber hinaus benötigten die Ärzte mit dem KI-Assistenten durchschnittlich fünf Minuten, um Patientenakten zu analysieren, während ohne ihn die Daten fragmentiert wären, was möglicherweise zu wochenlangen Verzögerungen führen würde.
Darüber hinaus wird berichtet, dass iFlytek Medical 1,6 Millionen schwerwiegende Fehldiagnosen korrigiert und 60 Millionen irrationale oder mutmaßlich fehlerhafte Medikamente durch KI-gestützte Diagnose erkannt hat, wodurch die Möglichkeiten zur Primärdiagnose und Behandlung verbessert und Fehldiagnosen sowie verpasste Diagnosen verhindert wurden.
Aufgrund der Technologie bin ich davon überzeugt, dass KI in Zukunft zur „rechten Hand“ der Ärzte wird und die Zugänglichkeit und Qualität medizinischer Leistungen kontinuierlich verbessern wird.
Quellen:
1.https://arxiv.org/abs/2412.16833
2.https://zh.wikipedia.org/wiki/%E7%9F%A5%E8%AD%98%E5%9C%96%E8%AD%9C
3.https://53ai.com/news/LargeLanguageModel/2024060240513.html
4.https://hub.baai.ac.cn/view/36889
5.https://www.yicai.com/news/102371268.html
6.https://m.yicai.com/news/102153745.html